Chatbot de WhatsApp con IA: como construir uno que realmente venda (no solo responda)

La diferencia entre un bot que responde y uno que vende

El 90% de los chatbots de WhatsApp que vemos en el mercado argentino hacen lo mismo: responden preguntas frecuentes con un menu de opciones numeradas ("Escribi 1 para precios, 2 para horarios, 3 para hablar con un humano"). Eso no es un chatbot con IA. Es un IVR con emojis.

Un chatbot con IA real entiende lo que el cliente escribe en lenguaje natural, mantiene contexto de la conversacion, consulta tu base de datos en tiempo real y puede cerrar una venta completa sin intervencion humana.

En NexPO construimos este tipo de bots para negocios reales. Almacen de Cerveza es un ejemplo: su bot toma pedidos completos las 24 horas.

Arquitectura de un chatbot que vende

`` +------------------+ | WhatsApp Cloud | | API (Meta) | +--------+---------+ | Webhook | POST /webhook v +------------------+ | n8n / Backend | | (Orquestador) | +--------+---------+ | +--------------+--------------+ | | | v v v +-------+------+ +----+-----+ +------+------+ | OpenAI GPT-4 | | Supabase | | WhatsApp | | (Razonamiento)| | (Datos) | | (Respuesta) | +--------------+ +----------+ +-------------+ `

Componente 1: WhatsApp Business API

No uses WhatsApp Web automatizado (es contra los ToS de Meta y te banean). Usa la API oficial:

• Meta Cloud API (gratuita, self-service): Meta hostea la infra. Vos solo manejas webhooks.
• BSPs (Business Solution Providers): Twilio, 360dialog, etc. Agregan features como templates pre-aprobados y dashboards.

Para empezar, Meta Cloud API es suficiente. Es gratis hasta 1.000 conversaciones/mes iniciadas por el negocio.

Componente 2: Orquestador (n8n)

n8n es la pieza que conecta todo. Un flow tipico:

` Trigger: Webhook de WhatsApp (mensaje entrante) | +--> Extraer texto del mensaje +--> Buscar historial de conversacion en Supabase +--> Enviar a OpenAI con contexto (system prompt + historial + datos del negocio) +--> Recibir respuesta del LLM +--> Si el LLM detecta intencion de compra: | +--> Consultar stock en Supabase | +--> Confirmar pedido | +--> Guardar pedido en base de datos | +--> Notificar al dueno | +--> Enviar respuesta al cliente via WhatsApp API +--> Guardar mensaje en historial `

Componente 3: El LLM (OpenAI GPT-4o)

El LLM es el cerebro. Pero un cerebro sin informacion no sirve. La clave esta en el system prompt.

El system prompt que hace la diferencia

Un system prompt generico genera respuestas genericas. Asi armamos los nuestros:

` Sos el asistente virtual de [NOMBRE DEL NEGOCIO], una [TIPO DE NEGOCIO] ubicada en [CIUDAD].

TU ROL:

• Atender consultas sobre productos, precios, disponibilidad y delivery
• Tomar pedidos completos cuando el cliente esta listo
• Derivar a un humano cuando no puedas resolver algo

INFORMACION DEL NEGOCIO:

• Horarios: [HORARIOS]
• Delivery: [ZONAS Y COSTOS]
• Metodos de pago: [METODOS]
• Politicas: [POLITICAS RELEVANTES]

CATALOGO ACTUALIZADO: [Se inyecta dinamicamente desde la base de datos]

REGLAS:

• Siempre responde en espanol argentino informal
• Si no sabes algo, deci "dejame consultar con el equipo"

y genera un flag de escalado

• Nunca inventes precios o disponibilidad
• Si el cliente quiere comprar, guialo paso a paso:

a) Confirmar productos y cantidades b) Confirmar direccion de entrega c) Confirmar metodo de pago d) Resumir pedido y pedir confirmacion

• Si el cliente esta enojado o reclama, deriva a humano inmediatamente
• Maximo 2 mensajes de venta activa. Si el cliente no quiere, no insistas

FORMATO DE RESPUESTA:

• Mensajes cortos (maximo 3 oraciones por mensaje)
• Usa saltos de linea para separar ideas
• No uses emojis excesivos (maximo 1-2 por mensaje)

`

Inyeccion dinamica de catalogo

El catalogo no va hardcodeado en el prompt. Se consulta de Supabase antes de cada llamada al LLM:

