La conversación es, por naturaleza, el espacio de la intención en tiempo real.
El marketing conversacional tradicional ha caído en la trampa de los guiones estáticos, los bots tontos y las respuestas preprogramadas que frustran al usuario.
La diferencia entre un chatbot tradicional y un sistema de Markeligencia de conversación es la misma que entre un autómata que repite frases y un agente inteligente que entiende, anticipa y resuelve.
Por qué el Marketing Conversacional es el caso perfecto para Markeligencia
| Dimensión | Marketing Conversacional Tradicional | Marketing Conversacional Markeligencia |
| Lógica | Responder preguntas previsibles con guiones predefinidos | Detectar intención en cada mensaje y adaptar la conversación en tiempo real |
| Alcance | Frases cortas, opciones numeradas, árboles de decisión finitos | Conversación fluida en lenguaje natural, con memoria contextual y emocional |
| Personalización | Token de nombre «Hola, [nombre]» | Tono, vocabulario, ritmo y contenido adaptados al perfil psicolingüístico del usuario |
| Capacidad | Resuelve el 20-30% de consultas simples el resto deriva a humano | Resuelve el 70-85% de conversaciones completas incluyendo ventas y retención |
| Aprendizaje | Estático. Se actualiza cuando alguien reescribe el script | Continuo. Cada conversación entrena al modelo para la siguiente |
El Marketing Conversacional tradicional se parece más a un formulario interactivo disfrazado de chat que a una verdadera conversación.
Markeligencia es, literalmente, una conversación donde el sistema entiende lo que el usuario necesita, incluso cuando el usuario no lo dice explícitamente.
Desarrollo del Paradigma Markeligencia en Marketing Conversacional
Detección de Intenciones Anticipadas en la Conversación
Modelo tradicional: El chatbot pregunta «¿En qué puedo ayudarte?» y ofrece opciones numeradas. El usuario tiene que saber qué quiere y cómo pedirlo.
Modelo Markeligencia: El sistema analiza los primeros caracteres que escribe el usuario, el contexto de navegación previo, su historial de interacciones y su perfil inferido. Anticipa la intención antes de que el usuario termine de escribir.
Ejemplo concreto: Una aerolínea low-cost implementa un asistente conversacional Markeligencia.
| Lo que escribe el usuario | Lo que el sistema detecta antes de que termine | Lo que responde |
| «Quiero cambiar mi…» | El usuario está en la app, tiene un vuelo reservado para dentro de 3 días, y el clima en el destino es adverso. Probabilidad de querer cambiar fecha: 87% | «Veo que tienes el vuelo a Barcelona el viernes. ¿Quieres cambiar la fecha por las tormentas previstas? Puedo ofrecerte cambio gratuito por condiciones meteorológicas.» |
| «Mi maleta…» | El usuario acaba de facturar online. El sistema infiere que su maleta facturada pesa 24kg y la franquicia es 20kg. Intención: sobrepeso. | «He visto que tu maleta pesa 24kg. Tu franquicia son 20kg. ¿Quieres pagar los 4kg extra 12€ o prefieres pasar ropa a la de mano?» |
Resultado: El usuario no necesita explicar nada. El sistema ya entendió el problema y ofrece la solución antes de que el usuario lo pida.
Generación Adaptativa de la Conversación vs. Guiones Fijos
Modelo tradicional: El chatbot tiene un árbol de decisión con máximas 50 ramas. Si la pregunta del usuario no está prevista, se rompe la conversación o deriva a humano.
Modelo Markeligencia: La IA generativa construye cada respuesta en el momento, adaptando:
El tono: Formal para temas legales, coloquial para usuarios jóvenes, empático para reclamaciones.
La longitud: Respuestas cortas para usuarios que están en móvil y con prisa; explicaciones detalladas para quienes están en escritorio.
El formato: Texto, botones, imágenes, vídeos cortos, enlaces, o combinaciones.
La estrategia conversacional: Preguntas abiertas vs. cerradas, urgencia vs. tranquilidad, racional vs. emocional.
