English

Global Exchange

Diseñando una experiencia conversacional con IA para soporte en WhatsApp

Diseño y evolución de un chatbot de IA en WhatsApp para reducir la carga operativa del Customer Relationship Center y mejorar la experiencia de soporte.

Conversational AI · Customer Support · WhatsApp

Project Overview

De consultas repetitivas a conversaciones que se resuelven solas

Global Exchange es la empresa líder mundial en cambio de divisas, con sede en España y presencia en más de 30 países.

Este proyecto se centró en el diseño y lanzamiento de un agente conversacional en WhatsApp para gestionar consultas informativas y reducir la carga operativa del Customer Relationship Center (CRC).

El producto se lanzó como un MVP en producción y evolucionó a partir de datos de uso real y feedback de usuarios en distintos mercados.

Producto

Agente conversacional de IA (WhatsApp)

Rol

UX/UI Design Lead

Skills

Product Strategy

Conversational Design

UX Writing

Stakeholder Management

Data-driven Iteration

El reto

Cada consulta simple ocupaba tiempo humano valioso.

Ubicaciones, horarios y preguntas frecuentes consumían gran parte del soporte.

El desafío consistía en diseñar una experiencia conversacional escalable, capaz de resolver estas necesidades informativas de forma eficiente, manteniendo cumplimiento normativo, fiabilidad y una integración clara con el soporte humano en un contexto multimercado.

Volumen de consultas informativas

Ubicación de oficinas, horarios, servicios y preguntas frecuentes ocupaban parte del tiempo del CRC.

Sobrecaraga operativa del equipo

Consultas informativas que exigían intervención humana, restando capacidad para atender lo comercial.

Escalar sin perder fiabilidad

No bastaba con automatizar: había que garantizar el cumplimiento normativo en distintos mercados.

Objetivos del producto

Antes de automatizar, había que aprender

Cuatro objetivos guiaron el diseño, desde reducir carga operativa hasta validar el canal antes de escalarlo.

Reducir la carga operativa del CRC

Gestionar consultas no comerciales y repetitivas a través de un canal conversacional, liberando tiempo del equipo.

https://framer.link/isaacdsign

Soporte siempre disponible

Automation alone wasn’t enough: compliance had to be ensured across different markets.

https://framer.link/isaacdsign

Validar WhatsApp como canal

En lugar de asumir su adopción, el proyecto buscaba validarlo con uso real.

https://framer.link/isaacdsign

Aprender antes de escalar

Antes de habilitar casos transaccionales, el foco fue entender el comportamiento y los patrones conversacionales reales.

https://framer.link/isaacdsign

Alcance y restricciones

Definir qué no hacer también es diseñar

Un alcance claro del MVP fue clave para equilibrar velocidad, riesgo y aprendizaje en un entorno fintech regulado.

DENTRO DEL MVP

✓ Ubicación de oficinas y horarios

✓ FAQ, servicios y monedas disponibles

✓ Selección de idioma y país

✓ Derivación a un agente humano cuando era necesario

FUERA DEL ALCANCE

✕ Tipos de cambio

✕ Creación de pedidos

✕ Seguimiento de
pedidos

Para evitar riesgos y complejidad prematura.

RESTRICCIONES NORMATIVAS

Cumplimiento normativo

Limitaciones de la plataforma WhatsApp

Condiciones en patrones de interacción y UI

RETOS DE ENTREGA

Dependencia de un proveedor externo

Coordinación entre IA, soporte y compliance

Estimaciones iniciales muy por debajo de los tiempos reales

Gestionarlo requirió priorización continua y alineación entre equipos.

Diseñar bien no fue decidir qué construir, sino tener la disciplina de decidir qué no construir todavía.

DENTRO DEL MVP

✓ Ubicación de oficinas y horarios

✓ FAQ, servicios y monedas
disponibles

✓ Selección de idioma y país

✓ Derivación a un agente humano cuando sea necesario

FUERA DEL ALCANCE

✕ Tipos de cambio

✕ Creación de pedidos

✕ Seguimiento de pedidos

Para evitar riesgos y complejidad
prematura.

