OpenGTM
OpenGTM es un motor de datos GTM open-source auto-alojable que reemplaza a soluciones como Clay. Ofrece sourcing de leads, enriquecimiento mediante cascadas de proveedores, investigación con IA, señales de compra y automatización outbound.
Ficha actualizada 22 sept 2026, 16:29 · upstream 21 sept 2026, 18:16 · release sin release detectada
Qué es OpenGTM
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
OpenGTM es una plataforma auto-alojable diseñada para la ingeniería de datos GTM, ofreciendo un reemplazo open-source para herramientas como Clay. Su arquitectura centraliza el sourcing de leads, enriquecimiento mediante cascadas de proveedores ordenadas por coste, investigación con IA y detección de señales de compra en un único espacio de trabajo. A diferencia de las soluciones alojadas que funcionan como "cajas negras", OpenGTM permite a los usuarios gestionar sus propias claves API para proveedores de datos (email, teléfono, firma) y mantiene los datos en su infraestructura local, garantizando la soberanía de los datos.
La plataforma incluye un motor de trabajo similar al estilo Clay con hojas de cálculo virtuales, columnas HTTP, lógica condicional y transformaciones de IA. Soporta bucles de audiencia y señales con actualizaciones programadas, eventos de entrada/salida y reintentos duraderos. Además, facilita la activación de datos hacia CRMs como HubSpot o Salesforce, así como a herramientas de outreach como Instantly, mediante webhooks o integraciones nativas.
Para la integración con agentes de IA, OpenGTM proporciona un servidor MCP (Model Context Protocol) autenticado que permite a clientes como Claude Code, Cursor o Codex inspeccionar datos del pipeline y ejecutar acciones GTM aprobadas sin necesidad de interactuar con la interfaz gráfica. La arquitectura se basa en FastAPI para el backend, React para el frontend y utiliza PostgreSQL para almacenamiento persistente junto con Redis para el progreso en tiempo real y colas de trabajo escalables.
- Sourcing y enriquecimiento de listas de leads mediante cascadas de proveedores ordenadas por coste.
- Investigación cualitativa profunda sobre empresas o personas utilizando agentes de IA con citas verificables.
- Detección automática de señales de compra (buying signals) para priorizar oportunidades de venta.
- Automatización de outreach outbound hacia múltiples canales (email, LinkedIn, webhooks).
- Alimentación de CRMs y bases de datos publicitarias mediante activación controlada por consentimiento.
- Integración con agentes de IA locales o remotos a través del protocolo MCP para flujos de trabajo autónomos.
- Soberanía de datos: Los datos residen en la infraestructura local y las claves API son gestionadas por el usuario.
- Arquitectura escalable: Diseño con colas de trabajo duraderas, workers horizontales y Redis para progreso en tiempo real.
- Integración MCP nativa: Servidor autenticado compatible con agentes de IA modernos (Claude, Cursor, Codex).
- Control de costes: Visibilidad del gasto estimado antes de ejecutar procesos de enriquecimiento masivo.
- Licencia AGPL-3.0: Permite uso interno y auto-alojamiento sin restricciones comerciales para el usuario final.
- Portabilidad: Instalación sencilla vía Docker Compose o script de instalación one-command.
- Estado Beta: Algunas funcionalidades están en fase beta y pueden cambiar hasta que se demuestre evidencia de flujos de trabajo controlados.
- Dependencia de Proveedores: La calidad del enriquecimiento depende de la disponibilidad y fiabilidad de los proveedores externos conectados.
- Requisitos de Hardware: Necesita al menos 4 núcleos CPU, 8 GB de RAM y 30 GB de disco para un despliegue estándar.
- Complejidad Técnica: Requiere conocimientos de Docker y gestión de entornos para configuraciones avanzadas o producción.
- Licencia AGPL: El uso comercial público requiere hacer disponible el código fuente modificado si se ofrece como servicio a usuarios externos.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requiere Git, Docker y Docker Compose v2. Se recomienda usar el instalador one-command para generar secretos únicos o configurar manualmente .env con contraseñas seguras antes de iniciar. Para producción, habilitar PostgreSQL RLS, tokens scoped, límites de gasto y auditoría de historial es obligatorio. Los datos persistentes deben almacenarse en Docker volumes dentro de ./data. Verificar la lista de comprobación de producción antes de exponer al tráfico externo.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.