Investigar una empresa parece una tarea sencilla hasta que hay varios cientos. Los nombres no coinciden, las webs cambian, una fuente bloquea peticiones y dos sociedades pueden compartir una marca parecida. Automatizar solo la búsqueda no resuelve el problema: también hay que conservar dudas, fuentes y capacidad de reanudar.
Proceso interno real de Valnor. Se desarrolló para preparar estudios empresariales y priorización comercial. Los nombres que aparecen en las imágenes son ficticios. La automatización no decide por sí sola si una empresa «necesita» un servicio.
El punto de partida
Recibimos listados con cientos de registros y niveles de información muy distintos. Algunos incluían web y municipio; otros solo un nombre. Antes de enriquecer nada, fue necesario limpiar formatos, conservar el valor original y asignar una clave estable a cada fila.
Esta separación entre dato original y dato interpretado fue fundamental. Si una búsqueda devuelve una sociedad distinta, debemos poder volver a la entrada y entender cómo se produjo el error.
Un flujo pensado para fallar sin perder el trabajo
El proceso se construyó en n8n por lotes. Cada registro podía terminar en uno de varios estados: identidad confirmada, información parcial, conflicto de identidad, fuente temporalmente bloqueada o revisión manual.
Cuando una fuente devolvía un límite de peticiones, el flujo no marcaba la empresa como inexistente. Guardaba el estado, esperaba y permitía reintentar. Esta diferencia evita que un problema técnico termine contaminando el análisis.
- Lectura de CSV y procesamiento por lotes.
- Consultas a distintas fuentes con prioridades definidas.
- Esperas, reintentos y continuación desde el último punto válido.
- Salida estructurada para identidad, actividad, tamaño y contactos.
- Estados explícitos de conflicto y revisión.
La IA ayuda a estructurar; no sustituye la evidencia
Flowise se utilizó para coordinar consultas y devolver una estructura común. El modelo podía resumir y normalizar información encontrada, pero cada dato relevante debía conservar su fuente y un nivel de confianza.
La regla práctica fue sencilla: si no había evidencia suficiente, el sistema no debía rellenar el hueco con una respuesta plausible. «No confirmado» es un resultado válido.
Después de investigar llega el análisis
El dataset enriquecido se utilizó en una aplicación Streamlit para filtrar por zona, tamaño, sector, facturación, calidad de contacto y prioridad. El objetivo no era producir una lista automática de clientes, sino reducir trabajo mecánico y dejar a una persona mejores elementos para decidir.
También se mantuvieron enlaces de búsqueda para LinkedIn y decisores. En vez de fingir que la identidad personal estaba resuelta, el informe facilitaba una comprobación final.
Qué funcionó y qué límites encontramos
El proceso permitió investigar y organizar varios cientos de registros de manera reanudable. A la vez, aparecieron límites reales: bloqueos de fuentes, fichas contradictorias, webs sin datos legales y nombres comerciales que no identificaban una sociedad única.
Esos límites no son un fracaso de la automatización. Son precisamente la razón para diseñar estados de revisión y no convertir una probabilidad en un hecho.
Qué aprendimos
- Automatizar una investigación exige guardar fuentes y estados, no solo resultados.
- Un bloqueo temporal no equivale a «dato inexistente».
- La identidad de la empresa debe confirmarse antes de enriquecerla.
- La revisión humana debe estar dentro del flujo, no como una corrección improvisada al final.
Preguntas frecuentes
¿Se puede investigar cualquier número de empresas?
El proceso puede ampliarse, pero las fuentes tienen límites técnicos y condiciones de uso. La escala debe respetar esos límites y asumir que parte de la información requerirá comprobación manual.
¿El sistema decide a quién contactar?
No. Puede ordenar señales y aplicar criterios transparentes, pero la decisión comercial debe revisar contexto, encaje y calidad de la evidencia.
Este mismo enfoque —automatización trazable más revisión— se puede aplicar a clasificación documental, preparación de expedientes y otros procesos con información incompleta.