RESTRICCIONES NORMATIVAS

Cumplimiento normativo

Limitaciones de la plataforma
WhatsApp

Condiciones en patrones de
interacción y UI

RETOS DE ENTREGA

Dependencia de un proveedor
externo

Coordinación entre IA, soporte y
compliance

Estimaciones iniciales muy por debajo
de los tiempos reales

Gestionarlo requirió priorización continua y alineación entre equipos.

Diseñar bien no fue decidir qué construir, sino tener la disciplina de decidir qué no construir todavía.

DENTRO DEL MVP

✓ Ubicación de oficinas y
horarios

✓ FAQ, servicios y monedas
disponibles

✓ Selección de idioma y
país

✓ Derivación a un agente
humano cuando sea necesario

FUERA DEL ALCANCE

✕ Tipos de cambio

✕ Creación de pedidos

✕ Seguimiento de pedidos

Para evitar riesgos y
complejidad prematura.

RESTRICCIONES NORMATIVAS

✓ Ubicación de oficinas y
horarios

✓ FAQ, servicios y monedas
disponibles

✓ Selección de idioma y
país

✓ Derivación a un agente
humano cuando sea necesario

FUERA DEL ALCANCE

✕ Tipos de cambio

✕ Creación de pedidos

✕ Seguimiento de pedidos

Para evitar riesgos y
complejidad prematura.

Diseñar bien no fue decidir qué construir, sino tener la disciplina de decidir qué no construir todavía.

Solución

De un flujo rígido a una experiencia de compra guiada

Un flujo de compra rediseñado para reducir fricción, mejorar la claridad y adaptarse al contexto del usuario.

