Curso· Cargando…
Pon un agente de IA útil delante de tus clientes reales por WhatsApp sin que diga tonterías. Conectas WhatsApp Business API a n8n, montas un agente que consulta tus pedidos y FAQ con tool use, le pones guardarraíles para que no invente, diseñas el fallback a un humano y mides si de verdad resuelve. Cierras con un bot de soporte funcionando, probado con conversaciones reales y con su panel de métricas. Aplica los fundamentos de agentes que ya conoces a un canal concreto con sus reglas propias: ventana de 24 h, sesión, derivación y RGPD.
¿Cómo pongo un agente útil delante de clientes reales por WhatsApp sin que diga tonterías, sepa cuándo pasar a un humano y pueda medir si sirve?
Eres responsable de soporte de un pequeño e-commerce.. Los mensajes de WhatsApp os desbordan: clientes preguntan por el estado de su pedido, la política de devoluciones y dudas de producto, y el equipo no llega. Necesitáis un bot que resuelva lo repetitivo sobre datos reales, no invente políticas que no existen y pase a un humano cuando toca, todo medible.
Aplicar un criterio (alcance, asincronía, coste, identidad) para decidir si tu bot de soporte vive en WhatsApp, en un widget web o en ambos, y mapear la primera conversación objetivo.
Configurar la credencial de WhatsApp Business Cloud y el WhatsApp Trigger en n8n para recibir mensajes reales, entendiendo el modelo de un único webhook por app.
Entregas: Un bot de soporte por WhatsApp funcionando en n8n: canal WhatsApp Business API conectado + agente con tool use sobre FAQ y estado de pedidos reales + guardarraíles que lo limitan a tus datos + fallback humano que se activa bien + panel de métricas (resolución y derivación) + nota RGPD sobre los datos de clientes. Entregado probado con al menos 5 conversaciones reales documentadas (incluyendo una que debe derivar a humano).
Se evalúa
El canal: conectar WhatsApp
Epítome — el alumno produce un eco-bot que recibe y responde un mensaje real de WhatsApp desde n8n antes de añadir cerebro. Victoria temprana tangible: el canal vivo. Andamiaje alto: plantillas de credencial y de flujo trigger→responder.
El cerebro con guardarraíles
Práctica guiada — el alumno da contexto del cliente al agente, conecta tool use sobre datos reales (pedidos/FAQ), pone guardarraíles para que no invente y diseña el fallback humano. Refuerzo del valle: hito visible = la derivación a humano funcionando. Andamiaje parcial: prompts y patrones de guardarraíl proporcionados.
Producción del bot
Proyecto autónomo — el alumno integra sesión/contexto, métricas (resolución/derivación/CSAT) y RGPD en un bot completo probado con conversaciones reales. Andamiaje retirado: diseña el flujo end-to-end desde un brief abierto. Cierra el project_spine y el capstone.
Leer la estructura JSON del webhook de WhatsApp y extraer los campos clave (texto, número del remitente, id, timestamp) para usarlos aguas abajo.