Agente para cadena de farmacias

Una cadena de farmacias importante necesitaba escalar la atención por WhatsApp sin saturar a sus operadores humanos. El volumen de consultas era alto, y muchas eran repetitivas: dudas sobre productos, búsquedas de un medicamento puntual, consultas de stock, armado de pedidos.

La primera reacción obvia era poner un chatbot. Pero un bot de árbol de decisión — esos que te hacen elegir entre opciones numeradas — no iba a funcionar acá. Las consultas son abiertas, contextuales, a veces ambiguas. Necesitaban algo que razone sobre la conversación, no que siga un guión.

Lo que construimos

Un agente conversacional que recibe la primera capa de interacción por WhatsApp: asesora al cliente, le busca lo que necesita en el catálogo, le arma el carrito de compra dentro del chat, y cuando la conversación lo amerita pasa el chat a un operador humano para cerrar la operación.

El agente está construido con LangGraph. No es un pipeline lineal — es un grafo donde cada nodo toma decisiones: clasificar la intención, buscar productos, evaluar si puede resolver o si necesita escalar. La lógica de cuándo derivar a humano está explícita y es ajustable, no es magia negra.

Una decisión importante

El sistema vive hosteado en la nube del propio cliente, no en la nuestra. Fue una decisión deliberada: el cliente conserva control sobre sus datos y sobre la infraestructura. Nosotros entregamos un sistema que se integra a su stack en lugar de generar dependencia.

La conexión con WhatsApp es a través de Botmaker, la plataforma de mensajería que el cliente ya usaba. No reemplazamos lo que funcionaba — nos integramos.

Lo que lo diferencia

No es un bot del 2018 con opciones numeradas. Es un agente que razona sobre lo que el usuario escribe, busca en un catálogo real, arma un pedido dentro de la conversación, y tiene la disciplina de reconocer cuándo no puede resolver algo solo.

Esa disciplina — saber cuándo pasar al humano — es lo que separa un agente útil de uno frustrante.