Búsqueda de personas con IA y Jev: filtra candidatos por tu ICP antes de pagar por buscar emails

La búsqueda de personas con IA consiste en que un agente convierta un encargo en lenguaje natural, como “responsables de marketing en empresas de software Serie A de Norteamérica”, en una lista de personas con nombre, cargo y empresa. La lista nunca sale limpia: la búsqueda devuelve cargos parecidos, empresas fuera de tu rango de tamaño, regiones donde no vendes y perfiles desactualizados. Si cada fila va directa a un buscador de emails de trabajo, pagas búsquedas de personas a las que nunca contactarás, y contactos que no encajan llegan a tu herramienta de outreach. El orden más barato es filtrar y luego enriquecer. El agente busca; Jev responde unas pocas preguntas cortas y tipadas sobre cada candidato frente a tu perfil de cliente ideal (ICP); solo los que pasan van a una herramienta de lead enrichment como Treg para buscar y verificar el email. Jev no navega, no busca ni encuentra emails. Es una capa de juicio solo de texto: lee los campos que envías y devuelve probabilidades, de modo que el paso de pago solo ve filas que ya quieres. Este es el patrón “jev people search” de principio a fin, y encaja junto al lead scoring para leads entrantes y al agent routing para agentes de varios pasos.

Divide el ICP en tres preguntas en lugar de un prompt largo. Una pregunta Noul toma la decisión de conservar o descartar (¿encaja esta persona?). Un Score de 2 a 10 niveles ordenados mide lo cerca que está la persona de quien controla el presupuesto. Un Choice de 2 a 12 opciones nombra el motivo principal por el que un candidato no pasa, e incluye siempre una opción unclear para que los perfiles escasos tengan un destino honesto. El motivo compensa la pregunta extra: si la mayoría de rechazos vuelve como wrong_company_size, corrige el encargo de búsqueda en lugar de pagar cada día por rechazar las mismas filas. Pon en state solo los campos que necesita la decisión: cargo, empresa, rango de tamaño, sector, región y un resumen de perfil de una línea. Deja fuera emails, teléfonos, notas y cualquier dato sensible, y nunca preguntes por edad, género, etnia u otros rasgos protegidos. El state debe caber en 8.000 caracteres, una petición puede hacer de 1 a 8 preguntas, y los IDs de pregunta empiezan por minúscula y solo usan minúsculas, dígitos y guiones bajos. El bloque de abajo es un ejemplo de ICP para copiar: un candidato como state, las tres preguntas, una respuesta ilustrativa y cuatro candidatos de prueba con el resultado esperado. El Jev Playground público en jevmodel.app/jev-playground permite probar los ejemplos integrados sin cuenta (3 ejecuciones por día UTC); para ejecutar estas tres preguntas tal cual, inicia sesión, abre Console → Playground, pega el state y añade las preguntas, o envía el mismo cuerpo a la API.

// Copy-paste ICP screen. POST https://jevmodel.app/api/v1/systemone
// Header: Authorization: Bearer <JEVMODEL_API_KEY>  (key from a verified-email account)
{
  "state": {
    "title": "Head of Growth Marketing",
    "company": "Example Analytics Inc.",
    "company_size": "120 employees",
    "industry": "B2B SaaS, product analytics",
    "region": "Toronto, Canada",
    "summary": "Runs paid acquisition and lifecycle email; reports to the CEO."
  },
  "questions": {
    "icp_fit": {
      "type": "noul",
      "instructions": "Does this person match our ICP: someone who owns or directly influences the marketing budget at a B2B software company with 50-500 employees in the US or Canada?",
      "criteria": {
        "true": "Owns or directly influences marketing spend at a B2B software company of 50-500 people in the US or Canada.",
        "false": "Wrong role, company type, size or region, or not enough information to tell."
      }
    },
    "buying_power": {
      "type": "score",
      "instructions": "Rate how close this person is to the marketing budget decision.",
      "criteria": [
        "Individual contributor with no budget",
        "Manages one marketing channel",
        "Leads a marketing function",
        "VP, CMO or founder who signs marketing spend"
      ]
    },
    "reject_reason": {
      "type": "choice",
      "instructions": "What is the main reason this person does or does not fit the ICP above?",
      "criteria": {
        "fit": "Matches role, company type, size and region.",
        "wrong_role": "Not in marketing or has no say over marketing spend.",
        "wrong_company_size": "Company is outside 50-500 employees.",
        "wrong_industry": "Company is not a B2B software business.",
        "wrong_region": "Based outside the US and Canada.",
        "unclear": "The profile does not give enough information to decide."
      }
    }
  }
}

