Chatbots

Qué incluye el servicio

Diseñamos y montamos chatbots para ventas y soporte: desarrollamos los guiones de diálogo, escribimos la lógica de procesamiento de las consultas, conectamos las fuentes de datos del cliente y publicamos el bot en Telegram, en el sitio o en los mensajeros. Primero analizamos las consultas reales del cliente, identificamos las preguntas y las ventas recurrentes, y luego las convertimos en un árbol de guiones y un conjunto de respuestas basadas en sus datos, no en plantillas abstractas. Conectamos el bot al CRM para que los leads y el historial de conversación lleguen a las fichas de forma automática, sin traspaso manual. Si en el circuito hay equipos del cliente, escribimos para ellos la parte de software y configuramos el intercambio de datos, pero el dispositivo en sí sigue siendo suyo y funciona de su lado. Como resultado obtiene un sistema operativo con documentación de los guiones y los accesos, no un script puntual que nadie pueda mantener.

Cómo funciona en esencia

El bot recibe un mensaje, determina la intención del usuario y elige una rama: responder con un guion predefinido, recuperar datos de la base o derivar la pregunta a un modelo de lenguaje. Los casos simples y frecuentes se resuelven con reglas estrictas, porque son predecibles y más baratos de operar, mientras que las formulaciones libres y las consultas atípicas pasan a un LLM con un contexto predefinido sobre su producto. Entre estas capas hay un orquestador sobre n8n que conecta la API de Telegram, la base de conocimiento, el CRM y el modelo en un único flujo y decide a dónde dirigir cada consulta. Todas las solicitudes se registran, así que se ve dónde respondió el bot por sí mismo, dónde lo pasó a un operador y dónde se equivocó, y esos datos los usamos para mejorar los guiones. Este esquema da control sobre las respuestas: los chatbots no fantasean donde hay una norma exacta y solo recurren al modelo donde de verdad hace falta.

De dónde vienen los chatbots

El primer programa de este tipo se considera ELIZA, que Joseph Weizenbaum creó en el Instituto Tecnológico de Massachusetts en 1966; su guion DOCTOR imitaba las réplicas de un psicoterapeuta mediante la sustitución de plantillas, aunque la máquina no comprendía el sentido del diálogo. En 1972 el psiquiatra Kenneth Colby escribió PARRY, que modelaba el habla de un paciente, y en 1995 Richard Wallace publicó A.L.I.C.E. con una gran base de reglas del tipo «patrón - respuesta». En 2001 apareció SmarterChild, de ActiveBuddy, que funcionaba directamente dentro de AOL Instant Messenger y MSN Messenger y fue el primero en mostrar chatbots en mensajeros masivos. Todos estos sistemas seguían siendo guionizados: comparaban patrones y no construían la respuesta por su sentido. El cambio llegó con los modelos de lenguaje: el lanzamiento de ChatGPT el 30 de noviembre de 2022 puso las respuestas generativas al alcance del mercado masivo y definió el formato actual del servicio.

Por qué importa una configuración precisa

El bot habla en nombre de la empresa, por eso el coste de un error en la lógica es un lead perdido o una respuesta equivocada al cliente, no solo un fallo de código. Un modelo de lenguaje sin marcos estrictos tiende a inventar hechos, precios y condiciones, y eso se elimina no con magia sino con ingeniería: guiones precisos, verificación de las respuestas contra la base de datos y limitación del modelo solo al contexto permitido. La calidad del resultado la define no el hecho de conectar una red neuronal, sino la precisión del montaje: cómo se describen las intenciones, cómo se separan las ramas, cómo se procesan los casos vacíos y ambiguos. El mismo principio rige cuando preparamos el programa para el equipamiento del cliente: la máquina corta, suelda o imprime según el programa de control, y del resultado sobre el metal depende su corrección, no una interfaz bonita. Por eso el grueso del trabajo está en la parte de software y su depuración, no en conectar una API ya hecha en un par de clics.

Nuestro stack y herramientas

El armazón del bot en el mensajero lo construimos sobre la Telegram Bot API: es la interfaz oficial para recibir mensajes, enviar respuestas, botones y webhooks. El nexo de unión es n8n, una plataforma abierta de automatización donde, a partir de nodos, se monta un flujo: llegó la consulta, se comprobó en la base, si hizo falta se recurrió al modelo, se registró el resultado en el CRM. Del diálogo libre y la comprensión de las formulaciones se encarga el LLM, al que le damos contexto sobre el producto y reglas de comportamiento para que las respuestas se apoyen en sus datos y no en información general del entrenamiento. Las integraciones con el CRM (traspaso de leads, estados e historial de conversación) cierran el circuito para que la conversación se convierta en operaciones registradas y no se quede en el chat. El stack lo elegimos según la tarea: si el cliente ya tiene equipos o un sistema propio, escribimos la capa de software para él y configuramos el intercambio, sin imponer un reemplazo.

Cuándo aparecieron las herramientas clave

La Telegram Bot API se abrió el 24 de junio de 2015, y justo a partir de ese momento se hizo posible crear chatbots de forma masiva directamente dentro del mensajero, sin aplicaciones aparte. La ola actual de modelos de lenguaje la inició el artículo de Google «Attention Is All You Need» de 2017, que describió la arquitectura del transformer sobre la que se construyen los LLM actuales. Sobre su base, OpenAI lanzó GPT-1 en 2018 y GPT-3 con 175 000 millones de parámetros el 28 de mayo de 2020, y el ChatGPT público salió el 30 de noviembre de 2022. La plataforma de automatización n8n, que usamos como orquestador, surgió como proyecto abierto: la primera versión se publicó en GitHub el 23 de junio de 2019 de la mano de Jan Oberhauser en Berlín. Estas fechas muestran que todo el stack de trabajo se reunió literalmente en la última década, y su aplicación actual es una competencia de ingeniería aparte.

Por qué puede confiárnoslo

La experiencia total del equipo de desarrollo es de más de 45 años en TI, y no es una línea de marketing, sino tropiezos acumulados en integraciones, colas de errores y mantenimiento de sistemas en producción. Abordamos el bot como un problema de ingeniería: fijamos los requisitos, analizamos los datos del cliente, diseñamos los guiones y comprobamos el comportamiento en un entorno de testing antes del lanzamiento en producción, en lugar de soltar algo crudo en un chat real. Antes de arrancar recorremos los escenarios típicos y los casos límite, revisamos los logs y cerramos los puntos donde el modelo podría dar una imprecisión. Mantenemos con honestidad el marco de nuestro papel: escribimos programas y configuramos el equipamiento del cliente, que corta, suelda, imprime o transporta de su lado, y respondemos por el software y la configuración, no por lo que físicamente no hacemos. Este enfoque da un resultado predecible y un sistema que luego se puede desarrollar, en lugar de reescribir desde cero.