Los consultores se ahogaban en los picos.
Una gran tienda online: consultores saturados con la selección rutinaria de productos y la educación del cliente; los picos llegan a 100–500 consultas por hora.
Desplegamos un agente de recomendación en un widget de Telegram con RAG sobre el catálogo de productos, integrado con el ERP del cliente y ejecutado en sus propios servidores. El agente hace preguntas aclaratorias y recomienda artículos del catálogo; cada respuesta se apoya en datos vivos del catálogo, así que recomienda lo que existe y nunca inventa un producto.
Las consultas rutinarias las cierra el agente y las complejas pasan a personas. Antes, las horas punta significaban cola en los consultores, la respuesta dependía de que alguien estuviera libre y el conocimiento del producto vivía en el catálogo y en las cabezas, no en el canal de ventas; ahora la respuesta llega al momento a cualquier hora, y el catálogo y el ERP son la fuente de cada recomendación.
Qué estorbaba
- ✗Picos de 100–500 solicitudes por hora
- ✗Los consultores gastaban su tiempo en la selección rutinaria de productos
- ✗El conocimiento vivía en el catálogo y en las cabezas, no en el canal de ventas
Qué hace el sistema
Selección de producto
El agente hace preguntas de precisión y recomienda artículos del catálogo.
Respuestas desde el catálogo
Búsqueda RAG sobre datos vivos: respuestas ancladas al catálogo, sin inventos.
Descarga del equipo
El agente cierra las consultas rutinarias y pasa las complejas a las personas.
Cómo lo implantamos.
Análisis de solicitudes y accesos
Estudiamos las solicitudes históricas, verificamos los accesos a CRM y API y puntuamos el potencial de automatización.
Parte del tráfico real
El agente trabaja sobre una porción de las solicitudes reales con sincronizaciones semanales: diálogos vivos, no una demo.
Métricas y ampliación
Evaluamos volumen, velocidad de respuesta y tasa de escalado, y ampliamos el agente a todo el tráfico.