Ejemplo concreto: Un banco digital implementa un asistente conversacional para su producto de préstamos personales.
| Perfil del usuario | Estrategia conversacional adaptativa | Respuesta generada |
| Usuario joven 24 años, primer préstamo, navega desde móvil a las 23:30 | Tono informal, respuestas cortas, énfasis en rapidez y aprobación inmediata | «Oye, para tu préstamo de 2.000€. ¿Lo quieres en 12, 18 o 24 meses? Te doy el dinero en 5 min si lo haces ahora.» |
| Usuario senior 58 años, historial de depósitos, navega desde ordenador a las 11:00 | Tono formal, explicaciones detalladas, énfasis en seguridad y transparencia | «Buenos días. Para su solicitud de 2.000€, le ofrecemos un plazo de hasta 24 meses con una TAE del 8,5%. ¿Le parece adecuado revisar juntos el detalle de las cuotas?» |
| Usuario que ha sido rechazado en otro banco | Tono empático, gestión de objeción, énfasis en segunda oportunidad | «Entiendo que no es la primera vez que lo intentas. Déjame revisar otros criterios. En nuestro banco valoramos más tu historial reciente que otras entidades.» |
Resultado: El mismo producto, la misma conversación de fondo, pero la forma de hablar es completamente diferente porque el sistema entiende a quién tiene delante.
Momento Óptimo de Iniciar la Conversación vs. Chatbot Pasivo
Modelo tradicional: El chatbot espera a que el usuario escriba primero, o aparece como una ventana flotante genérica en todas las páginas «¿En qué podemos ayudarte?»
Modelo Markeligencia: El sistema decide cuándo iniciar proactivamente una conversación, basándose en:
Señales de abandono el usuario lleva 45 segundos sin mover el ratón en la página de pago.
Señales de duda el usuario entra y sale de la misma página de producto 3 veces en 10 minutos.
Señales de comparación el usuario tiene pestañas abiertas de tus competidores.
Señales de oportunidad el usuario acaba de completar una acción que sugiere necesidad de upgrade.
Ejemplo concreto: Una plataforma de cursos online con asistente conversacional Markeligencia.
| Señal detectada | Momento de intervención | Mensaje proactivo |
| Usuario lleva 8 minutos en la página de precios, ha scrolleado arriba y abajo 5 veces | Espera 15 segundos adicionales para no ser intrusivo. Si sigue sin acción, aparece el chat | «Veo que estás comparando planes. La mayoría de la gente que mira el plan Profesional acaba eligiendo el Plan Business porque incluye 5 licencias por solo 30€ más. ¿Quieres que te muestre la diferencia?» |
| Usuario abandonó el carrito hace 2 horas y ahora vuelve a la home | No interviene inmediatamente. Espera a que entre a la página del producto que abandonó. Entonces aparece | «Hola de nuevo. Tu carrito sigue guardado. Además, el código BIENVENIDO10 sigue activo si completas hoy. ¿Te ayudo con algo?» |
| Usuario ha completado un curso y ha visto 3 veces la página del curso avanzado sin comprar | Intervención al día siguiente de terminar el curso anterior, no antes | «Felicidades por terminar ‘Python Básico’. Los alumnos que continúan con ‘Python Avanzado’ en los primeros 7 días tienen un 40% más de retención. ¿Quieres que te active un descuento por continuación?» |
Resultado: El chatbot no molesta. Aparece cuando puede ayudar, no cuando el producto necesita vender.
Aprendizaje Continuo de Cada Conversación
Modelo tradicional: Cada conversación es un evento aislado. El bot no aprende de lo que funcionó o no funcionó ayer.
Modelo Markeligencia: Cada interacción alimenta un modelo central que mejora todas las conversaciones futuras.
