Cómo funcionan las sugerencias de respuesta con IA

Cuando llega un mensaje, Wando genera una sugerencia de respuesta. La sugerencia no se envía sola: vos la revisás, editás si hace falta, y aprobás. Así mantenés el control de lo que se le dice al cliente.

Qué contexto usa la IA

• El system prompt de tu negocio (tono, reglas, rubro).
• Las plantillas que tengas cargadas.
• Correcciones anteriores que hiciste a mano (aprendizaje few-shot).
• Archivos de conocimiento y documentos del negocio.

Cómo mejorarla con el tiempo

Cada vez que corregís una sugerencia, ese ejemplo puede usarse como referencia para futuras respuestas. Mientras más uses Wando y corrijas, más se ajustan las sugerencias a tu estilo.

Qué pasa cuando la IA se equivoca

Nada se envía sin que vos lo apruebes. Ese es el punto del human-in-the-loop: si la sugerencia está mal, la descartás, la editás o escribís la respuesta de cero. El error no llega al cliente.

Lo importante es qué hacés después. Si corregís la sugerencia antes de mandarla, esa corrección queda como ejemplo y entra en el aprendizaje. Si en cambio borrás todo y escribís por afuera, la IA no tiene de dónde aprender y el mismo error se puede repetir.

Para que el sistema mejore conviene editar sobre la sugerencia en vez de ignorarla. Es la diferencia entre corregir y tirar.

• Si la sugerencia está mal, editá sobre ella: así se registra la corrección.
• Si el problema se repite con el mismo tipo de consulta, suele faltar contexto en el system prompt o en los archivos de conocimiento.
• Si el tono no coincide, revisá primero las reglas de tono antes de tocar cada respuesta a mano.

Qué NO hace la IA de Wando

No responde sola sin supervisión por defecto. Wando sugiere y el equipo aprueba. Si buscás un bot que conteste sin que nadie mire, esto no es eso.

No es un chatbot de flujos. No hay que programar árboles de decisión ni mantenerlos cuando cambia el negocio. La IA trabaja sobre el contexto real del negocio y las correcciones que hiciste.

Tampoco reemplaza a Meta en nada: la aprobación de plantillas, los límites de la API y los precios de conversación los define Meta. Wando usa la API oficial de WhatsApp (WhatsApp Cloud API) y las plantillas se aprueban en hasta 48 hs. Cualquier otro plazo o costo depende de Meta y se consulta en su documentación oficial.

Ejemplo: una consulta de una pizzería, paso a paso

Entra un audio a las 21:40: "¿Hacen envío a Villa Urquiza y hasta qué hora?".

Wando transcribe el audio y genera una sugerencia. El system prompt del negocio dice que el envío a Villa Urquiza sale $X y que la cocina cierra a las 23:30, así que la sugerencia arranca con esos dos datos.

El dueño la lee: el horario está bien, pero quiere aclarar que el último pedido se toma 20 minutos antes del cierre. Edita esa parte y aprueba. La respuesta sale por WhatsApp Business.

Esa edición queda como ejemplo. La próxima vez que alguien pregunte por horarios de envío, la sugerencia probablemente ya incluya el corte de 20 minutos antes. No hubo que programar nada: se corrigió una vez y el sistema lo tomó.

Errores comunes al usar sugerencias de IA

El más frecuente es dejar el system prompt vacío o genérico. Si no le decís rubro, tono y reglas, la IA improvisa y las sugerencias salen planas. Cargalo una vez y mejoralo cada tanto.

El segundo es aprobar sin leer. La sugerencia es un borrador, no un envío automático. Si aprobás todo a ciegas, el cliente recibe respuestas que nadie revisó y el aprendizaje se contamina con ejemplos que no querías.

El tercero es corregir por afuera. Si borrás la sugerencia y escribís todo de nuevo, perdés la señal. Editá sobre lo que ya hay.

• Cargá el system prompt con rubro, tono y reglas antes de exigirle precisión a la IA.
• Revisá antes de aprobar: es un borrador, no un envío.
• Editá sobre la sugerencia en vez de reescribir de cero.
• Sumá archivos de conocimiento con la información que más se repite (envíos, horarios, formas de pago).
• Si el mismo error vuelve, no parchees respuesta por respuesta: corregí el contexto.

