Bot de WhatsApp: ¿flujos deterministas o IA generativa? Cuándo usar cada uno

No todos los bots de WhatsApp son iguales. Hay una diferencia enorme entre un bot que sigue un guion fijo y uno que usa inteligencia artificial para generar respuestas. Cada enfoque tiene ventajas claras, y elegir mal puede costarte dinero, clientes, o ambos.

En esta guía explicamos los dos enfoques, cuando usar cada uno, y por que la mejor solución para la mayoría de empresas es una combinación de ambos.

Contenido

• Dos enfoques, un mismo canal
• Bots de flujos (deterministas)
• Bots con IA generativa
• El enfoque híbrido: lo mejor de los dos mundos
• Direct Response: por qué es crítico para datos transaccionales
• Guardrails: controles de seguridad para tu bot
• Guía de decisión: por dónde empezar
• Conclusión

Dos enfoques, un mismo canal

Cuando alguien dice “quiero un bot de WhatsApp”, puede estar pensando en cosas muy diferentes:

Opción A: Un bot que sigue pasos predefinidos. El cliente escribe, el bot le pide un dato, lo busca en un sistema y le da la respuesta exacta. Como un cajero automático: predecible, rápido, sin sorpresas.

Opción B: Un bot con inteligencia artificial que entiende lenguaje natural, responde preguntas abiertas y genera respuestas únicas para cada conversación. Como hablar con un agente capacitado (pero que nunca se cansa).

Ninguno es “mejor” que el otro. La clave es saber cuando usar cada uno.

Bots de flujos (deterministas)

Un bot de flujos funciona como un diagrama de decisión. Tiene pasos definidos, condiciones claras y respuestas pre-escritas. No improvisa.

Cómo funciona

1. El cliente escribe un mensaje
2. El bot identifica la intención (puede ser por palabra clave, menú o clasificación básica)
3. El bot sigue una secuencia de pasos: pedir datos, validar, llamar a una API, responder
4. La respuesta es una plantilla fija con variables interpoladas

Ejemplo concreto: consulta de saldo.

Cliente: Quiero saber cuanto debo
Bot: Para consultar tu saldo, necesito tu numero de servicio. Cual es?
Cliente: 44513
Bot: [llama API interna, obtiene saldo]
Bot: Tu saldo actual es de $1,250.00 MXN. Vencimiento: 15 de abril de 2026.

Cada paso esta predefinido. El bot no “decide” que responder; ejecuta un guion.

Ventajas

Envía el dato exacto. El bot no redacta: copia lo que devuelve tu sistema. Si la API devuelve $1,250.00, eso es lo que el cliente recibe, sin que un modelo de lenguaje lo redondee, lo parafrasee o lo invente.

Sin costos de API de IA. No necesitas una clave de OpenAI, Anthropic o Google. El bot funciona con lógica pura. Esto es importante si manejas miles de conversaciones al mes.

Comportamiento predecible. Puedes probar cada flujo de principio a fin y saber qué va a responder el bot en cada escenario que configuraste.

Velocidad. Ejecutar un flujo determinista toma milisegundos. No hay que esperar a que un modelo de lenguaje genere una respuesta.

Cuándo usarlos

• Consultas de saldo y estado de cuenta
• Generación de referencias de pago
• Reportar fallas o incidencias
• Programar citas o servicios
• Cualquier operación donde la respuesta correcta depende de datos de un sistema externo

Regla general: si la respuesta tiene números, fechas, códigos o referencias, usa un flujo determinista.

Bots con IA generativa

Un bot con IA generativa usa un modelo de lenguaje (como GPT-4, Claude o Gemini) para entender el mensaje del cliente y generar una respuesta. No sigue un guion fijo; “piensa” y responde.

Cómo funciona

1. El cliente escribe un mensaje en lenguaje natural
2. El mensaje se envía a un modelo de lenguaje junto con un prompt de sistema (instrucciones) y el historial de la conversación
3. El modelo genera una respuesta única basada en el contexto
4. La respuesta se envía al cliente

Ejemplo concreto: pregunta sobre políticas de cancelación.

Cliente: Hola, estoy pensando en cancelar mi servicio. Que opciones tengo?
Bot: Entiendo que estas considerando cancelar. Antes de proceder, me gustaria
     entender mejor tu situacion. Hay varias opciones que podemos explorar:
     
     1. Si el tema es el precio, tenemos planes mas accesibles que podrian
        ajustarse mejor a tu presupuesto.
     2. Si hay un problema tecnico, puedo ayudarte a resolverlo.
     3. Si definitivamente quieres cancelar, puedo conectarte con un agente
        que te guie en el proceso.
     
     Que te parece? Cual es tu situacion?

Esta respuesta no esta pre-escrita. El modelo la genero basandose en el contexto y las instrucciones.