Qué se aprende:
| Tipo de aprendizaje | Dato que se extrae | Cómo se aplica |
| Fraseos ganadores | Ciertas formas de preguntar generan 3x más respuestas positivas | El sistema prioriza esas construcciones lingüísticas |
| Objeciones reales | Los usuarios rechazan la oferta por razones concretas «es muy caro», «no fío» | El sistema aprende a gestionar esas objeciones específicas |
| Rutas de conversión | Secuencias de preguntas que correlacionan con venta | El sistema acorta la ruta de los siguientes usuarios |
| Derivaciones innecesarias | Situaciones donde se derivó a humano pero el bot podía resolver | El sistema incorpora esas respuestas a su repertorio |
Ejemplo concreto: El chatbot de un operador de telecomunicaciones aprende que:
Preguntar «¿Prefieres que te llame un asesor o seguimos por aquí?» genera 2x más continuidad en chat que preguntar «¿Quieres que te transfiera?»
La objeción «Es que mi contrato actual no ha terminado» aparece en el 30% de las conversaciones.
El sistema aprende a responder «Podemos gestionar la portabilidad y nos encargamos de la penalización. ¿Quieres que te calcule cuánto sería?»
Los usuarios que preguntan «¿Qué cobertura hay en mi zona?» y luego «¿Y en el metro?» convierten en un 60% más que los que solo preguntan una vez
Resultado: El bot del mes 6 es radicalmente mejor que el bot del mes 1, sin que ningún humano haya tenido que reescribir guiones.
Implementación Práctica Paso a Paso
Paso 1: Sustituye el chatbot por un agente conversacional con IA generativa
| Dejar de usar | Empezar a usar |
| Chatbots de árbol de decisión ManyChat, ChatFuel básico | Plataformas con LLM integrado Landbot con IA, Botpress con GPT, Voiceflow |
| Guiones escritos a mano por humanos | Modelos base GPT-4, Claude, Gemini fine-tuned con tus conversaciones reales |
| Derivación a humano como primera opción | Resolución autónoma como primera opción, derivación solo cuando la IA tiene confianza <70% |
Herramientas recomendadas:
| Herramienta | Función |
| Landbot + OpenAI | Chatbot conversacional con IA generativa |
| Botpress | Plataforma open-source con capacidad de fine-tuning |
| Voiceflow | Diseño y despliegue de agentes conversacionales |
| Intercom Fin | Agente de IA para atención al cliente |
Paso 2: Implementa detección de intención predictiva en los primeros 3 caracteres
Configuración necesaria:
Entrena un modelo de clasificación de intención con miles de conversaciones reales anonimizadas
Configura el sistema para evaluar intención en cada keystroke no esperar a que el usuario envíe
Establece umbrales de confianza:
85% confianza → Respuesta anticipada no espera a que terminen de escribir
60-85% confianza → Prepara tres opciones probables
<60% confianza → Solicita aclaración neutral
Herramientas para detección predictiva:
| Herramienta | Función |
| Rasa | Framework open-source para NLU y detección de intención |
| Dialogflow CX | Detección de intención con modelos preentrenados de Google |
| Cogito | Análisis de emociones y comportamiento en tiempo real |
Paso 3: Implementa el bucle de aprendizaje
Arquitectura de datos necesaria
Registro de cada interacción:
Mensaje del usuario texto original
Intención detectada por el sistema
Respuesta generada incluyendo variante de tono usada
Acción del usuario después compra, abandono, derivación
Duración total de la conversación
Entrenamiento periódico:
Semanal: reentrenamiento del clasificador de intención con nuevas conversaciones.
Diario: actualización de la tabla de «fraseos ganadores»
Mensual: fine-tuning del modelo generativo con datos curados.