Cuánto tarda en notarse la mejora

No hay un plazo garantizado. Depende de cuántas correcciones hagas y de qué tan repetitivas sean las consultas del negocio. Un local con diez preguntas frecuentes va a notar el ajuste antes que uno con consultas muy variadas.

Lo que sí podés medir es tu propia proporción de ediciones: si cada vez tocás menos la sugerencia antes de aprobar, el contexto está funcionando. Si seguís corrigiendo lo mismo todas las semanas, el problema está en el system prompt o en los archivos de conocimiento, no en la IA.

Las estadísticas de mensajes y campañas te dan el volumen; el resto lo ves en el día a día de la bandeja.

Cómo se combina con el resto de la bandeja

La bandeja con sugerencias de IA convive con las demás herramientas: plantillas (HSM) y campañas para mensajes que salen a muchos contactos, contactos con etiquetas para segmentar, multiagente para que varios atiendan a la vez y auto-respuestas por horario para lo que llega fuera del horario de atención.

Las sugerencias sirven para la conversación uno a uno. Las plantillas y campañas, para lo masivo. No las mezcles: una plantilla aprobada por Meta tiene otro formato y otras reglas que una respuesta suelta.

Si necesitás conectar la bandeja con otras herramientas, Wando tiene webhooks a Make, Zapier, n8n y Slack, Google Sheets para contactos y Mercado Pago para cobros. Los canales son WhatsApp (API oficial de Meta), Instagram y Messenger.

Cómo se entrena la IA sin que vos programes nada

Esta es la pregunta que más se repite cuando alguien escucha "IA que aprende": ¿quién la entrena, cuánto tarda, hay que saber de prompts? La respuesta corta: la entrenás vos sin darte cuenta, cada vez que corregís una sugerencia antes de aprobarla.

El mecanismo es el aprendizaje few-shot. En vez de reentrenar un modelo (que es caro, lento y no lo controlás), Wando le pasa a la IA ejemplos reales de cómo respondió tu negocio. Esos ejemplos salen de tus correcciones y de las respuestas que aprobaste tal cual. La IA los lee como referencia antes de sugerir la próxima respuesta.

Por eso importa tanto editar sobre la sugerencia en vez de descartarla: una edición es un ejemplo etiquetado ("esto estaba mal, esto está bien"), mientras que un descarte no deja señal. No es magia ni un modelo que se reentrena solo: es contexto que se acumula.

• No hay que escribir prompts técnicos ni programar nada: el contexto se arma con lo que ya hacés en la bandeja.
• Cada corrección suma un ejemplo; cada descarte, no.
• El aprendizaje vive en tu cuenta, no en un modelo global: lo que aprende tu negocio no se mezcla con el de otro.

Qué datos conviene cargar antes de esperar buenas sugerencias

La IA no adivina. Si el system prompt está vacío, va a sugerir respuestas genéricas que no sirven para tu rubro. Antes de exigirle precisión, dale material.

Lo mínimo útil: rubro, tono (formal, informal, con o sin emojis), qué hacés y qué no hacés, y las reglas duras del negocio. Por ejemplo: "no tomamos reservas por WhatsApp", "los envíos son solo dentro de CABA", "no damos precios por chat, derivamos a la web". Esas reglas evitan que la IA prometa cosas que no podés cumplir.

Después, los archivos de conocimiento: horarios, zonas de envío, formas de pago, políticas de cambio, preguntas frecuentes. Todo lo que respondés mil veces por semana va ahí. Cuanto más específico el material, menos ediciones vas a tener que hacer después.

• Rubro y tono: sin esto, las sugerencias salen planas y fuera de personaje.
• Reglas duras: lo que la IA nunca debe prometer ni afirmar.
• Archivos de conocimiento: horarios, envíos, pagos, políticas, FAQ.
• Plantillas cargadas: sirven de referencia de formato y de contenido aprobado.

