Agentes de IA en WhatsApp: cómo implementarlos en tu empresa

Un agente de IA en WhatsApp bien hecho atiende a cientos de clientes simultáneamente, califica leads, agenda reuniones y vende productos sin intervención humana. Mal hecho, alucina precios, promete lo que no se puede cumplir y tira la reputación del número. Esta guía cubre cómo implementarlo en serio.

Componentes mínimos

• →Canal: WhatsApp Cloud API (Meta) o un BSP.
• →Orquestador: n8n, una Edge Function o un servicio Node/Bun.
• →Modelo: GPT-4o, Claude 3.5, Gemini 1.5 o uno open-source vía Lovable AI Gateway.
• →Memoria: Postgres/Supabase para historial y contexto del cliente.
• →Base de conocimiento: vector store (Supabase pgvector, Pinecone) con tus PDFs, FAQs y catálogo.
• →CRM: HubSpot, GoHighLevel, Pipedrive o uno propio.

Prompt system: la diferencia entre un bot útil y uno peligroso

El system prompt define la personalidad, alcance y reglas duras. Debe incluir: quién eres, qué puedes y qué no puedes hacer, cómo manejar precios (siempre desde la base, nunca improvisar), cuándo escalar a humano y cómo responder ante intentos de jailbreak.

Eres "Lía", asistente de [Empresa].
Reglas duras:
- Nunca inventes precios. Consulta la herramienta get_price.
- Si el usuario pide algo fuera del catálogo, deriva a humano con la herramienta handoff.
- Responde en el idioma del usuario.
- Máximo 3 frases por mensaje.
- Si detectas urgencia médica/legal, responde solo "Te conecto con un humano" y dispara handoff.

Tool calling: el agente debe consultar, no inventar

El modelo nunca debe responder precios, stock o disponibilidad de su 'memoria'. Debe llamar a herramientas (functions) que consultan tu base de datos en tiempo real. Esto elimina alucinaciones críticas y mantiene una sola fuente de verdad.

Memoria y RAG

Guarda los últimos 10-20 mensajes por usuario en Postgres y embebelos cuando aporten contexto. Para FAQs, políticas y catálogo extenso, indexa en pgvector y haz retrieval por similitud antes de responder. Esto baja el costo de tokens y mejora la precisión.

Handoff a humano

Define triggers explícitos: usuario pide humano, frustración detectada, valor del deal supera un umbral, o el agente no encuentra respuesta tras 2 intentos. El handoff debe pausar el bot para esa conversación y notificar al equipo en Slack o un panel propio.

Métricas que sí importan

• →Tasa de resolución sin humano (objetivo: >70% en atención básica).
• →Tiempo medio de primera respuesta (objetivo: <5 segundos).
• →Conversión a lead calificado o venta.
• →Costo por conversación (tokens + infra).
• →CSAT post-conversación (1-5).

Costos reales

Para un negocio con 3.000 conversaciones/mes y respuestas de 4-6 turnos, el costo típico está entre 60 y 180 USD/mes en tokens (GPT-4o-mini o Claude Haiku), más 10-30 USD de infraestructura. La inversión inicial de implementación bien hecha ronda los 1.500-5.000 USD según integraciones.

Errores que vemos todo el tiempo

• →Lanzar sin un panel para revisar conversaciones reales la primera semana.
• →No tener un kill switch para apagar el bot si hace algo raro.
• →Usar el modelo más caro 'por si acaso' cuando uno más barato resuelve igual.
• →Olvidar el cumplimiento: GDPR, LFPDPPP o LOPDGDD según el país del cliente.

Implementación llave en mano

En FALC implementamos agentes de IA en WhatsApp end-to-end: arquitectura, integración con tu CRM, panel de monitoreo y entrenamiento del equipo. Si quieres validar si tu caso encaja, escríbenos por WhatsApp.