Llevamos dos años produciendo campañas de cold email para clientes B2B desde Sevilla. Hemos enviado cientos de miles de emails, probado decenas de herramientas y roto cosas que no sabíamos que se podían romper.
El resultado es un pipeline de producción construido sobre Claude Code. Lo publicamos como open-source porque no encontramos nada parecido cuando lo necesitábamos.
Este artículo explica qué es, cómo funciona y por qué cada fase existe.
Por qué publicamos nuestro pipeline en abierto
La razón corta: frustración.
Cuando empezamos a usar Claude Code para producir campañas, buscamos skills existentes. Lo que encontramos eran scripts básicos sin controles de calidad. Le dabas datos a Claude, generaba copy, y tenías que rezar para que no fabricara números.
Claude Code sin barreras de protección es peligroso para cold email. Genera frases que nadie diría en persona. Inventa datos que no existen. No verifica que los emails sean válidos antes de enviar. Y cuando pierdes el contexto por un reset de ventana, tienes que empezar de cero.
También hemos descubierto que Claude Code Opus 4.6 ignora tus reglas aproximadamente un 5% de las veces. Da igual lo estricto que seas. Es algo que probablemente no ocurre con Codex - una de las pocas cosas que le reconocemos a OpenAI ahora mismo.
Por eso incluimos reglas estrictas y múltiples capas de verificación. No para evitar que Claude se equivoque - sino para pillarlo cuando lo hace.
Cada regla existe porque algo salió mal. El requisito del 98% de pass rate antes de producción existe porque una vez lanzamos una campaña con variables mal generadas. Tuvimos que pausarla a las dos horas.
La validación de emails existe porque una vez cargamos 400 contactos sin verificar. El bounce rate llegó al 15% y quemó dos dominios.
No publicamos esto porque seamos generosos. Lo publicamos porque el nivel actual de las herramientas públicas para producción con IA es bajo. Cuando la gente envía cold emails malos, los filtros de spam se endurecen para todos.
Qué es el produce-campaign pipeline
Es un skill de Claude Code. Lo instalas en tu proyecto, escribes /produce-campaign, y Claude te guía paso a paso por las 13 fases de producción.
No es un script que ejecutas y olvidas. Es un proceso interactivo donde Claude hace el trabajo pesado - investigación, generación de variables, validación - pero tú tomas las decisiones importantes. Qué ICP atacar, qué tono usar, qué social proof incluir.
Tres cosas lo hacen diferente de otros skills:
Config-first. Todo se guarda en un archivo de configuración por cliente. Si Claude pierde el contexto, lee el config y sabe exactamente dónde se quedó. Qué prompts están aprobados, qué tablas existen, qué campañas están en marcha.
Fases con puerta. No puedes saltar de la fase 2 a la fase 6. Cada fase tiene un gate que confirma que los datos son buenos para avanzar. Si la validación de emails encuentra un find rate del 15%, el pipeline se detiene y te obliga a buscar alternativas.
Calidad verificable. No te fías de que Claude haya generado bien las variables. Las revisas con un segundo agente de IA que evalúa cada lead. Si no pasan el 98%, iteras el prompt y regeneras.
Las 13 fases del pipeline
El pipeline se divide en cuatro bloques: datos, producción, validación y lanzamiento. Aquí va cada fase con lo que hace y por qué importa.
Datos (Fases 0-4)
Fase 0 - Creación del TAM. Solo se ejecuta la primera vez. Defines tu mercado total direccionable: sectores, tamaño de empresa, geografía, cargos objetivo. Claude construye la lista inicial de empresas en Supabase. Si tu TAM es basura, todo lo demás será basura.
Fase 1 - Configuración de sesión. Claude lee el archivo de configuración del cliente. Verifica que los datos estén sanos: sin duplicados, sin campos vacíos donde no deberían estar. Te dice cuántas empresas tienes, cuántos contactos y cuántos emails validados. Si hay problemas, los arregla antes de avanzar.
Fase 2 - Selección de contactos. Cada campaña apunta a un tipo de decisor - director de RRHH, CEO, responsable de operaciones. Esta fase selecciona los contactos correctos del TAM para la persona que vas a trabajar. Un contacto por empresa por campaña, siempre el de mayor antigüedad.
Fase 3 - Validación de emails. Aquí es donde la mayoría de los procesos manuales fallan. El pipeline ejecuta una cascada multi-proveedor para verificar cada email. Si un proveedor no lo encuentra, prueba el siguiente. Si ninguno lo verifica, ese contacto no entra en la campaña. El deliverability depende de esto.
Fase 4 - Preparación de datos. Investigación automatizada de cada empresa: qué hacen, cuántos empleados tienen, en qué sector están. Después, normalización de nombres. Esta fase alimenta toda la personalización posterior.