// Illustrative response shape (example values, not measurements):
// { "code": 0, "data": { "answers": {
//   "icp_fit":       { "noul": 0.9 },
//   "buying_power":  { "score": ... },   // check the returned scale on real responses
//   "reject_reason": { "choice": "fit", "probabilities": { "fit": 0.86, ... } } } } }

// Four test candidates (one request each) and the outcome to expect:
// 1. Head of Growth Marketing, 120-person B2B SaaS, Toronto    -> keep (fit)
// 2. Marketing intern, 120-person B2B SaaS, Austin             -> drop (wrong_role)
// 3. CMO, 8,000-person retail bank, New York                   -> drop (wrong_company_size / wrong_industry)
// 4. VP Marketing, 200-person B2B software company, Berlin     -> drop (wrong_region)

Envía una petición por candidato con las mismas tres preguntas y aplica los umbrales en tu propio código. El script de abajo lee candidates.json (un array de objetos con la forma del state anterior) e icp-questions.json (el objeto questions del Paso 1), llama a la API, conserva las filas donde icp_fit es al menos 0,8 y el motivo es fit, y manda las filas unclear o dudosas a un archivo de revisión en lugar de adivinar. El umbral 0,8 es provisional: elige el tuyo con una muestra etiquetada, como explica la guía de evaluación. Cada llamada es una petición normal a la API cobrada en tokens, así que el filtro cuesta lo mismo por fila pase o no la persona; las cuentas verificadas empiezan con 100.000 tokens gratis y las ejecuciones fallidas se reembolsan. La API no tiene clave de idempotencia, así que registra qué filas ya tienen respuesta antes de reintentar tras un error de red. Si prefieres no programar, Console → Batch ejecuta las mismas preguntas sobre una lista CSV o JSONL: hasta 50 filas por lote antes de cualquier compra y hasta 1.000 después.

// screen.mjs  (Node 18+: built-in fetch)
// Usage: JEVMODEL_API_KEY=... node screen.mjs
import { readFileSync, writeFileSync } from 'node:fs';

const candidates = JSON.parse(readFileSync('candidates.json', 'utf8'));
const questions = JSON.parse(readFileSync('icp-questions.json', 'utf8'));
const FIT_THRESHOLD = 0.8; // placeholder: set it from a labeled sample

const shortlist = [];
const review = [];

for (const person of candidates) {
  const res = await fetch('https://jevmodel.app/api/v1/systemone', {
    method: 'POST',
    headers: {
      Authorization: 'Bearer ' + process.env.JEVMODEL_API_KEY,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({ state: person, questions }),
  });
  const json = await res.json();
  if (json.code !== 0) {
    review.push({ person, error: json });
    continue;
  }
  const a = json.data.answers;
  const fit = a.icp_fit.noul; // probability that the candidate fits
  const reason = a.reject_reason.choice;
  if (fit >= FIT_THRESHOLD && reason === 'fit') {
    shortlist.push({ ...person, fit, buying_power: a.buying_power.score });
  } else if (reason === 'unclear' || (fit > 0.4 && fit < FIT_THRESHOLD)) {
    review.push({ person, fit, reason });
  }
  // everything else is a confident reject: no paid lookup
}

writeFileSync('shortlist.json', JSON.stringify(shortlist, null, 2));
writeFileSync('review.json', JSON.stringify(review, null, 2));
console.log('shortlist', shortlist.length, 'review', review.length, 'of', candidates.length);

