Cómo entrenar un agente de IA para vender tu producto

Si quieres implementar un agente de IA para vender que realmente represente tu producto y tu marca, hay que entrenarlo bien. Esta es la guía paso a paso de cómo lo hacemos con clientes reales.

Antes de entrenar: tener los inputs correctos

Un agente solo es tan bueno como la información con la que lo entrenas. Antes de empezar, prepara:

Conocimiento de producto

• Catálogo completo (nombres exactos, precios, condiciones)
• Diferenciadores vs competencia (3-5 puntos clave)
• Casos de uso típicos (a qué cliente le sirve cada producto)
• Restricciones (qué NO ofreces, condiciones de elegibilidad)

Conocimiento de cliente

• 3-5 perfiles de buyer persona detallados
• Motivaciones de compra principales
• Dolores que tu producto resuelve
• Objeciones típicas (las top 10)
• Patrones de comportamiento (cuándo compran, cómo deciden)

Voz de marca

• 5-10 ejemplos de copy que SUENA como tu marca
• 5-10 ejemplos de copy que NO suena como tu marca
• Vocabulario específico (¿"clientes" o "huéspedes"? ¿"servicio" o "experiencia"?)
• Nivel de formalidad (tú vs usted)
• Emoji policy (¿usar o no?)

Datos de calificación

• Criterios para distinguir lead bueno de malo
• Información mínima que necesitas antes de pasar a humano
• Triggers de "lead caliente" vs "lead tibio"

Las 4 fases del entrenamiento

Fase 1: System prompt base

El system prompt es las instrucciones core que el agente lee en cada conversación. Debe incluir:

• Personalidad de marca
• Reglas de comportamiento (qué sí, qué no)
• Estructura de la conversación ideal
• Criterios de calificación
• Triggers de escalamiento humano

Ejemplo simplificado:

Eres PAOLA, asistente de [marca]. Tu objetivo es ayudar a 
prospectos a entender [producto] y agendar una cita si califican.

Voz: cercana pero profesional, tutea, sin emojis excesivos.

Calificación: pregunta naturalmente sobre [criterio 1], [criterio 2], 
[criterio 3]. Si cumple los 3, agenda directamente. Si falta 1, 
nutre. Si falta 2+, descarta cordialmente.

Nunca: das diagnóstico médico, prometes resultados, das precios 
por mensaje (siempre sugiere agendar para verlo en consulta).

Fase 2: Few-shot examples

Después del system prompt, le das al agente ejemplos concretos de conversaciones reales. Esto es donde aprende el tono.

15-20 conversaciones reales ayudan más que 1000 reglas abstractas. Cada ejemplo debe:

• Tener un caso típico (no edge cases al inicio)
• Mostrar el tono ideal en cada respuesta
• Cubrir distintos escenarios (lead caliente, tibio, frío, con objeción)

Fase 3: Testing en piloto

Activas el agente con 20-30% del tráfico. Cada conversación se revisa diariamente. Para cada conversación, evalúas:

• ¿Tono correcto?
• ¿Información correcta?
• ¿Calificación bien hecha?
• ¿Escalamiento apropiado?

Si algo falla, ajustas el system prompt o agregas ejemplos. Iteras.

Fase 4: Ramp-up + monitoreo continuo

Cuando el piloto está limpio, subes a 100% del tráfico. Pero el monitoreo no termina. Mensualmente:

• Revisas conversaciones que fallaron
• Identificas nuevas objeciones que aparecen
• Mejoras respuestas a las objeciones top
• Refinas tono si la marca evoluciona

Errores comunes al entrenar

1. Querer cubrir TODOS los casos antes de lanzar

Imposible. Mejor lanzar al 80% y ajustar al 100% en producción con casos reales.

2. Prompts demasiado largos

Un system prompt de 5,000 palabras hace que el agente pierda el hilo. Mantén entre 800-2,000 palabras.

3. Ejemplos artificiales en vez de reales

Conversaciones inventadas son menos útiles que conversaciones reales (anonimizadas) que ya tuvo tu equipo.

4. Olvidar el escape hatch

El agente DEBE saber cuándo pasar a humano. Sin esto, se atora en conversaciones complejas.

5. No revisar los logs

El entrenamiento no termina al lanzar. Revisar conversaciones reales es donde mejora más.

Stack recomendado

Para construir un agente de IA para vender custom:

• LLM: Claude (Anthropic) o GPT-4 (OpenAI). Claude tiene ventaja en seguir instrucciones complejas.
• Canal: WhatsApp Business API (lo más usado en LATAM)
• Orquestación: n8n, Make o backend custom
• Storage: Supabase, PostgreSQL
• Dashboard: Looker Studio, Metabase, o custom

Costo aproximado: USD $200-$1,500/mes en infra + setup inicial.

Cuánto tiempo toma realmente

Implementación de un agente serio:

• Discovery + recolección de inputs: 1-2 semanas
• Construcción de system prompt: 1 semana
• Testing en piloto: 2-3 semanas
• Ramp-up a producción: 1 semana

Total: 5-7 semanas desde día 0 hasta operación 100%.

Después: iteración mensual continua.

Cómo lo hacemos en Mejora MKT

PAOLA, nuestro agente de IA para vender, se implementa por cliente con esta misma metodología. Los inputs se recopilan en discovery, el system prompt se construye custom, los ejemplos se generan con conversaciones reales del equipo del cliente.

Glossdent tomó 4 semanas en cada nueva sucursal. La mejora compuesta es real: PAOLA en Glossdent Chile arrancó mejor que PAOLA en Polanco hace 4 años, porque el sistema acumuló aprendizaje.

Conclusión

Entrenar un agente de IA para vender no es una operación técnica únicamente. Es 50% técnico, 50% conocimiento profundo de tu negocio. Sin uno o sin el otro, el resultado es genérico.

Si quieres ver el proceso aplicado a tu negocio, agenda 30 min. Te paso ejemplos reales de cómo entrenamos PAOLA por cliente.