¿Cuántas veces has visto a un agente de IA contestar bien y aun así no servir para vender? Suena amable, responde en segundos, y tu asesor igual tiene que volver a preguntarle todo al cliente.
Hace unos días le mostraba a un cliente un tablero que armé conversando con Claude. Usaba los datos de su CRM y las conversaciones de su agente. Le preguntabas qué campaña traía los leads más calientes y te respondía.
El cliente miró la pantalla un buen rato y me preguntó qué tan confiable era esa recomendación.
Un modelo más grande no contesta esa pregunta. La contesta lo que hay debajo: quién decide, quién habla, qué guarda el agente, de dónde sale lo que sabe y cómo lo corriges cuando se equivoca. Si no conoces eso, estás eligiendo por la demo.
Esto es lo que yo le preguntaría a cualquiera que me venda un agente de IA, y cómo lo contestamos en Conversia.
Quien decide no debería ser quien habla
¿Quién decide qué hacer en tu agente, y quién escribe lo que le dice al cliente? En la mayoría de los agentes es la misma pieza, y por eso, cuando algo sale mal, nadie sabe dónde mirar.
Cuando le mostré un agente a una clínica, usé una imagen de fútbol. Antes el asesor tenía que ser "arquero, medio campo, centro, hacer el gol".
Un agente que decide y habla en un solo paso hace lo mismo. Juega todos los puestos a la vez, y ninguno bien.
En Conversia, cada mensaje del cliente pasa por dos agentes. El orquestador coordina el turno. Lee en qué etapa va la conversación, qué protocolos aplican (las recetas para situaciones puntuales, como una objeción de precio), qué sabemos del lead y qué herramientas puede usar, y con todo eso decide qué toca hacer y lo deja escrito en una nota.
El redactor lee esa nota y la identidad de tu negocio, es decir su voz y sus reglas. Con eso escribe la respuesta.
"Más agentes son más cosas que se pueden romper, Eduardo." Es cierto: más piezas, más lugares donde mirar. Pero con un solo agente, cuando algo falla no sabes si falló al decidir o al hablar. Con los roles separados, cada falla tiene su lugar para buscarla y corregirla, y cambiar cómo suena el agente no toca lo que decide.
Y lo que el agente no debe poder hacer, no se lo prohibimos: se lo quitamos como opción. Una regla se puede romper. Una opción que no existe, no.
Después de cada respuesta, otros dos agentes siguen trabajando
Mientras el cliente lee la respuesta, nadie está anotando lo que dijo. Y tu agente tampoco puede acordarse de todo. Trabaja con una ventana reciente de la conversación y un resumen, así que lo importante no puede vivir solo en el historial.
Por eso entran dos agentes más después de cada turno.
El de CRM extrae del diálogo los datos del lead, como qué busca, para cuándo lo necesita y quién decide, y actualiza tus campos.
El de señales evalúa si el lead cumplió un hito comercial, por ejemplo calificar. Si lo cumplió, dispara lo que definiste: asignar a un asesor o agendar.
Y esa señal no se queda adentro. Tus agentes le avisan a Google y a Meta qué pasó con cada lead, con todos los eventos que cada plataforma admite en su documentación oficial: si calificó, si compró y también si todavía dice que no.
Tu pauta deja de aprender solo de quien llenó un formulario.
Cada trabajo pide su propio modelo
¿Con qué modelo funciona tu agente? Es la pregunta obvia. Yo prefiero otra: ¿qué pasa cuando ese modelo cambia?
En Conversia combinamos modelos de OpenAI, Anthropic y Gemini, y cada rol del agente tiene el suyo. Decidir una etapa, redactar con tu voz, extraer datos y evaluar un hito son trabajos distintos. Ningún modelo los hace todos igual de bien.
Esto también cambia lo que te cuesta un cambio de modelo. Si tu agente es uno solo, cambiar de modelo cambia todo a la vez: la voz, las decisiones, lo que guarda. Con un modelo por rol, el cambio toca una pieza, y compruebas esa pieza sin volver a probar todo lo demás.
Una sola fuente de la verdad, y agentes que la consumen
¿Dónde vive hoy lo que tu cliente dijo, lo que le ofreciste y cómo terminó la venta? Probablemente en tres sistemas distintos.
Con el equipo de datos de un cliente de salud lo expliqué en tres capas. Primero, la data cruda, como los audios. Después, una capa de contexto que le da sentido. Y encima, "una serie de agentes que consumen ese contexto" y producen recomendaciones y acciones.
