Cómo implementar un agente de IA en WhatsApp sin romper la operación

WhatsApp es el canal donde más se pierde tiempo en la mayoría de los negocios que vemos. La paradoja: es también donde la IA tiene más impacto, y donde más fácil se rompe la experiencia si la implementación va por mal camino.

Qué no hacer

El reflejo común es construir un bot con menú: "1 para ventas, 2 para soporte". La cliente lo odia, el equipo lo desactiva en una semana.

El segundo reflejo es construir un agente que respeta poco: responde demasiado largo, fuera de tono, sin recordar lo que dijo hace dos mensajes. Termina siendo un ChatGPT genérico atendiendo en español.

Lo que sí funciona

Tres principios que usamos en todas las implementaciones:

1. El agente arranca ya con tu tono y tus reglas. Cargás 10–20 ejemplos de conversaciones reales bien resueltas. Eso vale más que cualquier prompt largo.
2. Califica antes de derivar. Si el lead no califica, lo dice cortés. Si califica, abre el ticket en el CRM con contexto y derivás al humano con todo masticado.
3. Hay un botón de salida explícito. "¿Querés que te pase con alguien del equipo?" siempre disponible. Sin esa puerta, el agente se vuelve una trampa.

Stack mínimo

• WhatsApp Business API (no whatsapp-web.js para producción — bloquean cuentas).
• OpenAI o Anthropic para el LLM. Modelos open-source si la data es sensible.
• Tu CRM o una planilla como destino estructurado.
• Google Calendar API si agendás turnos.

Todo lo demás (orquestación, base de conocimiento, memoria) es código propio, no SaaS. Las herramientas tipo "agente todo-en-uno" suelen costar más que armarlo y se rompen al primer ajuste serio.

Métricas que importan

• Tiempo de primera respuesta: bajar de minutos a segundos.
• % de tickets resueltos sin intervención humana: arranca en 30–40%, crece a 60% en dos meses.
• NPS post-conversación: si baja, hay algo mal en el tono.

Si la métrica que mirás es "cantidad de mensajes procesados", estás midiendo lo que el agente hace, no lo que aporta. Mide outcomes, no actividad.