Dashboard de supervisión humana:
Conversaciones donde la confianza fue baja <60%
Casos derivados a humano para analizar por qué
Nuevas intenciones emergentes no categorizadas previamente
Paso 4: Define el punto de derivación humana inteligente
No derives a humano solo porque el bot no entiende. Deriva cuando:
| Criterio | Acción |
| Confianza del modelo <40% tras 3 intentos de aclaración | Deriva, pero pasa el contexto completo |
| Usuario escribe explícitamente «habla con un humano» | Deriva inmediatamente |
| Usuario muestra emociones de frustración palabras clave como «inútil», «no entiendes» | Deriva prioritaria cola especial |
| Conversación supera los 7 intercambios sin resolución | Ofrece derivación como opción |
| La consulta es sobre un tema que la política corporativa exige humano ej: reclamaciones legales | Deriva obligatoria |
Herramientas para derivación inteligente:
| Herramienta | Función |
| Zendesk + Answer Bot | Deriva con paso de contexto al agente humano |
| Intercom | Cola inteligente que prioriza por urgencia y valor del cliente |
| Crisp | Chat unificado bot-humano con historial compartido |
Marketing Conversacional Tradicional vs. Markeligencia
| Dimensión | Tradicional | Markeligencia |
| Detección de intención | Por palabras clave exactas «cancelar», «cambiar» | Predictiva, basada en primeros caracteres + contexto completo |
| Respuesta | Preprogramada en árbol de decisión | Generada en tiempo real, adaptada al perfil |
| Personalización | Nombre del usuario y poco más | Tono, vocabulario, ritmo, longitud, formato, estrategia conversacional |
| Proactividad | Ventana flotante genérica en todas las páginas | Timing calculado por IA basado en señales de abandono, duda u oportunidad |
| Resolución autónoma | 20-30% de consultas simples | 70-85% de conversaciones completas |
| Aprendizaje | Manual, requiere reescribir guiones | Continuo, cada conversación mejora el modelo |
| Derivación a humano | Por defecto, cuando el bot no entiende | Inteligente, solo cuando la IA sabe que no puede o no debe resolver |
| Métrica principal | Tasa de resolución definida arbitrariamente | Valor de conversación tiempo ahorrado + conversiones incrementales |
Caso de éxito simulado: Aplicación de banca móvil
Contexto: Un neobanco con 500.000 usuarios implementa Marketing Conversacional Markeligente.
Antes chatbot tradicional:
Resolvía el 25% de las consultas
Los usuarios pedían «hablar con humano» en el 40% de las conversaciones
Tiempo medio de resolución: 8 minutos contando derivación y espera
Después Markeligencia conversacional:
Resuelve el 78% de las consultas de forma autónoma
Solo el 12% de los usuarios piden derivación a humano
Tiempo medio de resolución: 2 minutos sin espera de agente
Impacto: Reducción del 60% en coste de atención al cliente y aumento del 15% en venta cruzada durante conversaciones.
Lo que ocurrió en segundo plano:
El sistema detectó intención de préstamo basada en el comportamiento de navegación.
Calculó en tiempo real la oferta personalizada usando datos del perfil.
Adaptó el tono a conversación corta, directa, orientada a acción.
Gestionó la objeción implícita «¿y si pido 3000?» con comparativa favorable.
Cerró la venta en 6 intercambios, 1 minuto y 23 segundos.
El Marketing Conversacional como la interfaz definitiva de Markeligencia
El Marketing Conversacional de Markeligencia no es «un chatbot con IA». Es la nueva interfaz de relación entre la marca y el cliente, donde:
El cliente no tiene que aprender a hablar con el sistema el sistema aprende a hablar con cada cliente.
La conversación no es un medio para llegar a otro canal es el canal principal de resolución.
El humano no es el operador de primera línea es el supervisor estratégico de un sistema que gestiona 7 de cada 10 conversaciones.
En este paradigma, la conversación deja de ser el último recurso «si no encuentras la respuesta, chatea con nosotros» para convertirse en el primer y mejor recurso porque el sistema entiende, anticipa, resuelve y aprende.
La métrica definitiva del Marketing Conversacional Markeligencia no es la tasa de resolución.
Es el silencio: Que el cliente reciba lo que necesita sin tener que pedirlo, sin tener que explicarlo, sin tener que repetirse.
Esa es la conversación perfecta: la que apenas parece una conversación porque el sistema ya sabía lo que necesitabas antes de que tú lo supieras expresar.
FAQ: Preguntas sobre Marketing Conversacional con IA y Markeligencia
¿Qué diferencia hay entre un chatbot tradicional y un asistente conversacional Markeligente?
