Chat experto con 10 agentes: el equipo de soporte deja de repetirse

El problema: soporte B2B que respondía lo mismo una y otra vez

El equipo de soporte de trainingym — el SaaS B2B con 1.200+ gimnasios en 21 países donde soy cofundador y CTO — respondía las mismas preguntas cada día. Lo sabían todos, pero nadie tenía tiempo para sistematizarlo: cada vez que intentaban documentarlo mejor, llegaba otra ola de tickets nuevos y la iniciativa se quedaba a medias.

El impacto: clientes importantes esperaban porque su pregunta compleja estaba en la cola detrás de treinta repeticiones de “¿cómo configuro X?”. Y los socios finales — usuarios de la app del gimnasio — directamente no tenían a quién preguntar fuera del horario de oficina.

Un chatbot tipo “elige una opción entre cinco” no servía. Las preguntas reales eran demasiado variadas para caber en un árbol.

La decisión: RAG vertical con 10 agentes expertos en vez de un chatbot generalista

Construir un chat experto que entendiera preguntas en lenguaje natural y respondiera con información real del producto. Dos decisiones importantes:

1. No un único asistente generalista, sino 10 agentes especializados — uno por dominio (producto, facturación, soporte técnico, ventas, onboarding…). Cada uno sabe mucho de lo suyo y delega cuando la pregunta se sale de su área.
2. Doble fuente de conocimiento: la documentación oficial del producto y las transcripciones de las reuniones internas donde el equipo explica el producto a clientes en vivo. Las dos fuentes se complementan: la doc dice cómo funciona “en teoría”; las reuniones dicen cómo se explica cuando alguien tiene una pregunta real.

Qué construí: un chatbot RAG empresarial con 10 agentes especializados

Un sistema con:

• Base de conocimiento: 47.773 fragmentos indexados desde 283 fuentes reales entre documentación, meetings transcritas y artículos de ayuda.
• 10 agentes especializados con prompts y reglas propias de cada dominio, un orquestador que decide quién responde cada pregunta.
• Voz opcional para el cliente que prefiere escuchar la respuesta en lugar de leerla.
• Citas de fuente obligatorias: cada respuesta incluye el link al documento o al minuto de la reunión de donde salió la información. Si el sistema no encuentra apoyo documental suficiente, lo dice — en vez de inventar.
• Panel de revisión donde el equipo marca respuestas incorrectas y esas correcciones entrenan al sistema para el siguiente caso.

Resultado: soporte self-service con 47.773 fragmentos indexados y fallback humano

• Soporte 24/7 funcional para preguntas básicas — ya no dependen del horario del equipo humano.
• El equipo de soporte deja de repetir las mismas veinte respuestas al día y se concentra en los casos complejos que sí requieren criterio.
• Registro completo de conversaciones que sirve como termómetro del producto: si cien personas preguntan lo mismo y el chat no sabe, es señal clara de algo que hay que documentar (o mejorar en el producto).
• Sistema probado en varios clientes distintos, adaptable a cada uno cambiando fuentes, no código.

Lección: un agente por dominio vence a un chatbot generalista

La documentación oficial, por bien escrita que esté, miente sin querer: describe el producto ideal. La gente real lo explica diferente cuando tiene a alguien delante haciendo la pregunta concreta. Indexar también las transcripciones de reuniones reales cerró ese hueco — el chat responde con la voz del equipo, no con la del manual.

Para el CEO: el valor del chat no está en “ahorrar horas al equipo de soporte” (que también). Está en que los registros del chat son la mejor fuente de feature requests que vas a tener jamás.