Treg describe su búsqueda de personas como lead enrichment para agentes: un token y una CLI delante de muchos proveedores de datos, con pago por llamada. El agente elige un proveedor del catálogo o llama a un endpoint enrutado, donde Treg elige el proveedor y lo nombra. Llamas al servicio alojado en treg.to; esta guía no cubre ejecutar Treg por tu cuenta. Según el README de Treg, el agente instala la CLI, inicia sesión, busca una capacidad en el catálogo, lee su schema y la llama; encontrar emails de trabajo es una capacidad enrutada (treg.people.email.find) y la verificación es un paso aparte que se cobra por separado. Treg afirma que buscar un email desde la URL de un perfil de LinkedIn cuesta desde $0,0005 por llamada y que no cobra si no lo encuentra, por eso se le busca a menudo como linkedin email finder; revisa su lista de precios antes de presupuestar, porque varían según la ruta. Treg también dice que las cuentas nuevas verificadas reciben una vez $1,00 de crédito gratis al crear un equipo elegible. Pásale solo shortlist.json. Las filas de review.json esperan a una persona y los rechazos seguros nunca llegan a una búsqueda de pago. Guarda las respuestas de Jev junto a cada contacto para ver después si los de buying_power alto respondieron de verdad. El repositorio de Treg se publica bajo Apache 2.0 con términos adicionales; Treg dice que llamar a la API alojada de treg.to está permitido. JevModel no está afiliado a Treg.

# Treg CLI, as documented in Treg's README (hosted service at treg.to)
curl -fsSL https://treg.to/install.sh | sh
treg login
treg catalog search "find a work email"
treg catalog get treg.people.email.find   # read the input schema before calling
treg balance

# Pass only the rows in shortlist.json produced in Step 2.
# Rows in review.json go to a person; confident rejects are never looked up.
# Verification is a separate, separately billed step in Treg's docs.

Quien busca alternativas a Clay (clay alternatives) o una alternativa a Apollo (apollo alternative) suele querer dos cosas: menor coste por contacto y menos tiempo con contactos que nunca encajan. La tabla compara tres formas de crear una lista; describe compromisos, no un benchmark. En precio de proveedor, las únicas cifras públicas aquí son las de Treg: en una prueba que Treg publicó, los mismos 100 leads (nombre más dominio de empresa) pasaron por cinco herramientas de email de trabajo y se cotejaron con la dirección publicada de cada empresa. Treg informa de 92 emails correctos por $0,53, Clay 84 por unos $3,35, Apollo 77 por unos $2,24, Deepline 80 por $2,74 y Hunter 84 por $2,21, es decir $0,58 por cada 100 emails correctos para Treg frente a $3,77 para Clay, de ahí su afirmación de “85% más barato que Clay”. Son cifras de un proveedor sobre su propia prueba; Jev no participó y tu lista dará otros resultados. Filtrar primero baja el coste con cualquier proveedor de enrichment, porque menos filas llegan al paso de pago.

Antes de confiar en el filtro, etiqueta 100–200 candidatos de tus propias búsquedas como encaja o no encaja, ejecuta las tres preguntas y mira cuántos que sí encajan quedan por debajo del umbral y cuántos que no encajan pasan. Luego sigue un solo número de principio a fin: gasto total (tokens de Jev más búsquedas más verificación) dividido entre contactos que están en tu ICP y tienen email verificado. Treg publica un recibo de una ejecución de este tipo, con fecha 2026-09-23: listó 50 empresas de software Serie A, dejó que Jev conservara las 27 que encajaban con el ICP, identificó al responsable de marketing de cada una y luego encontró y verificó emails de trabajo, con 20 emails verificados por $0,58 en total, o $0,029 por resultado útil, y cada fallo liquidado a $0,00. Es la ejecución publicada por Treg, no una medición de JevModel. Sobre calidad de búsqueda, Treg informa que en el People Search Bench de LessieAI las tareas de prospección B2B se resolvieron bien un 43% de las veces con Claude Code solo y un 78,2% con Treg. Lo que importa es tu propia muestra etiquetada.

Úsalo cuando un agente crea listas a escala, el ICP se puede escribir en pocas frases y el paso de enrichment cuesta dinero por fila. No lo uses para un puñado de cuentas concretas, donde leer cada perfil tú mismo es más rápido. Mantén el filtro estrecho: juzga cargo, empresa, tamaño, sector y región a partir de datos profesionales, nunca de rasgos protegidos, y no envíes emails personales ni teléfonos a Jev, porque no los necesita. Sigue las normas de privacidad y de outreach que apliquen donde viven tus contactos. Jev es solo de texto y no es de código abierto; JevModel siempre llama al modelo Jev a través de su propia API, así que no hay campo model que configurar. La sección Crecimiento de jevmodel.app/use-cases tiene ejemplos de cualificación de leads, y jevmodel.app/jev-api recoge los límites de las peticiones. JevModel es un sitio independiente y no está afiliado a TypeSafe AI, que desarrolla Jev, ni a Treg.