Global Exchange
Design and evolution of an AI chatbot on WhatsApp to reduce the Customer Relationship Center's operational workload and improve the support experience.
Conversational AI · Customer Support · WhatsApp
Project Overview
Agente conversacional de IA (WhatsApp)
UX/UI Design Lead
Product Strategy
Conversational Design
UX Writing
Stakeholder Management
Data-driven Iteration
El reto
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 CRC.
Sobrecarga operativa
Consultas informativas que exigían intervención humana, restando capacidad para atender lo comercial.
Escalar sin perder fiabilidad
No bastaba con automatizar: había que garantizar cumplimiento normativo en distintos mercados.
Objetivos del producto
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 al equipo humano.
Soporte siempre disponible
Una experiencia mobile-first, alineada con cómo los usuarios hacen consultas rápidas y contextuales.
Validar WhatsApp como canal
En lugar de asumir su adopción, el proyecto buscaba validarlo como punto de contacto escalable, con uso real.
Aprender antes de escalar
Antes de habilitar casos transaccionales, el foco fue entender el comportamiento y los patrones conversacionales reales.
Alcance y restricciones
Al establecer explícitamente qué se incluía y qué quedaba fuera del alcance de forma intencionada, el proyecto evitó complejidad prematura y permitió centrarse en lanzat, validar hipótesis e iterar a partir del uso real.
Definir el alcance del MVP
La primera versión se centró en un alcance informativo claramente definido, permitiendo lanzar con seguridad y aprender del uso real.
Ubicación de oficinas y horarios
FAQ, servicios y monedas disponibles
Selección de idioma y país
Incluía también derivación a agentes humandos cuando era necesario.
Fuera de alcance (por diseño)
Algunas funcionalidades se excluyeron de forma intencionada para evitar riesgo y complejidad prematura.
Tipos de cambio
Creación de pedidos
Seguimiento de pedidos
Estas decisiones mantuvieron el producto enfocado, dejando espacio para iteraciones futuras.
Restricciones normativas
Un producto conversacional en un contexto fintech implicó restricciones no negociables desde el inicio.
Cumplimiento normativo
Limitaciones de la plataforma WhatsApp
Condiciones en patrones de interacción y UI
Estas restricciones influyeron directamente en el diseño conversacional y el onboarding.
Retos de entrega
El proyecto también presentó retos operativos que afectaron el ritmo de entrega.
Dependencia de un proveedor externo
Coordinación con equipos de IA, soporte y compliance
Estimaciones iniciales muy por debajo de lso tiempos reales
Gestionarlo requirió priorización continua y alineación entre equipos.
Diseñar bien no fue decidir qué construir, sino tener la disciplina de decidir que no construir todavía.
Solución
Un flujo de compra rediseñado para reducir fricción, mejorar la claridad y adaptarse al contexto del usuario.
Resultados
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 largos de 2025.
Impacto del producto
El chatbot introdujo una nueva primera capa de atención al cliente, redefiniendo cómo se gestinaban las consultas informativas a través de los distintos canales.
Optimización del CRC
Desvío de consultas repetitivas, liberando capacidad del Customer Relationshio Center para casos de mayor valor.
Separación clara de canales
Destinción entre soporte informativo automatizado y atención asistida por agentes humanos.
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
Los aprendizajes obtenidos a partir de datos de uso real y feedback de ususarios 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.
Diseño del sistema
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
Entada 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 al usuarios
Mejora la velocidad y claridad de la primera interacción
Mantiene un comportamiento fiable en escenarios regulados
Permite que el chatbot actúe como un asistente de soporte, y no como un menú rígido o una interfaz conversacional sin control.
Aprendizajes
Decisiones clave validadas con uso real, y las prioridades para la siguiente fase del producto.
Aprendizajes:
Los puntos de entrada conversacionales son clave: reducir la fricción inicial tuvo más impacto que añadir nuevas funcionalidades.
La libertad guiada funciona mejor que la apertura total en entornos regulados.
El contexto de país e idioma es crítico para garantizar la precisión y confianza en productos multimercado.
La derivación a humano funciona mejor cuando se diseña como un resultado principal, y no como una excepción.
Lanzar un MVP enfocado permitió aprender más rápido que esperar a integraciones completas.
Siguientes pasos