Cómo Funciona Nuestro Chatbot: 4 Agentes de IA, un Solo Cerebro (lo Construimos Nosotros)

Cuando un visitante chatea en nuestro sitio, cuando un cliente reporta una falla en el portal de soporte, o cuando alguien nos escribe —o nos manda un audio— por WhatsApp, del otro lado responde inteligencia artificial. Pero no son cuatro chatbots comprados a cuatro proveedores: son cuatro agentes que construimos nosotros, corriendo sobre un solo cerebro. Este artículo abre el cofre: cómo está armado, qué decisiones lo hicieron funcionar y por qué lo contamos.

Los cuatro agentes (y qué hace cada uno)

• El asesor de ventas del sitio. Atiende a los visitantes de scram2k.com con metodología comercial real (SPIN): primero entiende la situación y el problema, después propone. No recita catálogo — califica la necesidad y agenda el siguiente paso.
• El agente de soporte público. En el portal de soporte cambia de personalidad: diagnostica con flujos guiados, resuelve las preguntas frecuentes al instante y, cuando el problema lo requiere, crea el ticket directamente en nuestra mesa de ayuda — el cliente no repite su historia dos veces.
• El agente interno de nivel 3. Nuestro equipo tiene su propia versión con permisos elevados: consulta ventas, clientes y tendencias contra el ERP en vivo, arma cotizaciones y pedidos, y crea tareas. Cada acción que escribe algo pide confirmación explícita antes de ejecutarse.
• El SDR de WhatsApp con voz. Responde por WhatsApp en texto y también en voz: recibe tu audio, lo entiende, razona la respuesta y puede contestarla hablada. Y cuando la conversación necesita a una persona, la pasa a una persona.

El truco no está en los bots: está en que comparten cerebro

Los cuatro corren sobre el mismo módulo de nuestra plataforma. La "personalidad" de cada uno es una identidad intercambiable que se elige según de dónde viene la conversación — el motor, el conocimiento y las reglas son los mismos. Eso significa tres cosas que un chatbot comprado por canal no te da:

• Memoria compartida. Cada conversación queda registrada en nuestro CRM como actividad del contacto. Si preguntaste por cámaras en el sitio web y una semana después escribes por WhatsApp, el sistema ya lo sabe.
• Conocimiento único. La base de conocimiento vive una sola vez (en nuestra propia base de datos, con búsqueda semántica). Corregirla ahí la corrige en los cuatro agentes a la vez.
• Datos reales, no inventados. Cuando el agente interno responde "¿cuánto le hemos vendido a este cliente?", no adivina: ejecuta una herramienta que consulta el ERP en ese momento. La IA decide qué consultar; el sistema garantiza que el número sea el verdadero.

Las tres reglas que nos costaron aprender

Esto no salió bien a la primera. Tres reglas, pagadas con errores propios, sostienen todo:

• Lo que se puede decidir en código, no se le pregunta a la IA. Permisos, precios, validaciones y candados viven en el sistema, no en las instrucciones del modelo. El modelo conversa y razona; las reglas de negocio no se negocian con él.
• Escribir exige doble confirmación. Crear una cotización, un pedido o una tarea requiere que el agente muestre exactamente qué va a hacer y que el usuario confirme en el siguiente turno. Después, el sistema verifica que lo escrito realmente se escribió.
• Al bot también se le audita. Un segundo modelo —un "juez"— califica la calidad de las conversaciones contra nuestros criterios, y a ese juez lo estamos calibrando contra evaluaciones humanas. Medir al que mide: sin eso, "el bot funciona bien" es solo una sensación.

Nosotros construimos — y con qué

Este sistema no es una licencia de software con nuestro logo. Lo desarrolló nuestro equipo, y las herramientas con las que lo construimos también son nuestras: servidores MCP propios (el estándar abierto que conecta modelos de IA con fuentes de datos), skills propias que empaquetan nuestros procedimientos para que los agentes de desarrollo los ejecuten igual cada vez, y agentes especializados de revisión y despliegue que trabajan en paralelo sobre el código. Hasta operamos nuestra propia instancia en español de MiroFish, un motor de simulación que crea mundos paralelos con miles o millones de agentes para ensayar una decisión de negocio antes de tomarla.

¿Por qué presumirlo? Porque en Latinoamérica casi todo el discurso de IA es de importación: plataformas de afuera, casos de afuera. Nosotros creemos que la región puede construir, no solo consumir — y la mejor forma de sostenerlo es enseñar el sistema propio funcionando en producción, con sus reglas y sus cicatrices.

Qué significa esto para tu empresa

Todo lo que describe este artículo —agentes conectados a los sistemas reales, candados en código, confirmaciones, auditoría de calidad— es exactamente lo que aplicamos cuando integramos IA en la operación de un cliente. No empezamos por la herramienta: empezamos por el proceso que duele, le ponemos una métrica y construimos el agente dentro del sistema donde tu equipo ya trabaja.

¿Quieres ver esto funcionando? Abre el chat de este sitio y pregúntale algo difícil. Y si quieres un agente así dentro de tu operación, ese chat también sabe agendar la llamada.

Sigue leyendo

• Agentes IA en Empresas Mexicanas: Qué Hacen Realmente y Cómo Empezar
• 95% de los Pilotos de IA No Dan Resultados Medibles (y Cómo se Hace uno que Sí)
• API REST para tu ERP: Cómo Conectar Sistemas que No se Hablan