Entrega guiada en un contexto regulado
El MVP se basó en un modelo de entrada guiada para reducir ambigüedad y riesgo. Solicitar desde el inicio el idioma y el país permitió ofrecer respuestas precisas y garantizar cumplimiento normativo en múltiples mercados
Impacto:
Respuestas más precisas desde el primer mensaje
Cumplimiento normativo en distintos mercados
Experiencia predecible y fácil de seguir
Diseño orientado a intención, no a texto libre
En lugar de fomentar una conversación sin restricciones, la experiencia se diseñó en torno a intenciones claras de usuario.
Impacto:
Reducción de malentendidos
Menos estados de error
Expectativas claras sobre qué puede y qué no puede hacer el bot
Derivación al CRC como parte de la experiencia
La escalada al CRC se trató como un resultado diseñado, no como un fallo del sistema, con reglas claras para resolver, aclarar o conectar con un agente humano.
Impacto:
Continuidad entre soporte conversacional y atención humana
Reglas claras: resolución automatizada, aclaraciones o derivación
El usuario nunca queda "atrapado" sin salida
Entrega guiada en un contexto regulado
El MVP se basó en un modelo de entrada guiada para reducir ambigüedad y riesgo. Solicitar desde el inicio el idioma y el país permitió ofrecer respuestas precisas y garantizar cumplimiento normativo en múltiples mercados
Impacto:
Respuestas más precisas desde el primer mensaje
Cumplimiento normativo en distintos mercados
Experiencia predecible y fácil de seguir
Diseño orientado a intención, no a texto libre
En lugar de fomentar una conversación sin restricciones, la experiencia se diseñó en torno a intenciones claras de usuario.
Impacto:
Reducción de malentendidos
Menos estados de error
Expectativas claras sobre qué puede y qué no puede hacer el bot
Derivación al CRC como parte de la experiencia
La escalada al CRC se trató como un resultado diseñado, no como un fallo del sistema, con reglas claras para resolver, aclarar o conectar con un agente humano.
Impacto:
Continuidad entre soporte conversacional y atención humana
Reglas claras: resolución automatizada, aclaraciones o derivación
El usuario nunca queda "atrapado" sin salida
Entrega guiada en un contexto regulado
El MVP se basó en un modelo de entrada guiada para reducir ambigüedad y riesgo. Solicitar desde el inicio el idioma y el país permitió ofrecer respuestas precisas y garantizar cumplimiento normativo en múltiples mercados
Impacto:
Respuestas más precisas desde el primer mensaje
Cumplimiento normativo en distintos mercados
Experiencia predecible y fácil de seguir
Diseño orientado a intención, no a texto libre
En lugar de fomentar una conversación sin restricciones, la experiencia se diseñó en torno a intenciones claras de usuario.
Impacto:
Reducción de malentendidos
Menos estados de error
Expectativas claras sobre qué puede y qué no puede hacer el bot
Derivación al CRC como parte de la experiencia
La escalada al CRC se trató como un resultado diseñado, no como un fallo del sistema, con reglas claras para resolver, aclarar o conectar con un agente humano.
Impacto:
Continuidad entre soporte conversacional y atención humana
Reglas claras: resolución automatizada, aclaraciones o derivación
El usuario nunca queda "atrapado" sin salida
Entrega guiada en un contexto regulado
El MVP se basó en un modelo de entrada guiada para reducir ambigüedad y riesgo. Solicitar desde el inicio el idioma y el país permitió ofrecer respuestas precisas y garantizar cumplimiento normativo en múltiples mercados
Impacto:
Respuestas más precisas desde el primer mensaje
Cumplimiento normativo en distintos mercados
Experiencia predecible y fácil de seguir
Diseño orientado a intención, no a texto libre
En lugar de fomentar una conversación sin restricciones, la experiencia se diseñó en torno a intenciones claras de usuario.
Impacto:
Reducción de malentendidos
Menos estados de error
Expectativas claras sobre qué puede y qué no puede hacer el bot
Derivación al CRC como parte de la experiencia
La escalada al CRC se trató como un resultado diseñado, no como un fallo del sistema, con reglas claras para resolver, aclarar o conectar con un agente humano.
Impacto:
Continuidad entre soporte conversacional y atención humana
Reglas claras: resolución automatizada, aclaraciones o derivación
El usuario nunca queda "atrapado" sin salida

DESLIZA PARA EXPLORAR

Selección de moneda

Eliminar fricción en la primera interacción. Punto de entrada simplificado que permite seleccionar moneda y cantidad de forma clara desde el inicio.

Impacto:

Reducción de la fricción en el inicio del flujo

New bullet point

Método de entrega y fecha

Adaptado al contexto del viaje Opciones de entrega flexibles integradas desde el inicio, alineadas con las necesidades reales del usuario.

Impacto:

Mayor flexibilidad en la planificación del pedido

New bullet point

Datos personales

Reducción de esfuerzo y errores Automatización mediante OCR y autocompletado para simplificar la introducción de datos.

Impacto:

Menor carga cognitiva en el usuario

New bullet point

Resultados

El aprendizaje del MVP, en cifras

El chatbot se lanzó como un MVP en producción, permitiendo observar comportamiento real de los usuarios y evaluar el impacto del soporte conversacional a lo largo de 2025.

Conversaciones totales

Impulsadas por consultas informativas gestionadas a través del canal de soporte conversacional durante 2025.

Consultas resueltas automáticamente

Resueltas en español sin necesidad de intervención humana, reduciendo la carga del Customer Relationship Center (CRC).

Conversaciones derivadas al CRC

Derivadas a agentes humanos cuando las consultas superaban el alcance informativo del chatbot.

Impacto del producto

Del MVP a la siguiente iteración

El chatbot introdujo una nueva primera capa de atención al cliente, redefiniendo cómo se gestionaban las consultas informativas a través de los distintos canales.

Optimización del CRC

Desvío de consultas repetitivas, liberando capacidad del CRC para casos de mayor valor.

Separación de canales

Distinción entre soporte informativo automatizado y atención asistida por agentes humanos.