Respuesta corta: El chatbot tradicional es un formulario interactivo disfrazado de chat (opciones numeradas, árboles fijos). El Markeligente es un agente inteligente que entiende, anticipa y resuelve en lenguaje natural.
| Dimensión | Chatbot Tradicional | Asistente Markeligente |
| Lógica | Responder preguntas previsibles con guiones | Detectar intención en cada mensaje y adaptar la conversación |
| Alcance | Frases cortas, opciones numeradas, árbol finito | Conversación fluida en lenguaje natural, con memoria contextual |
| Personalización | Token de nombre («Hola, [nombre]») | Tono, vocabulario, ritmo y contenido adaptados al perfil del usuario |
| Capacidad | Resuelve el 20-30% de consultas simples | Resuelve el 70-85% de conversaciones completas |
| Aprendizaje | Estático (actualiza un humano) | Continuo (cada conversación entrena al modelo) |
El dato clave: Un chatbot tradicional es un autómata que repite frases. Un asistente Markeligente es un agente que entiende lo que el usuario necesita, incluso cuando el usuario no lo dice explícitamente.
Acción: Si tu chatbot actual usa opciones numeradas («1. Información, 2. Soporte, 3. Ventas»), no es IA. Es un menú telefónico disfrazado. Empieza a migrar a plataformas con LLM (Landbot + OpenAI, Botpress, Voiceflow).
¿Cómo puede un chatbot anticipar lo que quiero antes de que lo escriba?
Respuesta corta: Analiza los primeros caracteres que escribes + tu contexto de navegación + tu historial + tu perfil. Anticipa la intención antes de que termines de escribir.
Ejemplo real (aerolínea low-cost):
| Lo que escribe el usuario | Lo que el sistema detecta ANTES de que termine | Lo que responde ANTICIPADO |
| «Quiero cambiar mi…» | Está en la app, tiene vuelo en 3 días, clima adverso en destino. Probabilidad de querer cambiar fecha: 87% | «Veo que tienes el vuelo a Barcelona el viernes. ¿Quieres cambiar la fecha por las tormentas previstas? Cambio gratuito.» |
| «Mi maleta…» | Acaba de facturar online. Su maleta pesa 24kg, franquicia 20kg. Intención: sobrepeso. | «He visto que tu maleta pesa 24kg. Tu franquicia son 20kg. ¿Quieres pagar los 4kg extra (12€) o prefieres pasar ropa a la de mano?» |
El dato clave: El usuario no necesita explicar nada. El sistema ya entendió el problema y ofrece la solución antes de que el usuario lo pida.
Acción: Implementa detección de intención en los primeros 3 caracteres. Entrena un modelo de clasificación con miles de conversaciones reales anonimizadas. Usa herramientas como Rasa o Dialogflow CX.
¿Qué es mejor: chatbot propio o usar WhatsApp/Telegram para atención al cliente?
Respuesta corta: Depende de dónde está tu audiencia. La tecnología subyacente (IA generativa) puede ser la misma. El canal es solo la interfaz.
| Canal | Ventajas | Desventajas | Cuándo usarlo |
| Chatbot en web/app propio | Control total de la experiencia, integración con datos del producto, sin límites de APIs externas | El usuario tiene que ir a tu web/app | Cuando el usuario ya está en tu ecosistema (ej. durante la compra) |
| WhatsApp Business API | El usuario ya está ahí, alta tasa de apertura (98%), familiaridad | Coste por conversación (Meta cobra), limitaciones de personalización | Para notificaciones proactivas y atención post-venta |
| Telegram | Gratuito, bots muy potentes, sin límites de API | Menor penetración que WhatsApp (al menos en España) | Comunidades técnicas, productos digitales, startups |
| Intercom / Crisp | Unificado (web + app + email + chat), dashboard único | Coste más alto, curva de aprendizaje | Empresas que quieren un único sistema multicanal |
El dato clave: El 70% de los usuarios prefiere resolver dudas por chat antes que por email o teléfono, pero el canal debe ser el que ellos ya usan, no el que tú prefieres.
Acción: Empieza con un chatbot en tu web (Landbot + OpenAI). Si tu audiencia usa WhatsApp, añade integración con WhatsApp Business API cuando tengas >500 conversaciones/mes.
