El demo es siempre impresionante. El asistente responde con fluidez, entiende el contexto, sabe el precio del producto. Lo que nadie muestra en el demo es lo que pasa el martes siguiente, cuando un cliente escribe algo raro o el sistema recibe una pregunta que no estaba en el guión. Ese momento — después del demo — es el que importa.
No es ChatGPT conectado a tu WhatsApp
Un error común: asumir que un chatbot de IA es un modelo de lenguaje genérico al que le pegas un número de teléfono. Lo que en realidad ocurre es distinto. El modelo de lenguaje es el motor — procesa el texto y genera respuestas coherentes. Pero por sí solo no sabe quién eres, qué vendes, cuáles son tus precios ni cómo opera tu empresa.
Lo que convierte ese motor en un sistema funcional para tu negocio es la capa de instrucciones y contexto que se construye alrededor: reglas, información de la empresa, flujos de conversación y límites claros sobre qué puede y qué no puede hacer el sistema. Sin esa capa, el modelo es técnicamente capaz pero operativamente inútil para tu giro específico.
Cómo se configura con tu operación
No hay "entrenamiento" en el sentido que la mayoría imagina. El sistema no aprende de cero como si fuera un modelo nuevo. Lo que ocurre es más parecido a la incorporación de un empleado nuevo: le das acceso a la información relevante y le explicas cómo debe comportarse.
En la práctica, esto significa definir tres cosas: qué sabe el sistema (precios, catálogo, horarios, políticas, respuestas a preguntas frecuentes), cómo responde (tono, límites, cuándo escalar a una persona), y qué flujos sigue (cómo agenda una cita, cómo captura un pedido, cómo califica un lead).
El proceso de configuración toma días, no semanas. Y la mayor parte del tiempo no la ocupa la tecnología — la ocupa definir con claridad cómo opera tu negocio. Eso es algo que muchos equipos no tienen sistematizado todavía, y el proceso de implementación lo hace visible.
Qué pasa en producción
La primera semana en operación es la más reveladora. El sistema responde la mayoría de los casos correctamente, pero aparecen los bordes: clientes que escriben de forma que nadie anticipó, preguntas fuera del alcance definido, situaciones donde el flujo no era tan claro como parecía en papel.
Esto es normal y esperado. El ajuste inicial — los primeros 15 a 30 días — es donde el sistema pasa de funcional a eficiente. Se refinan las instrucciones, se cubren los casos no previstos y se calibra cuándo el sistema debe escalar a una persona. En operaciones como clínicas, ese ajuste suele concentrarse en los casos de urgencia y en cómo el sistema los reconoce.
Lo que sí ocurre desde el primer día: los mensajes fuera de horario tienen respuesta, las preguntas repetitivas dejan de consumir tiempo del equipo y el registro de interacciones empieza a acumularse de forma ordenada.
Qué tipo de preguntas no puede responder
La distinción es directa: el sistema maneja bien las preguntas con respuesta predecible, los flujos con pocos pasos y la información que no cambia con frecuencia. No maneja bien las situaciones donde la respuesta correcta depende de contexto que el sistema no tiene — una negociación, una queja compleja, una decisión que requiere criterio sobre información que cambia en tiempo real.
El diseño correcto no intenta que el sistema maneje todo. Intenta que maneje lo que puede manejar bien — y que escale el resto con contexto completo, no sin él. Un sistema que escala bien es más valioso que uno que intenta resolver todo y lo hace mal.
Antes de instalar algo, instala claridad
Los proyectos de automatización no fallan por la tecnología. Fallan por los supuestos. Cuando alguien imagina que el sistema va a entenderlo todo o a sustituir completamente al equipo, el resultado es decepción.
Lo que sí es realista esperar: un sistema que responde el 70 al 80 por ciento de las conversaciones sin intervención humana, que captura datos sin errores de transcripción, que opera fuera de horario y que escala lo que no puede manejar con el contexto completo de la conversación. Eso, en la mayoría de las operaciones que hemos implementado, es suficiente para cambiar la carga de trabajo del equipo de forma perceptible y medible.