KINTO reemplazó el eslabón débil de un e-commerce que vende por WhatsApp con un agente auditado por varios modelos y una conciliación pedido por pedido; el dueño reportó un mes con ventas del canal ≈30 % sobre su histórico.
Problema
Una marca con variantes complejas (modelo × talla × color × stock) vende por web y sobre todo por WhatsApp. Según el dueño, la automatización de pedidos era muy buena pero el chat era el punto débil: respuestas lentas, errores de talla, producto sin stock vendido y pedidos que no llegaban a la tienda. Y nadie sabía cuánto de lo que se atribuían las plataformas de anuncios era verdad.
Señales
- Mercado: Demanda recurrente de modelos estrella y demanda no atendida de algunas líneas (tallas y colores agotados), visible solo leyendo conversaciones.
- Negocio: Más de un tercio de los pedidos se cerraba por chat, con pago contraentrega dominante; una «caída» que preocupaba al equipo era el regreso a la normalidad tras un pico puntual.
- Experiencia de usuario: El cliente pregunta tallaje, fotos por color, crédito, enlaces de pago y tiempos de entrega que cambian por ciudad y festivos.
- Atención al cliente: Una de cada ocho conversaciones pedía un humano y las asesoras corregían al bot a mano.
Cómo lo entendimos
- Auditoría de negocio sobre cientos de conversaciones: extracción de demanda con IA, juicio de calidad con un modelo distinto y cómputo determinista. Hallazgo central: el cuello de botella no era la conversión del agente, sino que la gran mayoría de conversaciones no dejaba datos.
- Auditoría de calidad multi-modelo: el juez automático exageraba, así que cada hallazgo se verificó a mano. Se encontraron ventas perdidas concretas por errar tallas.
- Auditoría del feedback del equipo: meses de chat con el cliente convertidos en una lista de compromisos; las deudas más caras eran promesas nuestras sin cerrar, no bugs.
- Atribución instrumentada: se midió el consumo real de la API de anuncios (para operar sin exceder sus límites) y se casó cada pedido con su sesión de analítica.
Qué construimos y por qué
- Agente de ventas por WhatsApp que asesora por talla, envía fotos por color, cotiza envío a cualquier municipio, crea la orden en la tienda y avisa al equipo. Stock vivo cada pocos minutos con alarma si falla, ficha técnica curada («sin ficha» antes que inventar), verificación de pagos de solo lectura y pausa por chat para convivir con las asesoras.
- Pestaña de inteligencia para el equipo comercial: lo más vendido, lo más preguntado, agotados reales vs. errores del bot y reposición sugerida.
- Gobernador de pauta: control de cuota que mantiene las solicitudes dentro de los límites de cada plataforma, con rastro auditable y cambios solo con plan aprobado; retorno real por canal (Meta y Google contra la misma caja) y etiquetado automático del origen de cada pedido.
- SEO masivo de la tienda: metadatos y descripciones únicas, textos alternativos de cientos de imágenes y contenido para búsquedas de alta intención sin cubrir.
Por qué así: El juez automático exageraba (solo una de cada cinco alertas «altas» era un error real), así que ningún hallazgo se aceptó sin verificación humana; y la pauta se mueve con datos de caja, no con la atribución de cada plataforma.
Transformación
-
En sus primeras semanas el agente cerró unas dos docenas de pedidos con una conversión cercana al 10 %. Al cierre del primer mes completo, el dueño reportó ventas del canal alrededor de un 30 % por encima de su histórico (cita del cliente, no medición independiente).
-
La conciliación casó el 100 % de los pedidos de la ventana con su origen real y mostró que un canal de pauta rendía aproximadamente el doble que el otro: el presupuesto ahora se mueve con datos de caja.
-
La calidad pasó de «bugs que reporta el equipo» a un ciclo de auditorías multi-modelo, con la mitad del feedback cerrado con evidencia.
-
pedidos conciliados con su origen real: 100 % de la ventana (cientos de pedidos) (medido)
-
retorno por canal medido contra la misma caja: un canal rendía ≈2× al otro (medido)
-
conversión del agente en sus primeras semanas: ≈9–10 % de las conversaciones (medido)
-
ventas del canal en el primer mes completo: ≈+30 % vs. histórico (reportado por el cliente)
Lo que aún no sabemos
- El ahorro de pauta en cifras absolutas y el efecto del agente aislado de la estacionalidad.
- Siguen abiertos: unificar códigos de producto entre ERP y tienda y avisar al cliente cuando se repone un agotado.