¿Cómo evito que mi chatbot sea un «bot tonto» que frustra a los clientes?
Respuesta corta: Deja de usar árboles de decisión fijos. Pasa a un modelo basado en IA generativa + umbrales de confianza + derivación inteligente.
Los 4 errores que hacen que un chatbot frustre:
| Error | Por qué frustra | Solución Markeligente |
| 1. Opciones numeradas | El usuario tiene que aprender tu menú | Conversación en lenguaje natural desde el primer mensaje |
| 2. «No te he entendido» genérico | Parece tonto, no aporta valor | Si confianza <60%, ofrece opciones contextuales («¿Quieres hablar de precios, envíos o devoluciones?») |
| 3. Bucle infinito | El usuario se repite sin avanzar | Derivar a humano después de 3 intentos fallidos con el mismo contexto |
| 4. Sin memoria | Tienes que repetir lo que ya dijiste | Mantener contexto durante toda la conversación (y sesiones futuras) |
El dato clave: Un chatbot tradicional resuelve el 20-30% de las consultas. Un asistente Markeligente bien implementado resuelve el 70-85%. La diferencia está en la IA generativa + el aprendizaje continuo.
Acción: Si tu chatbot actual usa «lo siento, no te he entendido», cámbialo por «No estoy seguro de si quieres [opción A] o [opción B]. ¿Puedes aclararlo?». La tasa de resolución subirá inmediatamente.
¿Cuándo debe un chatbot iniciar la conversación (y cuándo debe callarse)?
Respuesta corta: No inicies la conversación en todas las páginas con un genérico «¿En qué puedo ayudarte?». Inicia solo cuando detectes una señal de abandono, duda u oportunidad.
Señales que disparan una conversación proactiva (Markeligencia):
| Señal detectada | Momento de intervención | Mensaje proactivo |
| Usuario lleva 45 segundos sin mover el ratón en la página de pago | Espera 15 segundos adicionales. Si sigue sin acción, aparece | «¿Algo te frena? Si tienes dudas, dime y te ayudo.» |
| Usuario entra y sale de la misma página de producto 3 veces en 10 minutos | Interviene en la 3ª salida, no antes | «Veo que has mirado estas zapatillas varias veces. ¿Quieres saber si tienen tu talla?» |
| Usuario abandona el carrito y vuelve a la home 2 horas después | Espera a que entre a la página del producto abandonado | «Hola de nuevo. Tu carrito sigue guardado. ¿Te ayudo a completar la compra?» |
| Usuario completa un curso y mira la página del curso avanzado | Interviene al día siguiente, no antes | «Felicidades por terminar el curso básico. ¿Quieres un descuento para el avanzado?» |
El dato clave: Un chatbot que interrumpe siempre molesta. Un chatbot que ayuda solo cuando es necesario es bienvenido. La diferencia está en el timing calculado por IA.
Acción: Desactiva la ventana flotante genérica en todas las páginas. Actívala solo en páginas clave (checkout, carrito, producto) y solo después de detectar inactividad o comportamiento de duda.
¿Qué métricas debo mirar para saber si mi chatbot es bueno o malo?
Respuesta corta: Olvida la «tasa de resolución» arbitraria. Mide tiempo ahorrado al usuario, conversiones incrementales y derivaciones evitadas.
| Métrica tradicional (ignorar) | Métrica real (medir) | Cómo medirla |
| «Tasa de resolución» (definida por el bot) | Tasa de resolución autónoma (% de conversaciones que terminan sin humano) | Conversaciones cerradas sin derivación / Total conversaciones |
| Número de mensajes intercambiados | Tiempo hasta resolución (en minutos) | Desde primer mensaje hasta que el usuario confirma resolución o abandona |
| Satisfacción con el bot (encuesta post-chat) | Derivaciones evitadas (% de consultas que habrían ido a humano pero el bot resolvió) | Modelo contrafactual: comparar con periodo sin bot |
| – | Valor de conversación (ingresos atribuibles + coste ahorrado) | Ventas cerradas en chat + (tiempo agente ahorrado × coste/hora) |
Caso real (neobanco, 500k usuarios):
| Métrica | Antes (bot tradicional) | Después (Markeligente) | Cambio |
| Resolución autónoma | 25% | 78% | +212% |
| Usuarios que piden humano | 40% | 12% | -70% |
| Tiempo medio de resolución | 8 minutos | 2 minutos | -75% |
| Coste de atención al cliente | Baseline | -60% | Reducción masiva |
| Venta cruzada durante chat | N/A | +15% | Nuevo ingreso |
Acción: Calcula tu «coste por conversación de agente humano» (salario + overhead / conversaciones al mes). Cada conversación que tu bot resuelve te ahorra ese dinero. Usa eso para justificar la inversión en IA.
