Cómo hacer un agente de IA para atención al cliente
El 68% de los tickets de soporte en empresas medianas responden siempre la misma docena de preguntas — y aun así tienen a personas resolviéndolos manualmente. Construir un agente de IA para atención al cliente no es magia negra, pero tampoco es solo conectar ChatGPT a un chat widget. Esta guía cubre la arquitectura real, las herramientas que funcionan en producción y los errores que destruyen la experiencia del usuario.
Qué es un agente de IA para atención al cliente (y qué no es)
Un agente de IA no es un chatbot de árbol de decisiones ni un FAQ interactivo. Es un sistema capaz de:
- Razonar sobre la intención del usuario, incluso cuando el mensaje es ambiguo
- Ejecutar acciones — consultar un CRM, crear un ticket, emitir un reembolso
- Mantener contexto a lo largo de una conversación multi-turno
- Escalar a un humano cuando detecta que está fuera de su competencia
La diferencia práctica: un chatbot tradicional responde "Para rastrear tu pedido, escribe RASTREAR". Un agente de IA consulta la API de tu logística, lee el estado real del pedido y responde "Tu paquete salió de Monterrey esta mañana y llega mañana antes de las 6 PM según el tracking 4X9201."
Arquitectura base de un agente de soporte
Antes de escribir una sola línea de código, define estos cuatro componentes:
1. Modelo de lenguaje (LLM)
El cerebro del agente. Las opciones más usadas en producción hoy:
- GPT-4o (OpenAI): equilibrio costo-capacidad, ideal para flujos complejos
- Claude 3.5 Sonnet (Anthropic): excelente para instrucciones largas y contexto extenso
- Gemini 1.5 Flash (Google): más económico, bueno para volúmenes altos
- Llama 3 70B (Meta, self-hosted): control total, sin costos por token, requiere infraestructura
Para la mayoría de los casos en LATAM con volumen moderado (< 50k mensajes/mes), GPT-4o mini o Claude Haiku reducen el costo a menos de $10 USD mensuales en tokens.
2. Base de conocimiento (RAG)
El agente necesita saber sobre tu negocio, no solo sobre el mundo. Esto se resuelve con Retrieval-Augmented Generation (RAG):
- Indexas tus documentos (políticas, manuales, FAQs, contratos) en una base vectorial
- Cuando el usuario pregunta, el sistema recupera los fragmentos relevantes
- El LLM genera la respuesta usando ese contexto específico
Herramientas para la capa vectorial: Pinecone, Weaviate, pgvector (PostgreSQL), Supabase Vector. Para empezar rápido, pgvector sobre Supabase es la opción más simple con menos overhead.
3. Herramientas (Tools / Function Calling)
Aquí está el poder real. Defines funciones que el agente puede invocar:
tools = [
{
"name": "consultar_pedido",
"description": "Consulta el estado de un pedido dado su ID",
"parameters": {
"order_id": {"type": "string", "required": True}
}
},
{
"name": "crear_ticket",
"description": "Crea un ticket de soporte en el CRM",
"parameters": {
"motivo": {"type": "string"},
"prioridad": {"type": "string", "enum": ["baja", "media", "alta"]}
}
}
]
Cada función conecta con tu infraestructura real: tu API interna, Zendesk, HubSpot, Shopify, lo que sea.
4. Memoria y manejo de estado
Un agente sin memoria repite preguntas que ya hizo. Implementa al menos:
- Memoria de sesión: historial completo de la conversación actual (en RAM o Redis)
- Memoria de usuario: datos persistentes del cliente — nombre, compras previas, tickets anteriores (en base de datos)
Paso a paso: construyendo el agente
Paso 1 — Define el alcance antes de escribir código
Documenta en una tabla:
| Intención del usuario | Acción del agente | Herramienta necesaria |
|---|---|---|
| "¿Dónde está mi pedido?" | Consultar estado | API logística |
| "Quiero un reembolso" | Crear ticket + escalar | CRM |
| "¿Cuál es su política de devoluciones?" | Responder de knowledge base | RAG |
| "Hablar con un humano" | Transferir chat | Sistema de tickets |
Sin esta tabla, construirás el doble de lo necesario.
Paso 2 — Configura el system prompt
El system prompt es la constitución del agente. Un ejemplo funcional:
Eres el asistente de soporte de [Empresa]. Tu trabajo es ayudar a clientes
con dudas sobre pedidos, facturación y devoluciones.
Reglas:
- Responde siempre en el idioma en que el usuario escribió
- Si no tienes información suficiente para responder con certeza, di "No tengo
esa información en este momento" y ofrece crear un ticket
- Nunca inventes números de pedido, fechas ni montos
- Si detectas frustración o lenguaje de crisis, escala inmediatamente a humano
- Mantén respuestas bajo 3 párrafos salvo que el usuario pida más detalle
Contexto del cliente: {customer_context}
El {customer_context} se inyecta dinámicamente con los datos del CRM.