`typescript // Pseudo-codigo del flujo async function handleMessage(userMessage: string, userId: string) { // 1. Buscar historial const history = await supabase .from('chat_history') .select('role, content') .eq('user_id', userId) .order('created_at', { ascending: true }) .limit(20)

// 2. Buscar catalogo actualizado const { data: products } = await supabase .from('products') .select('name, price, stock, category') .gt('stock', 0)

// 3. Armar el prompt con datos frescos const systemPrompt = buildSystemPrompt({ catalog: products, businessInfo: BUSINESS_CONFIG, })

// 4. Llamar a OpenAI const response = await openai.chat.completions.create({ model: 'gpt-4o', messages: [ { role: 'system', content: systemPrompt }, ...history.data.map(h => ({ role: h.role, content: h.content })), { role: 'user', content: userMessage }, ], temperature: 0.7, max_tokens: 300, })

// 5. Detectar si hay intencion de compra // (se puede hacer con function calling de OpenAI) const reply = response.choices[0].message.content

// 6. Guardar en historial y responder await saveToHistory(userId, userMessage, reply) await sendWhatsAppMessage(userId, reply) } `

Function Calling para tomar pedidos

En vez de parsear texto libre para detectar si el cliente quiere comprar, usamos Function Calling de OpenAI:

`typescript const tools = [ { type: 'function', function: { name: 'crear_pedido', description: 'Crear un pedido cuando el cliente confirma su compra', parameters: { type: 'object', properties: { items: { type: 'array', items: { type: 'object', properties: { producto: { type: 'string' }, cantidad: { type: 'number' }, }, required: ['producto', 'cantidad'], }, }, direccion: { type: 'string' }, metodo_pago: { type: 'string', enum: ['efectivo', 'transferencia', 'mercadopago'], }, }, required: ['items'], }, }, }, { type: 'function', function: { name: 'escalar_a_humano', description: 'Derivar la conversacion a un operador humano', parameters: { type: 'object', properties: { motivo: { type: 'string' }, }, required: ['motivo'], }, }, }, ] `

Cuando el LLM invoca crear_pedido`, nuestro backend lo procesa automaticamente: verifica stock, crea el pedido en Supabase, y le manda la confirmacion al cliente.

Los 5 errores que arruinan un chatbot

1. No mantener historial de conversacion

Sin historial, cada mensaje del cliente es una conversacion nueva. El bot no recuerda que el cliente ya dijo su direccion, que productos eligio, ni que le pregunto hace 2 minutos.

Solucion: Guardar los ultimos 15-20 mensajes en Supabase y enviarlos como contexto en cada request al LLM.

2. Respuestas demasiado largas

WhatsApp no es un email. Un mensaje de 500 palabras no se lee. El bot tiene que responder en 1-3 oraciones, maximo.

3. No tener escalado a humano

Si el bot no puede resolver algo y sigue insistiendo, el cliente se frustra y no vuelve. El escalado tiene que ser automatico (cuando detecta enojo, reclamo o pedido de hablar con alguien) y manual (boton para el operador para tomar control).

4. Inventar informacion

Si el LLM no tiene el dato en su contexto, va a inventar. "Si, hacemos delivery a tu zona" cuando en realidad no hacen. Solucion: en el system prompt, ser explicito sobre que hacer cuando no sabe ("deci que vas a consultar y escala").

5. No medir conversiones

Si no medis cuantas conversaciones terminan en pedido vs. cuantas en abandono, no podes mejorar. Logueamos cada conversacion con su outcome: pedido_completado, escalado, abandonado, solo_consulta.

Costos reales

Comparalo con contratar un empleado part-time para responder WhatsApp: USD 300-500/mes minimo. El bot atiende 24/7 y no se enferma.

Como empezar

• Defini que tiene que hacer el bot: Responder preguntas? Tomar pedidos? Agendar turnos? No todo junto al principio.
• Arma tu catalogo en una base de datos: El bot necesita datos estructurados. Si tu catalogo esta en un PDF o en la cabeza del dueno, primero hay que estructurarlo.
• Empeza con un bot de FAQ + escalado: No arranques con toma de pedidos. Primero valida que el bot responde bien las preguntas frecuentes.
• Medí y ajusta: Las primeras 2 semanas vas a tener que ajustar el prompt constantemente. Es normal. El bot "aprende" en el sentido de que vos le vas refinando las instrucciones.

En NexPO hacemos el proceso completo: desde la estrategia conversacional hasta el deploy y el monitoreo. Escribinos y te contamos como seria para tu negocio.