El patrón RAG: responder con tus documentos

RAG (Retrieval-Augmented Generation) es un patron donde el bot busca en tus documentos antes de responder. En vez de depender solo del conocimiento general del modelo, busca información específica de tu empresa.

Como funciona:

1. Subes tus documentos (PDFs, manuales, FAQs, políticas) a la plataforma
2. Los documentos se procesan y se almacenan en una base de datos vectorial
3. Cuando el cliente pregunta algo, el bot busca los fragmentos más relevantes
4. El modelo genera la respuesta usando esos fragmentos como referencia

Ejemplo: el cliente pregunta “Cual es el horario de atención?” El bot busca en tus documentos, encuentra la sección de horarios y responde con la información correcta de tu empresa, no con datos genéricos.

Ventajas

Entiende lenguaje natural. El cliente no necesita escribir palabras clave exactas ni navegar menús. Puede preguntar de la forma que quiera y el bot entiende.

Maneja preguntas inesperadas. Un flujo determinista solo puede responder lo que fue programado. Un bot con IA puede manejar preguntas que nunca habias anticipado, siempre que tenga la información en sus documentos o prompt.

Conversaciones fluidas. Puede hacer seguimiento, pedir aclaraciones y mantener contexto a lo largo de la conversación. Siente más natural.

Aprende de tus documentos. Con RAG, el bot se vuelve un experto en tu empresa sin necesidad de programar cada respuesta.

Riesgos

Alucinaciones. Los modelos de lenguaje pueden inventar información que suena convincente pero es incorrecta. Esto es inaceptable para datos financieros o transaccionales.

Costos de API. Cada mensaje al modelo tiene un costo. Con volumenes altos (miles de conversaciones/dia), esto puede sumar.

Latencia. Generar una respuesta toma 1-3 segundos, contra milisegundos de un flujo determinista.

Imprevisibilidad. El mismo input puede generar respuestas ligeramente diferentes cada vez. Esto puede ser un problema para cumplimiento regulatorio.

Cuándo usarlos

• Preguntas frecuentes (FAQs)
• Información sobre productos y servicios
• Políticas y procedimientos
• Quejas o feedback (donde el tono empatico importa)
• Cualquier pregunta donde la respuesta esta en tus documentos

Regla general: si la respuesta es informativa (no transaccional), la IA generativa es tu amiga.

El enfoque híbrido: lo mejor de los dos mundos

La realidad es que la mayoría de empresas necesitan ambos. Hay preguntas que se resuelven mejor con flujos y otras que se resuelven mejor con IA. La solución no es elegir uno u otro, sino combinarlos inteligentemente.

Cómo funciona en CX Inbox

CX Inbox usa un enfoque híbrido con tres capas:

Capa 1: Clasificación de intents (LLM). Cuando el cliente escribe, un modelo de lenguaje clasifica el mensaje en un intent (intención). No genera la respuesta; solo clasifica. Esto toma una fracción de segundo.

Capa 2: Ejecución determinista (TypeScript). Si el intent es transaccional (consultar saldo, generar pago, reportar falla), una maquina de estados en TypeScript maneja todo el flujo. Pide datos, válida, llama APIs y responde con templates fijos. La IA puede ayudar a reconocer un dato que el cliente escribió, como un número de servicio, pero no decide el siguiente paso ni redacta la respuesta.

Capa 3: Respuesta generativa (LLM). Si el intent es informativo (pregunta general, información de producto, queja), el modelo de lenguaje genera la respuesta. Si hay RAG configurado, busca en tus documentos primero.

El principio es simple: el LLM clasifica, TypeScript decide, templates responden.

Ejemplo en acción

Un cliente de una empresa de telecomunicaciones escribe:

“No tengo internet desde ayer, mi servicio es 44513”

1. Clasificación: el LLM identifica intent = “reportar-falla” y extrae numero_servicio = 44513 y descripcion = "No tengo internet desde ayer".
2. Ejecución determinista: la maquina de estados verifica el número de servicio contra la API, confirma la identidad del titular, registra el reporte de falla.
3. Respuesta: un template fijo envía el folio del reporte y el tiempo estimado de resolución.

Si el mismo cliente luego pregunta:

“Y cuanto cuesta cambiarme a un plan más rápido?”

1. Clasificación: el LLM identifica intent = “información-general”.
2. Respuesta generativa: el LLM busca en la base de conocimiento (RAG), encuentra los planes disponibles y genera una respuesta personalizada.

Todo en la misma conversación, sin que el cliente note la diferencia.

BYOK: trae tu propia clave

Un beneficio del enfoque híbrido es que la IA es opcional. Puedes empezar solo con flujos deterministas (cero costo de API de IA) y agregar IA después cuando lo necesites.