Producción (Fases 5-6)
Fase 5 - Infraestructura de campaña. Creación de la campaña en Smartlead, asignación de dominios e inboxes, carga de secuencias. Nomenclatura estandarizada para que cualquiera del equipo entienda qué campaña es qué.
Fase 6 - Variables personalizadas con IA. El corazón del pipeline. Claude genera las variables de personalización para cada contacto: líneas de observación, bullet points de valor, social proof del sector, bridges contextuales. Esto convierte un template genérico en un email que parece escrito para esa persona.
Aquí los controles de calidad importan más. El pipeline usa un test loop de dos etapas: primero 10 ejemplos diversos para iterar rápido, después 50 para validar a escala. Solo cuando el prompt supera el 98% de pass rate se ejecuta la producción completa.
Validación (Fases 7-9)
Fase 7 - Validación pre-envío. Chequeo de spam, verificación contra listas DNC (Do Not Contact), deduplicación entre campañas. Nadie recibe el mismo email desde dos campañas diferentes.
Fase 8 - Carga de leads. Push de contactos con todas sus variables a la plataforma de envío. Verificación de que cada campo llegó bien - no solo que el upload no dio error, sino que los datos se ven correctos al otro lado.
Fase 9 - Revisión de calidad con IA. Un segundo agente revisa cada lead. No revisa las variables por separado - renderiza el email completo tal como lo recibiría el destinatario. Evalúa si suena natural, si los datos son correctos, si el tono es apropiado. Si un lead no pasa, se corrige o se excluye.
Lanzamiento (Fases 10-12)
Fase 10 - Verificación y aprobación. Checklist final antes de activar: dominios sanos, secuencias correctas, schedule de envío adecuado. Esto requiere aprobación humana. Claude no lanza campañas solo.
Fase 11 - Monitorización post-lanzamiento. Las primeras 48-72 horas son críticas. El pipeline monitoriza bounce rates, tasas de apertura y respuesta. Si algo se sale de los parámetros normales, alerta de inmediato.
Fase 12 - Bucle de retroalimentación. Las respuestas de campañas anteriores alimentan las siguientes. ¿Qué sectores respondieron mejor? ¿Qué observaciones generaron más replies? ¿Qué social proof resonó más? Este feedback mejora cada iteración.
Las herramientas que necesitas
El pipeline usa varias herramientas externas. Aquí va lo que hace cada una y si es imprescindible.
| Herramienta | Función | ¿Necesaria? |
|---|---|---|
| Claude Code | Motor del pipeline, generación de variables, QA | Sí |
| Supabase | Base de datos de empresas, contactos, configs | Sí |
| Smartlead | Plataforma de envío de emails | Sí (o equivalente) |
| GPT-4o-mini | Generación en bulk (barato y rápido) | Sí (o equivalente) |
| Claude Haiku | QA y revisiones de calidad | Recomendado |
| Prospeo | Búsqueda y verificación de emails | Recomendado |
| Serper | Investigación de empresas (Google API) | Recomendado |
| Apollo | Datos de contactos y empresas | Opcional |
| Spam Checker | Análisis de spam de secuencias | Opcional |
Si estás empezando, Prospeo es la mejor opción todo-en-uno para búsqueda de emails, verificación y enriquecimiento. Cubre las funciones de varias herramientas separadas.
Para el análisis de spam, puedes usar el checker gratuito en mycoldleads.com. Analiza tus secuencias contra bases de datos de palabras spam y te da un score antes de lanzar.
Para quién es esto
Si nunca has lanzado una campaña de cold email, este pipeline te da una estructura completa para hacerlo bien desde el principio. No vas a aprender cold email aquí, pero si ya entiendes los fundamentos y quieres un sistema de producción real, esto te ahorra meses de prueba y error.
Si ya produces campañas, probablemente tengas tu propio proceso. Lo interesante aquí son los controles de calidad: el test loop de dos etapas, la validación post-carga con renderizado completo, el bucle de retroalimentación. Casi todas las agencias generan variables con IA y las cargan sin revisión. Eso funciona hasta que no funciona.
No es para empresas que envían 50 emails al mes a mano. Es para equipos que producen campañas con cientos o miles de leads y necesitan un proceso que escale sin perder calidad.
Lo que hace diferente a este pipeline
He visto muchos procesos de producción de campañas. La mayoría fallan en los mismos sitios.
Puertas de calidad reales
No basta con generar variables y cargarlas. Cada fase tiene un umbral de aprobación. Si la búsqueda de emails devuelve un 15% de find rate, no avanzas. Buscas con otro proveedor, revisas los datos de entrada, intentas otro enfoque.
Si la generación de variables produce un 90% de calidad, no lanzas. Iteras el prompt hasta llegar al 98%. Suena obvio, pero casi nadie lo hace. La tendencia natural es "bueno, trabajemos con lo que tenemos". Esa mentalidad mata campañas.
