Caso CaféMatic: automatización multicanal on-premise para pymes

Introducción

En este artículo se presenta un caso de uso realista y práctico: cómo la pyme CaféMatic —una tueste y suscripción de cafés artesanales con 45 empleados— diseñó una solución de automatización basada en foros internos, agentes IA y un LLM self-hosted multicanal que integra Telegram y WhatsApp. El foco no es la teoría, sino la arquitectura, los flujos de trabajo y métricas concretas que permitieron mejorar atención al cliente, seguridad de datos y eficiencia operativa.

Contexto y retos de la pyme

CaféMatic tenía estos problemas:

• Alto volumen de consultas repetitivas (disponibilidad, cambios de suscripción, retrasos) por WhatsApp.
• Conocimiento disperso: recetas, procesos de tostado y respuestas frecuentes en documentos y chats.
• Restricciones de privacidad y cumplimiento: datos de suscriptores sensibles.
• Falta de trazabilidad en procesos de devolución y logística.

Objetivo: automatizar flujos de trabajo sin depender de servicios en la nube con datos sensibles, manteniendo presencia multicanal (WhatsApp, Telegram, webchat).

Diseño de la solución

Arquitectura general

• LLM self-hosted (modelo optimizado para conversación y RAG) ejecutado en servidores on-premise del proveedor de hosting de CaféMatic.
• Vector DB local indexando el contenido del foro interno, manuales de proceso y FAQs.
• Orquestador multicanal que enruta mensajes entrantes (WhatsApp Business API, Telegram Bot API, webhooks) y decide usar agentes específicos.
• Agentes IA especializados: Intake Agent, Fulfillment Agent, Knowledge Agent y Escalation Agent.
• Conectores a ERP/CRM (API REST) para crear pedidos, notas de envío y actualizar suscripciones.

Papel del foro interno

El foro interno actúa como fuente de verdad y dataset de entrenamiento continuo:

• Categoriza hilos por etiquetas (logística, suscripciones, calidad).
• Permite que el Knowledge Agent publique resúmenes semanales y cree plantillas de respuesta en el vector DB.
• Sirve como registro para auditoría y mejora de prompts.

Flujos de trabajo automatizados (ejemplos prácticos)

Flujo 1 — Cambio de suscripción vía WhatsApp (usuario final)

1. Cliente envía: "Quiero pausar mi suscripción de Julio" por WhatsApp.
2. Webhook -> Orquestador detecta intención y llama al Intake Agent.
3. Intake Agent valida identidad (preguntas seguras) y consulta CRM vía API.
4. Si verificación correcta, Fulfillment Agent aplica cambio en CRM y genera confirmación.
5. Orquestador envía respuesta al cliente y crea un hilo en el foro interno para notificar al equipo de operaciones si hay impacto logístico.

Impacto: tiempo medio de resolución bajó de 48h a 4 minutos para casos simples. Tasa de error humana en cambios de suscripción reducida en 85%.

Flujo 2 — Consulta técnica sobre tueste (cliente o bar colaborador)

1. Usuario en Telegram pregunta por notas de sabor de un lote.
2. Orquestador consulta vector DB y devuelve respuesta con RAG, citando el hilo del foro que documenta parámetros de tueste.
3. Si la consulta es compleja, Escalation Agent notifica al maestro tostador vía canal interno de Telegram y crea una tarea en el backlog.

Práctica: el Knowledge Agent agrega nuevas notas al foro tras cada lote, mejorando respuestas futuras.

Flujo 3 — Gestión de devolución y logística

1. Cliente reporta producto defectuoso por WhatsApp y adjunta foto.
2. Intake Agent usa visión básica (modelo local) para clasificar daño y crea un caso.
3. Fulfillment Agent genera la etiqueta de devolución en el ERP y programa recogida con el transportista.
4. Orquestador actualiza el foro con el caso y pasos tomados; el equipo de calidad recibe resumen automatizado.

Resultados: reducción de pasos manuales en un 70% y tiempos de resolución de devoluciones de 7 a 2 días.

Gobernanza, privacidad y mantenimiento

• LLM on-premise: todos los datos de clientes permanecen en servidores propios; backups cifrados con rotación de claves.
• Controles de acceso basados en roles para el foro; solo agentes y personal autorizado pueden editar la base de conocimiento.
• Política de prompts: plantilla centralizada y revisión trimestral para evitar sesgos y respuestas fuera de política.
• Retraining incremental: el Knowledge Agent etiqueta hilos relevantes y el equipo retrena embeddings cada semana con nuevos datos.

Métricas y resultados prácticos

• Tiempo de respuesta inicial en canales instantáneos: de 2 horas → 30 segundos (automático) para FAQ y cambios simples.
• Reasignación de personal: 1,5 FTEs redirigidos de atención a proyectos de mejora de producto.
• CSAT incremento: +12 puntos en 3 meses.
• Incidentes de fuga de datos: 0 tras implementación on-premise y auditorías trimestrales.

Conclusión accionable

Checklist rápido para pymes que quieran replicar el caso:

1. Auditar fuentes de conocimiento y crear un foro interno como repositorio único.
2. Definir casos de uso prioritarios (p. ej. cambios de suscripción, devoluciones, FAQs).
3. Implementar un LLM self-hosted mínimo viable + vector DB para RAG.
4. Desplegar un orquestador multicanal que conecte WhatsApp, Telegram y CRM/ERP.
5. Diseñar agentes especializados (intake, fulfillment, knowledge, escalation) y pipelines de seguridad.
6. Medir KPIs (tiempo de respuesta, CSAT, errores operativos) y ajustar prompts/embeddings semanalmente.

Con pasos concretos y gobernanza sólida, una pyme puede automatizar atención y operaciones manteniendo control total sobre sus datos y mejorando la eficiencia en canales como WhatsApp y Telegram sin depender exclusivamente de la nube pública.