Paso 3 — Implementa el loop de razonamiento
El patrón ReAct (Reasoning + Acting) es el estándar de facto:
- El LLM recibe el mensaje del usuario
- Decide si necesita una herramienta o puede responder directo
- Si necesita herramienta: la invoca → recibe resultado → razona sobre él
- Genera la respuesta final al usuario
Frameworks que implementan esto listos para producción:
- LangChain / LangGraph: el más completo, mayor curva de aprendizaje
- LlamaIndex: excelente cuando el RAG es el core del sistema
- OpenAI Assistants API: más simple, menos flexible, vendor lock-in
- Vercel AI SDK: ideal si tu front es Next.js
Paso 4 — Conecta el canal de comunicación
El agente vive en algún lugar. Las integraciones más comunes:
- Web widget: embeds en tu sitio con Crisp, Intercom, o un componente custom
- WhatsApp Business API: alto volumen en LATAM, requiere Meta Business Verification
- Slack / Teams: para soporte interno (IT helpdesk, HR bots)
- API REST propia: si quieres control total sobre la UI
Paso 5 — Define el protocolo de escalación
Un agente que nunca escala destruye la confianza. Define con precisión cuándo transferir a humano:
- El usuario lo pide explícitamente
- El agente llevó 3 turnos sin resolver el problema
- El tema involucra datos sensibles, disputas legales o montos > $X
- El sentiment score baja de un umbral (herramientas como Hume AI o análisis custom)
Métricas que importan en producción
No midas solo "satisfacción general". Estas son las métricas accionables:
| Métrica | Qué mide | Benchmark saludable |
|---|---|---|
| Containment Rate | % de conversaciones resueltas sin escalar | > 70% |
| First Response Time | Tiempo hasta primera respuesta del agente | < 3 segundos |
| CSAT por canal | Satisfacción post-conversación | > 4.2 / 5 |
| Hallucination Rate | Respuestas con información falsa | < 0.5% |
| Escalation Accuracy | Escalaciones necesarias vs. innecesarias | > 85% precisión |
El Hallucination Rate es el más crítico en soporte. Una sola respuesta falsa sobre un reembolso puede costar más que meses de operación del agente.
Errores frecuentes que arruinan el agente
1. Base de conocimiento desactualizada Si tus políticas cambian y no reindexas, el agente dará información incorrecta con total confianza. Automatiza el pipeline de actualización.
2. System prompt genérico "Eres un asistente útil" no sirve. El prompt debe incluir casos edge, restricciones explícitas y el tono exacto de tu marca.
3. Ignorar el contexto del cliente Un agente que no sabe que el usuario tiene 5 compras previas y un ticket abierto no puede dar soporte de calidad. Conecta el CRM desde el inicio.
4. Lanzar sin monitoreo Implementa logging de cada conversación con flags automáticos para: respuestas largas inusuales, herramientas fallidas, escalaciones. Sin eso, no sabes qué está rompiendo.
5. No probar casos adversariales Prueba qué pasa cuando el usuario escribe en mayúsculas, con groserías, pidiendo información que el agente no debe dar, o intentando prompt injection. El 20% de tus usuarios hará algo inesperado.
Cuánto tiempo toma construirlo
Un agente funcional con RAG + 3-5 herramientas + canal web toma entre 3 y 6 semanas para un equipo con experiencia en LLM apps. Los tiempos se extienden cuando:
- La infraestructura existente no tiene APIs documentadas
- El knowledge base está en PDFs desordenados o sin estructura
- Se requieren integraciones con sistemas legacy (SAP, Oracle, etc.)
- Hay requerimientos de compliance o privacidad de datos estrictos
En Catalizadora construimos este tipo de sistemas como parte de Catalizadora Core — software AI-native a medida en 12 semanas, con ownership total del código y sin licencias recurrentes. Si el scope es más acotado, Solo lo entrega en 15 días.
Checklist antes de lanzar a producción
- System prompt revisado y probado con 50+ casos reales
- Tasa de alucinación medida y bajo el umbral definido
- Protocolo de escalación documentado y probado
- Monitoreo activo con alertas configuradas
- Knowledge base con proceso de actualización automatizado
- Pruebas de carga: ¿aguanta 100 conversaciones simultáneas?
- Cumplimiento legal: ¿el agente se identifica como IA según regulaciones locales?
Próximos pasos
Construir un agente de IA para atención al cliente bien hecho es un proyecto de ingeniería real, no un ejercicio de no-code. La diferencia entre un agente que mejora tu NPS y uno que lo destruye está en los detalles: el prompt, la calidad del RAG, el protocolo de escalación y el monitoreo post-lanzamiento.
Si quieres ver cómo Catalizadora estructura este tipo de proyectos — incluyendo la arquitectura técnica que usamos, las decisiones de stack y cómo garantizamos que el cliente se queda con el código y el IP completo — revisa nuestro manifiesto. Ahí explicamos sin filtros cómo pensamos el software AI-native.