Cómo se mide si las sugerencias están mejorando

No hay un número mágico ni un panel que te diga "mejoraste 40%". Lo que sí podés mirar es tu propia tasa de edición: de cada diez sugerencias que aprobás, ¿cuántas tocaste antes de mandar? Si esa proporción baja semana a semana, el contexto está funcionando.

El segundo indicador es la repetición. Si corregís el mismo tipo de error todas las semanas (mismo horario mal, mismo tono, misma info faltante), no es la IA la que falla: falta contexto en el system prompt o en los archivos de conocimiento. Ese error no se arregla respuesta por respuesta.

Las estadísticas de mensajes y campañas te dan el volumen de conversación, pero no miden calidad de sugerencias. Para eso, la referencia es tu ojo sobre la bandeja y la cuenta de ediciones que hacés.

• Baja la proporción de ediciones → el contexto está funcionando.
• Se repite el mismo error → falta contexto, no es problema del modelo.
• Muchas sugerencias descartadas sin editar → revisá el system prompt: probablemente esté genérico.

Ejemplo completo: un e-commerce con una consulta de stock

Entra un mensaje de texto a las 15:20: "Hola, ¿les queda la remera negra talle M? ¿Cuánto sale con envío a Rosario?".

Wando genera una sugerencia. El system prompt del negocio aclara que los precios se consultan en la web y que el envío a Rosario tiene un costo fijo. Los archivos de conocimiento tienen la lista de talles disponibles. La sugerencia arranca con el stock y deriva el precio a la web, tal como pide la regla.

El dueño la lee: el stock está bien, pero quiere agregar que si la compra es hoy, entra en el despacho del día. Edita esa parte y aprueba. La respuesta sale por WhatsApp Business.

Esa edición queda como ejemplo. La próxima consulta de stock con envío va a incluir probablemente la mención del despacho del mismo día. No se programó nada: se corrigió una vez y el sistema lo tomó como referencia.

• El system prompt evitó que la IA inventara un precio.
• El archivo de conocimiento resolvió el stock sin que el dueño lo tipeara.
• La edición agregó un dato de valor (despacho hoy) que ahora la IA puede reutilizar.

Cómo se evita que la IA invente información

El riesgo real de cualquier IA generativa es que complete lo que no sabe. En Wando, la defensa es doble: por un lado, el human-in-the-loop, que impide que una respuesta inventada llegue al cliente sin que la veas. Por el otro, el contexto cargado, que le da material real para no tener que improvisar.

La regla práctica: si una información no está en el system prompt, en las plantillas o en los archivos de conocimiento, la IA no la tiene. Puede sugerir algo plausible, pero no verificado. Por eso conviene cargar explícitamente lo que sí querés que diga y, si hace falta, una instrucción del tipo "si no sabés el precio, pedí que consulten la web".

Cuando el dato puede variar (precios de conversación de Meta, plazos de aprobación, límites de la API), la referencia correcta es siempre la documentación oficial de Meta. Wando no define esas reglas y no las puede afirmar por vos.

• Si el dato no está cargado, la IA no lo tiene: no lo inventa bien.
• Instrucciones del tipo "si no sabés, derivá" evitan respuestas inventadas.
• Los datos de Meta (precios, plazos, límites) se consultan en su documentación oficial, no se asumen.

Cuándo conviene que la IA no sugiera nada

No toda conversación se beneficia de una sugerencia. Hay casos donde la respuesta automática resta en vez de sumar, y conviene que el equipo escriba de cero.

Reclamos delicados, temas legales, quejas con carga emocional o negociaciones puntuales: ahí una sugerencia "correcta" puede sonar fría o fuera de lugar. Mejor que la escriba una persona con contexto de la relación.

También conviene desactivar sugerencias cuando el negocio está cambiando algo (precios nuevos, promoción vigente, cambio de horario) y el contexto todavía no está actualizado. En esos días, la IA puede estar sugiriendo con información vieja. Actualizá el system prompt o los archivos antes de confiar en las sugerencias.

• Reclamos y temas sensibles: respuesta humana, sin sugerencia.
• Negociaciones puntuales: la IA no conoce el historial de la relación.
• Cambios recientes (precios, horarios, promos): actualizá el contexto primero o desactivá la sugerencia hasta que esté al día.