Cuando estes listo, CX Inbox soporta BYOK (Bring Your Own Key): conectas tu propia clave de API de OpenAI, Anthropic (Claude) o Google (Gemini). No hay markup sobre el uso del modelo. Pagas directamente al proveedor de IA.

Direct Response: por qué es crítico para datos transaccionales

Ya mencionamos las alucinaciones, pero vale la pena profundizar porque es uno de los errores más costosos.

Imagina este escenario:

1. El bot consulta la API y obtiene: saldo = $2,347.50, referencia = 8901-2345-6789
2. El bot pasa estos datos al modelo de lenguaje para que “redacte una respuesta amigable”
3. El modelo responde: “Tu saldo es de aproximadamente $2,350 y tu referencia de pago es 8901-2345-6789”

Parece inofensivo, pero:

• El monto fue redondeado ($2,347.50 -> $2,350). Si el cliente paga $2,350, el pago no se aplica correctamente
• En otros casos, el modelo podría omitir un digito de la referencia o cambiar un número

Direct Response resuelve esto. Cuando una herramienta (tool) esta marcada como Direct Response:

1. La herramienta se ejecuta y obtiene los datos de la API
2. Los datos se interpolan en un template fijo (no generado por IA)
3. El mensaje se envía directamente al cliente, sin pasar por el modelo
4. El modelo recibe un aviso: “La información fue enviada al cliente” y continua la conversación normalmente

Regla: todo dato que tenga números, montos, referencias, folios o fechas debe usar Direct Response. Siempre.

Guardrails: controles de seguridad para tu bot

Un bot que atiende clientes necesita controles. Especialmente si usa IA generativa. Estos son los guardrails más importantes:

Filtros de palabras

Puedes definir palabras o frases que el bot nunca debe mencionar (competidores, información confidencial, temas sensibles). Si el modelo intenta incluirlas, el mensaje se bloquea y se escala a un agente.

Límites de reintentos

Si el cliente no proporciona un dato válido después de N intentos, el bot debe escalar a un agente en vez de seguir pidiendo. Nada frustra más a un cliente que un bot que repite la misma pregunta.

Verificación de identidad determinista

La verificación de nombres y datos personales nunca debe pasar por la IA. Se hace con comparación de strings en el código: el nombre que da el cliente vs. el nombre que esta en el sistema. Si no coincide, el bot pide verificar o escala.

Detección de sentimiento negativo

El bot puede detectar frustación o enojo en el tono del cliente y escalar automáticamente a un agente humano antes de que la situación empeore.

Límites de turnos

Si la conversación con el bot supera un número de turnos sin resolución (por ejemplo, 15), el bot escala automáticamente. Esto previene conversaciones circulares.

Guía de decisión: por dónde empezar

Empieza con flujos si…

• Tu caso de uso principal es transaccional (saldos, pagos, reportes, citas)
• No quieres costos de API de IA por ahora
• Necesitas respuestas exactas y predecibles
• Tu volumen de conversaciones es alto (los costos de IA a escala son significativos)
• Operas en una industria regulada donde cada respuesta debe ser controlada

Agrega IA cuando…

• Recibes muchas preguntas que no pueden resolverse con un flujo fijo (FAQs variadas)
• Tienes documentación que el bot podría consultar (manuales, políticas, catálogo)
• Quieres que el bot maneje la primera interacción y solo escale casos complejos
• Tu equipo de soporte esta saturado con preguntas repetitivas pero variadas en su formulación

El camino típico

1. Mes 1: Configura 2-3 flujos deterministas para tus operaciones más comunes (consulta de saldo, reporte de falla, estatus de pedido)
2. Mes 2: Mide resultados. Si el bot esta resolviendo 50%+ de conversaciones y tienes preguntas que no puede manejar, agrega IA
3. Mes 3: Sube tus documentos (RAG), configura el prompt del bot con tu tono y políticas, activa la respuesta generativa para intents informativos
4. Continuo: Revisa las conversaciones escaladas. Si hay patrones, crea nuevos flujos deterministas. La IA cubre lo que los flujos no

Conclusión

El debate “flujos vs IA” es un falso dilema. Lo que necesitas es saber cuando usar cada herramienta:

• Datos transaccionales: flujos deterministas + Direct Response. Sin excepciones.
• Preguntas informativas: IA generativa + RAG. Con guardrails.
• Clasificación: IA para entender la intención. Rápido y barato.
• Ejecución: TypeScript para la lógica de negocio. Predecible y seguro.

El enfoque híbrido no es un compromiso; es la arquitectura correcta para un bot empresarial que maneja datos reales de clientes.

Prueba CX Inbox gratis — 14 días, sin tarjeta de crédito. Configura tu primer bot híbrido: flujos para lo transaccional, IA para lo conversacional.

---

Publicado: abril 2026. Esta guía refleja el estado actual de la tecnología de bots conversacionales y las capacidades de CX Inbox.