¿Cómo entreno a mi chatbot para que aprenda de cada conversación?
Respuesta corta: No lo «entrenas» una vez. Configuras un bucle de aprendizaje continuo donde cada conversación alimenta el modelo.
Arquitectura de datos necesaria (registra cada interacción):
| Qué registrar | Por qué |
| Mensaje del usuario (texto original) | Para fine-tuning del modelo |
| Intención detectada por el sistema | Para medir precisión |
| Respuesta generada (incluyendo tono usado) | Para identificar «fraseos ganadores» |
| Acción del usuario después (compra, abandono, derivación) | Para saber si la respuesta funcionó |
| Duración total de la conversación | Para medir eficiencia |
Frecuencia de aprendizaje:
| Periodicidad | Acción | Herramienta |
| Diario | Actualizar tabla de «fraseos ganadores» (los que generan más respuestas positivas) | SQL + hoja de cálculo |
| Semanal | Reentrenar clasificador de intención con nuevas conversaciones | Rasa, Dialogflow |
| Mensual | Fine-tuning del modelo generativo (GPT-4, Claude) con datos curados | OpenAI fine-tuning API |
Ejemplo de aprendizaje real (operador telecomunicaciones):
| Lo que aprendió el sistema | Cómo lo aplicó automáticamente |
| Preguntar «¿Prefieres que te llame un asesor o seguimos por aquí?» genera 2x más continuidad que «¿Quieres que te transfiera?» | Cambió el prompt de derivación para todos los agentes virtuales |
| La objeción «mi contrato actual no ha terminado» aparece en 30% de conversaciones | Aprendió a responder: «Podemos gestionar la portabilidad y nos encargamos de la penalización» |
| Usuarios que preguntan «¿cobertura?» y luego «¿y en el metro?» convierten 60% más | Sistema prioriza preguntar por cobertura en metro si ya preguntó por cobertura general |
Acción: Exporta tus conversaciones de los últimos 3 meses (anónimas). Identifica las 10 preguntas más frecuentes. Entrena a tu bot específicamente en esas. La mejora será inmediata.
¿Cuándo debo derivar la conversación a un humano (y cómo hacerlo bien)?
Respuesta corta: Deriva cuando la IA sabe que no puede resolver, no cuando no entiende. Y pasa TODO el contexto, no solo «te transfiero».
Criterios de derivación inteligente:
| Criterio | Acción | Por qué |
| Confianza del modelo <40% tras 3 intentos de aclaración | Deriva, pero pasa el contexto completo | El bot intentó, no es tonto. El humano empieza donde el bot terminó |
| Usuario escribe explícitamente «habla con un humano» | Deriva inmediatamente, sin preguntar «¿seguro?» | Respetar la petición del usuario |
| Usuario muestra frustración (palabras clave: «inútil», «no entiendes», «por favor») | Deriva prioritaria (cola especial) | La experiencia negativa ya comenzó. Minimizar daño |
| Conversación supera los 7 intercambios sin resolución | Ofrece derivación como opción («¿Quieres que te ponga con un asesor?») | El bot no está avanzando, mejor derivar |
| Consulta sobre tema legal o reclamación formal | Deriva obligatoria, sin opción | Política corporativa y cumplimiento |
El error más común: Derivar diciendo «lo siento, no te he entendido, te transfiero». El usuario siente que perdió el tiempo. En su lugar:
Malo: «No te he entendido. Te paso con un agente.»
