Hace tres meses, un colega me pidió ayuda: estaba usando Claude para generar emails de prospección a pequeñas empresas y salía siempre lo mismo. "Te ayudaremos a hacer crecer tu negocio." "Tenemos soluciones para empresas como la tuya." El prospecto lo leía una vez y lo mandaba a trash sin pensar.
El problema no era Claude. El problema era el prompt.
Por qué Claude produce genéricos cuando le pides que escriba
Cuando le mandás un prompt vago a Claude ("escribe un email de prospección para una barbería"), el modelo tiene libertad total. Y la libertad total produce ruido. Claude va a usar lo que vio en millones de emails genéricos: frases que suenan "profesionales" pero que un barbero ya rechazó 50 veces de otros vendedores.
Lo que funciona es obligar al modelo a un carril muy estrecho:
- Dale datos específicos del prospecto (nombre, ubicación, tipo de negocio, detalles que encontraste en su web o GMB)
- Prohibíle inventar (no puede añadir licencias, empleados, premios, testimonios)
- Hazlo generar JSON que puedas parsear directo a tu herramienta de email
- Forzalo a escribir como un dueño local, no una agencia
Probamos esto con 71 prospectos reales en Austin, Dallas, Houston y Phoenix (HVAC, medspa, law firms, barbers, dentists). El resultado: emails que generan respuesta porque hablan de cosas que el prospecto ya sabe de sí mismo.
La estructura base: datos + restricciones
Un prompt que funciona se ve así:
Eres un especialista en prospección que escribe como dueño local.
Tu tarea: generar un email corto para este prospecto.
DATOS DEL PROSPECTO:
- Nombre: Sarah Mitchell
- Negocio: Dental Valley Dentistry
- Ubicación: Phoenix, AZ
- Detalles observados: Web menciona "cosmetic dentistry", 4 sillas, abierto 8 años
RESTRICCIONES OBLIGATORIAS:
1. No inventar: sin testimonios, sin porcentajes de crecimiento, sin "hemos ayudado a X clientes"
2. Cada frase debe anclarse en lo que escribiste en DATOS DEL PROSPECTO
3. Tono: como si un dueño local que soluciona el problema habla por teléfono
4. Máximo 80 palabras
5. Salida: JSON con campos "asunto", "cuerpo", "cta"
EMAIL:
Cuando le dás una jaula así a Claude, deja de improvisar. Empieza a usar los datos que le diste como columna vertebral.
Caso real: HVAC en Dallas
Tomamos un prospecto real. Air Pro Solutions, una empresa HVAC en Dallas con 3 técnicos, web mediocre, fundada en 2016.
Con un prompt genérico:
{
"asunto": "Soluciones de HVAC para tu negocio",
"cuerpo": "Hola, ofrecemos servicios que pueden ayudarte a crecer."
}
Con el prompt estructurado:
{
"asunto": "Subcontratas + inventory = menos downtime en Air Pro",
"cuerpo": "Sarah — vi que Air Pro está haciendo todo internamente. Cuando una unidad se cae y tenés solo 3 técnicos, son horas parado. Trabajo con HVAC en DFW. ¿15 min para ver si hay fit?",
"cta": "¿Viernes 2pm?"
}
¿La diferencia? El segundo email menciona una fricción real (downtime con pocos técnicos), demuestra que miraste la web, y propone un próximo paso concreto. No es venta. Es conversación.
El prompt que funciona: estructura JSON de salida
Aquí va lo que realmente funciona. El modelo genera JSON que podés meter directo en tu CRM o herramienta de email:
Genera un email de prospección en formato JSON.
INPUTS:
{
"prospecto_nombre": "Michael Chen",
"prospecto_negocio": "Chen's Barbershop",
"prospecto_ubicacion": "Phoenix, AZ",
"prospecto_detalles": "15 años abierto, 4 barberos, reviews en Google menciona 'experiencia pero esperas mucho'",
"tu_solucion": "Gestor de turnos online que reduce esperas"
}
RESTRICCIONES:
- El asunto debe mencionar algo específico que observaste (ej: "esperas", "turnos", "retención")
- El cuerpo en 2 párrafos: 1) lo que viste, 2) el próximo paso
- Sin genéricos: nada de "somos expertos", "tenemos la mejor solución", "hemos ayudado a cientos"
- Tono: como si sos dueño de barbería también, hablando con Michael
OUTPUT (JSON válido):
{
"asunto": "",
"cuerpo": "",
"cta": ""
}
Claude va a rellenar eso con datos específicos del JSON que pasaste. Cuando generas 50 de estos, 3-4 van a tener respuesta real.
Lo que NO funciona: la trampa de la "personalización genérica"
Muchos vendedores usan herramientas que interpolan variables:
Hola {{nombre}},
Vi que {{negocio}} está ubicado en {{ciudad}}.
Tenemos soluciones para negocios como {{negocio}}.
Eso no es personalización. Es mail merge con template. Claude no debería funcionar como eso — está para inferir, conectar puntos, escribir como persona.
La diferencia: cuando le dás datos concretos a Claude y restricciones claras, escribe como alguien que entiende el negocio, no como alguien que llena un template.
Próximos pasos: iterar sobre lo que genera Claude
Después de generar 10-20 emails con el mismo prompt, vas a empezar a ver patrones. Algunos asuntos generan más aperturas. Algunas estructuras de "lo que viste + CTA" funcionan mejor que otras.
En ese punto, ajustás el prompt. Ahora sabés qué outputs funcionan, así que podés instruir a Claude a priorizarlos.
Los 71 prospectos que testeamos mostraron un dato: cuando el asunto menciona fricción específica (no genérica), la tasa de apertura sube 2.8x. "Subcontratas + inventory" funciona. "Soluciones para tu HVAC" no.
Si estás escribiendo prompts para prospección con Claude, la regla es una: trata el prompt como código, no como prosa. Cada restricción, cada dato, cada campo JSON es una línea del programa que le estás diciendo que ejecute. Sin cruces. Sin libertad creativa (eso es lo que genera genéricos).
Si armaste prompts que funcionan y quieren reutilizarlos sin volver a escribir desde cero, hay un pack que incluye exactamente lo que usamos en ese test de 71 prospectos. Cada prompt viene con ejemplos reales de salida, y funciona en Claude, ChatGPT, Gemini o cualquier API. Está disponible como referencia si querés acelerador: https://autosites.vercel.app/g/sidera-prompt-pack-v1-es
Pero el principio es el mismo sin eso: estructura restrictiva, datos concretos, salida parseable. Eso es lo que mata los genéricos.
Want the ready-to-use pack instead of building this yourself? → https://autosites.vercel.app/g/sidera-prompt-pack-v1-es
Top comments (0)