Validación del email renderizado
La mayoría de QA que he visto revisan las variables por separado. "¿La línea de observación tiene sentido?" Sí. "¿El bullet point es relevante?" Sí. Pero cuando juntas todo en el email final, a veces el resultado no fluye.
La fase 9 renderiza el email completo y lo evalúa como lo leería el destinatario. Eso marca la diferencia entre copy que suena natural y copy que suena a robot.
El config como memoria persistente
Claude Code pierde contexto constantemente. Si estás a mitad de producción y se resetea la ventana, un proceso normal te deja en tierra de nadie.
Con el config-first approach, Claude lee el archivo y sabe: "Tengo 450 empresas, 320 con email verificado, los prompts están aprobados, la campaña P2 está a mitad de carga". Retomas exactamente donde lo dejaste.
Feedback loop que aprende
La fase 12 no es decorativa. Los datos de rendimiento de campañas anteriores se incorporan al proceso de la siguiente. Qué sectores respondieron, qué tipo de observaciones funcionaron, qué CTA generó más reuniones. El prompt de generación se alimenta de datos reales, no de suposiciones.
Cómo empezar
Cuatro pasos para tener el pipeline funcionando:
1. Clona el repositorio. Necesitas Claude Code instalado. Si no lo tienes, las instrucciones están en la documentación de Anthropic.
2. Copia los archivos del skill. El README del repositorio explica qué archivos van en qué carpeta. Son tres: el skill file, el CLAUDE.md con las reglas de calidad, y el schema de Supabase.
3. Ejecuta el schema en tu Supabase. Crea las tablas necesarias para empresas, contactos y configuración. Un SQL que se ejecuta en una sola operación.
4. Escribe /produce-campaign en Claude Code. El skill te guía desde ahí. Te pide el nombre del cliente, lee o crea el config, y empieza por la fase que corresponda.
Accede al repositorio completo
Deja tu nombre y email. Te enviamos el enlace y se abre directamente.
Preguntas Frecuentes
¿Se puede automatizar el cold email con IA de principio a fin?
Parcialmente. La IA hace el trabajo pesado: investigar empresas, generar copy personalizado, verificar calidad. Pero las decisiones estratégicas siguen siendo humanas. Tú decides qué mercado atacar, qué tono usar y cuándo pausar una campaña.
Este pipeline automatiza las partes repetitivas y deja las decisiones importantes en tus manos. Un pipeline 100% automatizado sin supervisión humana produce campañas mediocres porque no puede adaptarse a las señales del mercado en tiempo real.
¿Qué es un pipeline de cold email y por qué importa?
Un pipeline de cold email es el proceso completo desde que identificas a quién contactar hasta que el email llega a su bandeja. Importa porque cada paso depende del anterior. Si tu lista de empresas es mala, da igual que tu copy sea brillante.
Si no verificas emails, quemas dominios. Un pipeline estructura todo en fases con controles de calidad para que nada se escape. Sin esa estructura, los errores se acumulan y acabas con campañas que dañan tu reputación de envío.
¿Cómo se personaliza a escala sin que suene robótico?
La clave es personalizar sobre datos reales, no sobre plantillas genéricas. El pipeline investiga cada empresa individualmente: tamaño, sector, tecnologías que usan. Genera observaciones específicas basadas en esos datos.
Después, un segundo agente de IA revisa cada email renderizado para confirmar que suena natural. Si suena a ChatGPT, se reescribe. El test es simple: ¿lo dirías en un bar? Si no, no vale.
¿Qué pasa si no tengo todas las herramientas del stack?
El pipeline funciona con un stack mínimo: Claude Code, Supabase y una plataforma de envío. Las herramientas de enriquecimiento como Prospeo, Serper y Apollo son recomendadas pero sustituibles.
Si solo puedes usar una herramienta de datos, Prospeo cubre búsqueda de emails, verificación y enriquecimiento básico. Puedes empezar con eso e ir añadiendo herramientas según crezcan tus necesidades.
¿Cuánto tiempo lleva producir una campaña con este pipeline?
Depende del volumen. Para una campaña de 500 leads con una persona, la producción completa lleva entre 3 y 5 horas de trabajo activo. Eso incluye iteración de prompts y QA. Buena parte del tiempo es espera: verificación de emails y generación en bulk.
Lo que antes nos costaba dos días ahora se hace en media jornada. Y la calidad es mayor porque los controles son automáticos.
¿Este pipeline sirve para cualquier sector o solo B2B?
Está diseñado para B2B. La estructura de datos asume que contactas a personas en su rol profesional dentro de una empresa: empresa, contacto, email verificado, variables personalizadas.
Si vendes B2C o haces email marketing en vez de cold email, este pipeline no es para ti. Si haces cold email B2B, da igual el sector: software, consultoría, servicios financieros o cualquier otro. El proceso es el mismo.