Bueno: «He entendido que necesitas [resumen de lo que el bot sí captó]. Para ayudarte con [parte específica que requiere humano], te voy a conectar con un especialista. Te he pasado ya tu [número de cliente + producto + historial] para que no tengas que repetir nada.»
Acción: Revisa tus últimas 100 derivaciones. Si en más del 30% el humano tuvo que pedir información que el bot ya tenía, tu sistema de paso de contexto está roto. Arrégalo antes de seguir.
¿Qué herramientas necesito para implementar un asistente conversacional Markeligente?
Respuesta corta: Stack de 3 capas: plataforma conversacional + LLM + capa de datos.
Stack recomendado por tamaño:
| Necesidad | Herramienta (pyme) | Herramienta (empresa) | Coste aprox. |
| Plataforma conversacional | Landbot + OpenAI (integración nativa) | Botpress (open-source) o Voiceflow | 100-1.000€/mes |
| Modelo de lenguaje | GPT-4 API (OpenAI) o Gemini | GPT-4 fine-tuned o Claude 3 | 50-500€/mes (por uso) |
| Detección de intención | Dialogflow CX (Google) | Rasa (open-source, self-hosted) | 0-600€/mes |
| Análisis de emociones | Cogito o Google Cloud Natural Language | Modelo propio con fine-tuning | 100-2.000€/mes |
| Derivación a humano | Intercom o Crisp (plan básico) | Zendesk + Answer Bot + colas inteligentes | 50-500€/agente/mes |
| Aprendizaje continuo | Hoja de cálculo + análisis manual | BigQuery + Vertex AI + pipeline automático | 0-2.000€/mes |
Stack mínimo para empezar (marca pequeña, <1.000 conversaciones/mes):
Landbot (plan Pro, 200€/mes) con integración nativa de OpenAI
GPT-3.5 Turbo (20€/mes por uso moderado)
Google Sheets (0€) para tracking manual de conversaciones
Crisp (25€/mes) para derivación a humano
Total: ~250€/mes. Suficiente para gestionar 1.000 conversaciones/mes con resolución autónoma del 50-60%.
Acción: Prueba Landbot gratis 14 días. Conecta tu API key de OpenAI. Crea un asistente para una sola tarea (ej. «responder dudas sobre envíos»). Mide cuántas conversaciones resuelve solo antes de escalar.
¿Cuánto cuesta implementar un asistente conversacional con IA y cuánto ROI da?
Respuesta corta: Inversión desde 250€/mes para pymes. ROI típico 3:1 a 10:1 por reducción de coste de atención al cliente + ventas incrementales.
Caso real (neobanco, 500k usuarios):
| Inversión anual | Ahorro | ROI |
| 120.000€ (tecnología + equipo) | Reducción 60% coste atención al cliente + 15% venta cruzada | No especificado, pero significativo |
Estimación para pyme (10.000 conversaciones/mes):
| Concepto | Sin chatbot | Con chatbot Markeligente |
| Conversaciones/mes | 10.000 | 10.000 |
| Resolución autónoma | 0% | 70% |
| Conversaciones que van a humano | 10.000 | 3.000 |
| Tiempo medio agente por conversación | 5 minutos | 2 minutos (con contexto) |
| Coste agente (20€/hora) | 10.000 × (5/60) × 20€ = 16.667€/mes | 3.000 × (2/60) × 20€ = 2.000€/mes |
| Ahorro mensual en atención | – | 14.667€/mes |
| Coste herramienta IA | – | 1.000€/mes |
| Ahorro NETO mensual | – | 13.667€/mes |
| ROI anual | – | ~13:1 (sin contar ventas incrementales) |
Además, ventas incrementales: Si el chatbot cierra un 5% de conversaciones con venta cruzada a 50€ de ticket medio, son 500 ventas/mes × 50€ = 25.000€/mes adicionales.
Acción: Calcula tu coste actual de atención al cliente (número de conversaciones × tiempo medio × coste/hora). Si es >5.000€/mes, la inversión en IA se paga sola en menos de 3 meses.
