Lecciones prácticas de automatizar la prospección en LinkedIn con OpenClaw

Un desarrollador documentó su experiencia automatizando la prospección en LinkedIn con OpenClaw después de tres semanas de prueba y error, compartiendo enfoques técnicos específicos que funcionaron y trampas que evitar.

Detección de automatización de LinkedIn

Darle a un agente acceso al navegador para navegar por LinkedIn y enviar solicitudes de conexión no funciona en la práctica. LinkedIn detecta la automatización a nivel de sesión casi al instante, lo que lleva a restricciones de cuenta en dos días. El problema no es el agente en sí, sino tratar a LinkedIn como un sitio web normal que se puede rastrear y hacer clic.

Requisitos de calentamiento de cuenta

Las cuentas de LinkedIn tienen puntuaciones de confianza que requieren un calentamiento progresivo. Una cuenta nueva o una que de repente envía 40 solicitudes de conexión en un día se marca independientemente de cuán humana parezca el comportamiento. Se necesita un período mínimo de calentamiento de 2 a 3 semanas antes de tocar cualquier volumen real; saltarse esto arriesga quemar tu cuenta.

Puntuación de ICP con señales de intención

Conectarse con todos los que coinciden con búsquedas amplias de palabras clave produce resultados terribles. Agregar una capa de puntuación antes de la prospección mejora significativamente los resultados. Esta capa debe incluir señales de participación como si la persona publicó recientemente, comentó contenido relevante o cambió de trabajo en los últimos 90 días, no solo título y empresa. Agregar estas señales de intención al filtrado aumentó las tasas de respuesta de ruido a niveles útiles.

Matices de limitación de tasa

Las cuentas gratuitas de LinkedIn, Premium y Sales Navigator tienen umbrales seguros completamente diferentes. Ejecutar los mismos límites de tasa en todos los tipos de cuenta es una forma rápida de ser restringido. El agente necesita saber en qué tipo de cuenta está operando y ajustarse en consecuencia.

Diseño de flujo de conversación

Que se acepten las conexiones es relativamente fácil, pero que el agente maneje las conversaciones de seguimiento hasta las llamadas agendadas es la parte difícil. Esto requiere árboles de decisión explícitos que cubran qué decir si alguien responde con una pregunta, qué decir si se quedan en silencio y cuándo escalar a un enlace de calendario. La mayoría de las configuraciones de agentes se detienen en enviar solicitudes de conexión y primeros mensajes, lo que representa solo alrededor del 20% del flujo de trabajo.

Estrategia de enrutamiento de modelos

La puntuación de ICP y la detección de señales de intención pueden ejecutarse en modelos Haiku o Sonnet, que son económicos y rápidos. La redacción real de la conversación, donde importan el tono y el momento, se beneficia de modelos más fuertes. Esto sigue el principio general de OpenClaw de no ejecutar Opus en partes que no lo necesitan.

El desarrollador ahora ejecuta un ciclo completo donde el agente encuentra leads basados en señales de intención, los puntúa contra su ICP y maneja conversaciones desde solicitudes de conexión hasta reservas de demostraciones, con el costo por lead esencialmente limitado a costos de tokens más allá de la configuración.