La mayoría de los artículos sobre «IA para e-commerce» trabajan con porcentajes hipotéticos. Este caso muestra telemetría de producción: cuántas conversaciones gestiona realmente un agente de IA para una tienda real, cuándo escriben los clientes, cuánto cuesta cada diálogo y qué es lo que el agente deliberadamente aún no hace.
El reto: los asesores no escalan con los picos de tráfico
Cliente: una gran tienda online ucraniana de moda femenina (nombre reservado por acuerdo; el sector y las cifras son reales).
El cuello de botella eran los asesores. En días de promoción las preguntas llegan a cientos por hora («¿este vestido está en M?», «¿dónde está mi pedido?», «¿con qué combino esta falda?») y ningún equipo de soporte escala así. Fuera de los picos, el problema inverso: un tercio de todos los mensajes llega fuera de la jornada de 9 a 18, cuando nadie responde. Una clienta lista para comprar a las 22:00 se enfría por la mañana.
Las respuestas existían: en el catálogo y el ERP. Faltaba alguien que las entregara a cualquier hora, al instante, sin cola.
La solución: un asesor dentro de Instagram, Viber y Telegram
Grow2.ai construyó un agente conversacional que vive donde ya están los clientes de la tienda —Instagram Direct, Viber, Telegram y el chat de la web— y trabaja como un buen asesor de tienda:
- Encuentra productos por descripción: búsqueda sobre el catálogo vivo, sincronizado con el stock: el agente no recomienda lo que no hay.
- Busca por foto. La clienta envía una imagen y el agente reconoce la prenda y encuentra la misma o similares en el catálogo.
- Comprueba tallas y disponibilidad en tiempo real, por tienda y por almacén.
- Sigue pedidos y puntos de fidelidad: «¿dónde está mi paquete?» y «¿cuántos puntos tengo?» se responden con datos vivos.
- Gestiona la actividad nativa de Instagram. Una mención en stories recibe un agradecimiento cálido, y las consultas de bloggers y socios se derivan a un canal de cooperación aparte, fuera de la cola de clientes.
- Lo registra todo en el CRM. Los diálogos se convierten en contactos y negocios en Bitrix24, y el equipo de ventas ve el historial completo.
El agente responde en ucraniano, mantiene el tono de la marca y conserva el contexto: de «muéstrame vestidos de lino» a «¿cuál está disponible en Járkiv en S?», sin repeticiones.
Las cifras: telemetría de producción, no estimaciones
Métrica | Valor |
|---|---|
En producción desde | finales de marzo de 2026 |
Diálogos con clientes (abril–julio) | 6400+ |
Cuota de Instagram en los diálogos (junio) | 67% |
Clientes únicos, últimas dos semanas | 1256 |
Mensajes fuera del horario 9–18 | 33% |
Mensajes de noche (22:00–08:00) | 10% |
Mediana de tiempo de respuesta | 13 segundos |
Coste LLM por diálogo (junio) | ≈0,10 € (≈0,11 $) |
Dos cifras sostienen el caso de negocio. Un tercio de la demanda llega cuando no hay nadie de turno: antes esa demanda se perdía en silencio. Y a ≈0,10 € (≈0,11 $) por conversación, el coste marginal de atender a un cliente más es prácticamente cero: el agente absorbe los picos de promoción sin contratar, formar ni quemar a nadie. Cada diálogo pasa por una plataforma de observabilidad self-hosted (Langfuse), así que esta economía está medida, no modelada.
El reparto por canales también es revelador: dos tercios de los diálogos de junio (67%) llegaron por Instagram Direct: para una tienda de moda, la audiencia vive precisamente allí. Viber y Telegram suman cerca del 30%; el chat de la web cubre el resto. Un agente de e-commerce sin Instagram se pierde la mayoría de las conversaciones.
Control de calidad: un revisor que solo puede borrar
El tono de la marca es un activo, y la primera pregunta de todo dueño es «¿y si el bot dice una tontería?». La arquitectura responde en tres capas:
- Respuestas fundamentadas. El agente responde desde el catálogo y la base de conocimiento: no improvisa datos de producto.
- Un revisor de cumplimiento con permiso unidireccional. Un segundo modelo revisa cada respuesta saliente contra las reglas de la marca y solo puede eliminar fragmentos problemáticos. Físicamente no puede añadir promesas, descuentos ni afirmaciones nuevas: un revisor que solo borra no alucina.
- Traspaso a humano. Cuando el agente no está seguro —o el cliente pide una persona—, el diálogo pasa a un gestor con todo el contexto.
Cada conversación es trazable de extremo a extremo: qué preguntó el cliente, qué recuperó el agente, qué recortó el revisor, cuánto duró y costó cada paso.
Lo que el agente deliberadamente aún no hace
A julio de 2026 el agente asesoraba, comprobaba y hacía seguimiento, pero el pedido final en el ERP todavía lo registraba un gestor. El cliente priorizó la siguiente fase tras tres meses de producción, lo cual dice más que cualquier encuesta. Esa fase ya funciona: el agente registra el pedido él mismo, el pedido entra automáticamente en 1C y el cliente recibe el enlace de pago en el mismo chat: el ciclo completo de «muéstrame vestidos» a un pedido pagado.
El agente tampoco inventa descuentos, no responde «¿me quedará bien?» con falsa seguridad y no finge ser humano.
El patrón —un agente conversacional sobre un catálogo vivo, con búsqueda por foto, integración con CRM y un revisor que solo borra— encaja en cualquier retail donde los clientes hacen las mismas preguntas sobre productos, disponibilidad y pedidos. Para la matemática completa de costes de un proyecto comparable, consulta el caso de ROI de la red de distribuidores y el desglose de los tres niveles de protección de un agente de IA.
¿Quieres la misma matemática para tu tienda? Hay dos caminos para el número: la auditoría de IA de 2 minutos o revisión: treinta minutos con el fundador. Te mostraremos dónde se amortiza un agente en tu proceso.
Caso documentado por Andrew Maryasov, fundador de Grow2.ai (agentes de IA para negocios). Nombre del cliente reservado por acuerdo; todas las cifras son telemetría de producción (Langfuse), julio de 2026.