Validación de WhatsApp

Confirmado como canal de soporte fiable y mobile-first para consultas informativas.

Base para evolucionar

Una base sólida para llevar la experiencia más allá del MVP, con datos reales de uso.

Estos resultados confirmaron que el alcance inicial del MVP fue acertado, y al mismo tiempo evidenciaron oportunidades claras para mejorar cómo los usuarios inician y navegan la conversación.

El siguiente paso no fue añadir más funcionalidades, sino refinar el flujo conversacional a partir de patrones de uso real.

Flow 2.0

Iteración basada en datos

Los aprendizajes obtenidos a partir de datos de uso real y feedback de usuarios mostraron que el flujo conversacional inicial, aunque efectivo, introducía fricción innecesaria en el punto de entrada. En lugar de ampliar funcionalidades, el foco pasó a mejorar cómo los usuarios inician y avanzan en la conversación.

Qué revelaron los datos

El análisis de las conversaciones evidenció patrones consistentes: los usuarios preferían preguntar directamente en lugar de navegar por opciones predefinidas, y muchas conversaciones seguían rutas informativas similares.

Hallazgos

El problema era cómo se iniciaba la conversación
Las elecciones estructuradas ralentizaban las primeras interacciones

Decisión clave del producto

A partir de estos insights, lideré la transición de un modelo de entrada basado en menús a un modelo conversation-first, reduciendo la fricción al inicio sin perder control donde compliance y derivación a humano lo requerían.

Impacto

Los usuarios pudieron expresar su intención de forma natural
Se sentaron las bases de la siguiente iteración del sistema conversacional

Qué revelaron los datos

El análisis de las conversaciones evidenció patrones consistentes: los ususarios preferían preguntar directamente en lugar de navegar por opciones predefinidas, y muchas conversaciones seguían rutas informativas similares.

Impacto

El problema era cómo se iniciaba la conversación
La elecciones estructuradas ralentizaban las primeras interacciones

Decisión clave del producto

A partir de estos insights, lideré la transición de un modelo de entrada basado en menús a un modelo conversation-first, reduciendo la fricción sin perder control donde compliance lo requería.

Impacto

Los usuarios pudieron expresar su intención de forma natural
Se sentaron las bases de la siguiente iteración del sistema conversacional

Qué revelaron los datos

Hallazgos

El problema era cómo se iniciaba la conversación
La elecciones estructuradas ralentizaban las primeras interacciones

Decisión clave del producto

A partir de estos insights, lideré la transición de un modelo de entrada basado en menús a un modelo conversation-first, reduciendo la fricción sin perder control donde compliance lo requería.

Impacto

Los usuarios pudieron expresar su intención de forma natural
Se sentaron las bases de la siguiente iteración del sistema conversacional

Diseño del sistema

Modelo conversacional híbrido

Un sistema que combina entrada libre de texto con lógica estructurada, para equilibrar flexibilidad y control en un entorno fintech.

La estructura conversacional se definió y validó antes de su implementación, en colaboración estrecha con equipos internos y el proveedor de IA.

Cómo funciona el modelo híbrido

Entrada de texto libre como punto de inicio, para una interacción natural

Resolución de consultas informativas liderada por IA

Lógica estructurada para requisitos legales, inactividad y derivación al CRC

Por qué un enfoque híbrido

Reduce la ambigüedad sin sobrecondicionar a los usuarios

Mejora la velocidad y claridad de la primera interacción

Mantiene un comportamiento fiable en escenarios regulados

Este modelo permite que el chatbot actúe como un asistente de soporte, y no como un menú rígido o una interfaz conversacional sin control.

Diseñando una experiencia conversacional con IA para soporte en WhatsApp

Diseñando una experiencia conversacional con IA para soporte en WhatsApp

Diseñando una experiencia conversacional con IA para soporte en WhatsApp

De consultas repetitivas a conversaciones que se resuelven solas

De consultas repetitivas a conversaciones que se resuelven solas