En orqsta propusimos, diseñamos y operamos un asistente de ventas con IA para COFOR: multimodal, resiliente y en producción. Esto es cómo está construido y por qué.
En COFOR, las consultas de ventas entran por WhatsApp. Dos personas las atendían entre otras tareas, no de tiempo completo. El resultado era predecible: respuestas lentas que enfriaban al cliente, mensajes de noche y fin de semana sin atender hasta el día siguiente, y consultas que simplemente se perdían en el volumen.
Cada consulta sin respuesta a tiempo era una venta que se enfriaba. El problema no era la falta de voluntad del equipo: la atención competía con todo lo demás en su día.
Nadie nos pidió resolver esto. Vimos el problema y propusimos la solución.
Trabajábamos con COFOR en su sitio web y su diseño gráfico. Resolver el flujo de ventas no era parte del encargo, pero detectamos el cuello de botella y propusimos el asistente. Definimos el alcance y el presupuesto, y lo llevamos de la idea hasta producción, coordinando con las personas que atendían WhatsApp para entender el flujo real antes de automatizarlo.
Diseñamos el sistema como un embudo con un criterio de negocio claro: el bot no entrega un prospecto para que un humano cotice —cotiza él mismo y envía la cotización—. La persona entra solo al final, con el prospecto ya cotizado, para empujar el cierre.
Si el cliente no llega a la cotización, el bot da seguimiento un día más para intentar cerrarlo; si aun así no avanza, se descarta. Atender al instante 24/7 y quitarle carga al equipo fueron beneficios que llegaron en el camino, no el objetivo principal.
COFOR no usaba Odoo. Lo implementamos para que el asistente pudiera generar cotizaciones automáticamente y, de paso, el negocio ganó un sistema para ordenarse que antes no tenía. El efecto más medible apareció en el tiempo de cotización: antes se hacía en Excel en 20–30 minutos; con Odoo toma 5 minutos o menos, una mejora cercana al 80% incluso hecha a mano.
Lo que empezó como "un chatbot de ventas" terminó ordenando cómo cotiza y opera la empresa. Buenas soluciones resuelven más que el problema que las originó.
Lo que hicimos importa menos que por qué lo hicimos así.
Elegimos una plataforma de bajo código por dos razones: velocidad de construcción y, sobre todo, mantenibilidad. Queríamos que el sistema pudiera ser modificado y mantenido por otros en el futuro, no solo por nosotros. Elegir la herramienta adecuada a las restricciones del proyecto es una decisión de diseño, no un atajo.
Gemini es mucho más barato pero tiende a saturarse; OpenAI casi nunca falla pero cuesta más. Pusimos al barato a absorber el volumen y al caro como red de seguridad. Es degradación grácil: se paga barato la mayor parte del tiempo y el cliente final nunca ve una caída. El negocio no depende de un solo proveedor.
La memoria es compartida entre ambos modelos: cuando el respaldo entra porque Gemini se cayó, OpenAI retoma exactamente donde iba la conversación. Esto hace que el respaldo sea invisible; sin ella, cambiar de modelo obligaría al cliente a repetir todo.
El campo de RFC en Odoo exigía el prefijo "MX". En vez de forzar el dato, encontramos la causa: faltaba definir el país. Configuramos México por defecto y la validación se resolvió sola. Entender por qué el sistema se quejaba y arreglar la causa raíz es la diferencia entre un parche y una solución.
En WhatsApp la gente manda fotos, documentos y notas de voz, no solo texto. El asistente procesa las cuatro entradas, todas con el mismo respaldo Gemini/OpenAI.
Personas e IA trabajan sobre las mismas conversaciones sin pisarse. Desde Chatwoot el equipo ve cada conversación y puede tomar el control. El comportamiento del bot se gobierna con etiquetas, un sistema de estados simple y explícito:
El bot sabe cuándo callarse, cuándo dejar de insistir y cómo no ser molesto. El sistema está diseñado para que un equipo humano trabaje junto a la automatización, no a pesar de ella.
Lo más duro no fue el código. Fue lograr la aprobación de Meta.
Compramos y registramos un número de WhatsApp nuevo, y conseguir su aprobación con Meta tomó más de una semana: la parte más difícil de todo el proyecto. En lugar de esperar de brazos cruzados, avanzamos el desarrollo del bot en paralelo; cuando el número quedó listo, el sistema ya estaba esperándolo. Un bloqueo externo no tenía por qué detener el trabajo que sí dependía de nosotros.
El sistema lleva alrededor de un mes operando con clientes reales y las campañas apenas se están probando, así que estos números son un piso, no un techo. Solo los montos de venta se muestran en proporción, para proteger los datos del negocio.
El bot capta más clientes, más pequeños: en el mismo periodo generó el mayor volumen de cotizaciones (37) con un ticket promedio más chico, mientras el equipo atendió menos cotizaciones (10) pero de mayor monto. El ticket promedio del equipo humano es cerca de 4× el del bot: muchos tickets chicos abajo, los tratos grandes arriba.
Las barras comparan el ticket promedio (dos promedios independientes, sin montos); los números indican el volumen de cotizaciones. El cierre de la venta lo realiza el equipo.
Lo que hace funcionar todo esto, construido y operado de punta a punta —desde detectar el problema hasta mantenerlo vivo en producción—.
Empezamos por un cuello de botella en ventas y terminamos ordenando cómo cotiza y opera todo el negocio. Ese es el tipo de resultado que buscamos en orqsta: no un parche, sino un sistema multimodal, resiliente y con colaboración humano-bot que trabaja solo y deja al equipo libre para lo que de verdad importa.