La capa del medio es Contextual Brain. Lee tus llamadas y tus chats y guarda cada hecho con su evidencia, la frase y el minuto. Lo deja en un solo lugar que consultan todos. El agente que conversa lo usa para no repetir preguntas. El asesor de Superhuman recibe el traspaso con toda la historia, no con un nombre y un teléfono. Y tu gerente pregunta desde Claude, ChatGPT o Gemini y recibe la respuesta con su evidencia. Si quieres ver cómo funciona, lo conté aquí.
Ahora, la pregunta de mi cliente. Le propuse empezar por dos cosas. Primero, que los datos de tus campañas sean correctos. Segundo, que el resultado final de cada lead llegue al mismo lugar. Sin eso, la IA te recomienda cambiar el proceso de ventas sin saber cuántos de esos leads terminan en cierre.
Estuvo de acuerdo: primero esas dos, y recién después dejar que la IA recomiende. Con una sola base, esas dos respuestas las ven el mismo agente, el asesor y tu gerente.
Cómo se ve tu lunes después
Es lunes por la mañana y empieza tu reunión de ingresos. Los agentes que consultas desde Claude o ChatGPT hacen el papel de analista.
Tu gerente les pregunta qué etapa del embudo se está cayendo, y la respuesta llega con la frase del cliente y el minuto exacto en que la dijo, para que nadie tenga que fiarse de un resumen.
Tu gerente no está convencido y abre las conversaciones que sostienen la respuesta antes de aprobar nada. Ahí ve que el problema está en cómo se presenta el precio, y aprueba un cambio en ese protocolo. Ese mismo día el agente ya lo usa, y tu asesor recibe cada lead con el contexto completo.
La reunión no pasó viendo un reporte: pasó decidiendo.
Las cinco preguntas, para copiar
Llévalas a tu próxima reunión con quien hoy te vende o te construye un agente. Al lado de cada una, la respuesta que a mí me preocuparía.
- ¿Quién decide qué hacer y quién escribe lo que le dice al cliente? Me preocupa: "el mismo modelo, en un solo paso".
- ¿Qué guarda tu agente fuera de la conversación, y a quién le avisa? Me preocupa: "el historial del chat".
- ¿Tu operación depende de un solo modelo? Me preocupa: "sí, y cambiarlo implica volver a probar todo".
- ¿Dónde vive el resultado de la venta, y lo ve tu agente? Me preocupa: "en otro sistema; lo conectamos después".
- ¿Cuánto tarda en corregirse un error que viste hoy? Me preocupa: "lo levantamos para el próximo ciclo".
Si sigues eligiendo agentes por lo bien que contestan en una demo, vas a comprar el que mejor habla, no el que mejor trabaja.
Para ver cómo contestamos estas cinco con tus propias conversaciones sobre la mesa, agenda una demo y llega con la pregunta que más te cueste.
¿Cuál de las cinco te costaría más contestar sobre tu propio agente?
¿Qué es una arquitectura multiagente?
Es un diseño donde varios agentes de IA se reparten el trabajo de una conversación en lugar de que uno solo lo haga todo. En Conversia, uno decide qué hacer, otro escribe la respuesta con la voz de tu negocio, otro actualiza el CRM y otro evalúa si el lead cumplió un hito comercial.
¿Por qué un agente de IA usa más de un modelo?
Porque decidir, redactar, extraer datos y evaluar son trabajos distintos. En Conversia combinamos modelos de OpenAI, Anthropic y Gemini, y cada rol del agente tiene el suyo. Así un cambio de modelo toca una pieza y no toda la conversación, y el cliente sigue hablando con una sola voz, la de tu negocio.
¿Qué diferencia hay entre el orquestador y el redactor?
El orquestador decide: lee la etapa de la conversación, los protocolos, la ficha del lead y las herramientas, y escribe una nota con lo que toca hacer. El redactor habla: lee esa nota y la identidad de tu negocio, y escribe la respuesta. Separarlos mantiene estable la voz aunque cambie la decisión.
¿Cómo se mantiene una sola fuente de la verdad entre el CRM, las conversaciones y los agentes?
Contextual Brain lee tus llamadas y chats, guarda cada hecho con su evidencia y lo deja en un solo lugar que consultan el agente, el asesor y el gerente. Lo que cada cliente dijo llega a tu CRM, así tus resultados y tus conversaciones quedan juntos y la recomendación parte de lo mismo.
¿Cómo se corrige un agente que ya atiende clientes?
Los hallazgos quedan como tickets. Los agrupamos por la pieza que los causa, la identidad, un protocolo o una regla del flujo, los corregimos ahí y los volvemos a probar con compradores simulados. Con el MCP puedes hacerlo conversando desde Claude, ChatGPT o Gemini, y aplicar solo los cambios que apruebas.
