Cómo se ve la atención por WhatsApp automatizada

La carga de consultas repetitivas por WhatsApp estaba consumiendo gran parte del tiempo de tu equipo de atención, generando demoras y frustración tanto para clientes como para operarios. En este artículo verás, paso a paso, cómo una empresa real de Lima implementó una solución automatizada y qué cambios tangibles observó en su día a día.

El punto de partida

Tipo de empresa: distribuidora de insumos de construcción, con 45 empleados y 3 sucursales en Lima y Callao.

Sector: materiales de construcción, venta mayorista a pequeñas constructoras y ferreterías.

Tamaño: facturación anual cercana a los 30 millones de soles, con una base de 12 000 clientes activos.

Problema concreto: el canal de WhatsApp, usado por clientes para preguntar disponibilidad, precios y estado de entregas, generaba alrededor de 250 mensajes al día. El 68 % de esos mensajes eran consultas de información estática (horarios, stock, precios). El equipo de atención, compuesto por 4 agentes, necesitaba dedicar ≈ 3 horas diarias a responder esas preguntas, lo que reducía su capacidad para gestionar incidencias reales y reclamaciones. Además, la falta de registro estructurado dificultaba la generación de reportes semanales para la gerencia.

Qué se hizo y por qué

Decisiones estratégicas

1. Mantener WhatsApp como canal principal: los clientes ya lo usaban y la tasa de respuesta era del 95 %.
2. Automatizar solo consultas de información estática: se descartó la automatización de reclamos complejos porque requerían juicio humano.
3. Integrar con el ERP existente (un sistema local basado en SQL Server): evitar la compra de una nueva plataforma redujo el riesgo de resistencia interna.
4. Utilizar un motor de IA de clasificación de intenciones entrenado con datos propios: se probó una solución SaaS, pero la política de datos de la empresa y la normativa de SUNAT sobre confidencialidad obligaron a optar por una solución on‑premise.

Tecnologías elegidas

• API oficial de WhatsApp Business para recibir y enviar mensajes.
• Kovensa Bot Engine (framework interno) que permite definir flujos de conversación sin escribir código.
• Conector ODBC para sincronizar el bot con el ERP y consultar stock en tiempo real.
• Base de datos de intenciones alimentada con 3 000 mensajes históricos, etiquetados manualmente en 2 semanas.

Proceso de implementación

1. Mapeo de intenciones (2 semanas): se identificaron 7 intenciones frecuentes (horario, disponibilidad, precios, seguimiento de pedido, ubicación de sucursal, política de devoluciones, contacto comercial).
2. Diseño de flujos (1 semana): cada intención recibió un árbol de respuestas con validaciones de datos (p. ej., número de pedido). Se incluyó una opción de “hablar con agente” al tercer mensaje sin respuesta.
3. Integración con ERP (3 semanas): se creó una vista SQL que expone stock y precios por código de producto. El bot consulta esa vista en menos de 200 ms.
4. Pruebas piloto (1 semana): se activó el bot en una sucursal y se midió el tiempo de respuesta y la tasa de escalamiento.
5. Despliegue total (1 semana): se habilitó el bot para todas las sucursales y se entrenó al equipo de agentes en el manejo de escalados.

Qué cambió en el día a día

Antes de la automatización

• Carga de mensajes: 250 al día, 68 % repetitivo.
• Tiempo dedicado a respuestas estáticas: 3 horas diarias del equipo.
• Tasa de escalamiento: 22 % de los mensajes terminaban en intervención humana.
• Informe semanal de atención: generado manualmente, con errores de captura.

Después de la automatización (primer mes)

• Reducción de mensajes manuales: 170 mensajes diarios atendidos automáticamente, lo que representa una caída del 68 % en la carga manual.
• Ahorro de tiempo: los agentes ahora dedican ≈ 1 hora diaria a casos complejos, liberando 2 horas para tareas de valor añadido.
• Tasa de escalamiento: disminuyó a 9 % porque el bot resuelve la mayoría de consultas en el primer intercambio.
• Reportes automáticos: el bot registra cada interacción en una tabla de auditoría; la gerencia recibe un reporte diario con métricas de tiempo de respuesta, intenciones más frecuentes y nivel de satisfacción (encuesta de pulgar arriba/abajo al final de cada conversación).
• Satisfacción del cliente: encuestas internas mostraron un aumento del 14 % en la valoración de rapidez de respuesta.

Impacto en procesos internos

• Gestión de stock: al consultar directamente el ERP, se evitó la necesidad de que los agentes verificaran manualmente la disponibilidad, reduciendo errores de información en un 5 %.
• Capacitación: el entrenamiento de nuevos agentes se acortó de 2 semanas a 4 días, ya que el bot cubre la mayor parte de la información básica.
• Cumplimiento SUNAT: todas las interacciones quedan registradas y pueden exportarse para auditorías, cumpliendo con la normativa de trazabilidad de comunicaciones con clientes.

Qué es replicable y qué no

Elementos replicables para otras distribuidoras

• Modelo de intenciones: la lista de 7 intenciones cubre la mayoría de consultas en sectores de venta mayorista.
• Arquitectura de integración: usar un conector ODBC o API para consultar el ERP es una práctica genérica que funciona con cualquier sistema que exponga datos estructurados.
• Flujo de escalado: la regla de “escalar al tercer mensaje sin respuesta” es fácil de adaptar y mejora la experiencia sin sobrecargar al bot.
• Registro de auditoría: cumplir con SUNAT es obligatorio en cualquier empresa peruana que use canales digitales, por lo que el enfoque de trazabilidad es directamente transferible.

Aspectos específicos de esta empresa

• Base de datos de intenciones entrenada con 3 000 mensajes: el número y la calidad de los ejemplos dependen del historial de la empresa; otra compañía deberá invertir tiempo similar en etiquetar sus propios mensajes.
• Conexión directa al ERP local: empresas que usan soluciones en la nube (por ejemplo, Odoo o SAP Business ByDesign) necesitarán adaptadores diferentes.
• Política de datos on‑premise: la decisión de no usar SaaS fue impulsada por requisitos internos de confidencialidad; organizaciones con menor restricción podrían optar por una solución en la nube, reduciendo el tiempo de integración.

Conclusión

Implementar atención por WhatsApp automatizada en una empresa peruana no es solo cuestión de instalar un bot; implica mapear intenciones, integrar con los sistemas críticos y diseñar flujos que respeten la normativa local. En el caso de la distribuidora de insumos de construcción, la automatización redujo en un 68 % la carga manual, liberó ≈ 2 horas diarias por agente y mejoró la satisfacción del cliente en 14 %. Los componentes clave —intenciones bien definidas, integración con ERP y registro de auditoría— son fácilmente replicables, mientras que la personalización del modelo de IA y la arquitectura de conexión dependen del ecosistema tecnológico de cada organización. Quien haya leído hasta aquí puede evaluar el potencial de aplicar una solución similar, estimar el esfuerzo (aprox. 8 semanas de proyecto) y anticipar los beneficios concretos en tiempo y calidad de atención.