Cómo automaticé las respuestas de WhatsApp Business de un restaurante con IA

Trabajé con un restaurante mexicano en Houston que tenía un problema que veo cada semana: WhatsApp lleno y solo una persona contestando. Entre 200 y 300 mensajes al día, picos brutales entre las 11 y la 1 de la tarde, y otro pico de 6 a 8 de la noche. La encargada estaba quemada y el dueño veía pedidos perderse en tiempo real porque la gente preguntaba algo a las 12:15 y le contestaban a las 14:00, cuando ya habían comido en otro lado.

No te voy a vender que es magia. Te voy a contar exactamente qué armamos, qué contesta la IA, qué sigue contestando un humano, y qué cambiaría hoy si lo tuviera que rehacer desde cero.

El punto de partida real

El restaurante factura alrededor de 80 mil dólares al mes. WhatsApp es su canal de pedidos principal, más que la página o el delivery por apps. Tienen un número de WhatsApp Business clásico, no API, con la app instalada en el celular de la encargada. Los mensajes entraban a un solo aparato y se contestaba en orden de llegada.

Cuando hicimos el primer diagnóstico vimos algo que el dueño no había medido: el tiempo medio de primera respuesta era de 38 minutos, y en hora pico subía a más de una hora. Cualquier persona que pregunta a qué hora cierran y le contestas 90 minutos después ya no va a ir. Calculamos a ojo de pajaro que se estaban perdiendo entre 60 y 90 pedidos al mes por mensajes mal atendidos.

La arquitectura simple que armamos

Lo primero fue migrar de WhatsApp Business app a WhatsApp Business API vía un proveedor BSP (en este caso usamos 360dialog, pero hay varios que funcionan bien para hispanos en USA). Esto fue lo más doloroso del proceso: aprobación de Meta, plantillas, verificación del negocio. Tardó tres semanas. Si lo vuelves a hacer, empieza por ahí mientras armas el resto.

Encima de la API metimos un orquestador simple en n8n con una llamada a Claude Haiku 4.5 para clasificar el mensaje entrante y generar la respuesta. El cliente final no nota nada raro: ve mensajes naturales en español neutro, con el tono cálido del restaurante. La encargada tiene un panel donde ve todas las conversaciones y puede tomar el control cuando el bot escala.

La regla que tengo grabada después de varios proyectos similares: el bot no decide nada que cueste dinero. Toma reservas tentativas, manda menú, contesta horarios, da precios, pero la confirmación de una reserva grande o un evento privado siempre pasa por humano.

Los 12 mensajes que la IA contesta sola

Tirando del histórico de 30 días de WhatsApp identifiqué los temas más frecuentes. El 70% del volumen entra en estas categorías:

• Horarios de apertura y cierre, incluyendo fines de semana y festivos.
• Dirección, link a Google Maps y referencias visuales para llegar.
• Menú del día y precios de los platos más vendidos.
• Si tienen delivery propio o solo Uber Eats/DoorDash.
• Tiempo de espera para llevar (pickup) en hora pico.
• Si aceptan tarjeta, efectivo, Zelle o CashApp.
• Opciones vegetarianas y sin gluten reales (no inventadas).
• Si hay estacionamiento y si es gratis.
• Reservas de mesa para grupos pequeños (menos de 8 personas).
• Disponibilidad de salón privado para eventos (escala a humano).
• Catering y comida para llevar en bandejas.
• Confirmación de un pedido ya hecho ("¿lo tienen listo?").

Cada categoría tiene su propia plantilla aprobada y una variante "fría" que la IA puede modificar para sonar humana. La clave fue darle al modelo un documento con el menú, precios y reglas del negocio y dejarlo razonar sobre eso, no hardcodear respuestas.

Cuándo escala a humano y por qué

Esto es lo que más me costó calibrar. Al principio el bot escalaba muy poco y la encargada se enojaba porque veía pedidos importantes mal atendidos. Después escalaba demasiado y volvíamos al punto de partida.

Las tres reglas que terminaron funcionando:

1. Reserva o catering de más de 8 personas: siempre humano, sin excepción.
2. Queja, reclamo o tono molesto detectado: humano en menos de 5 minutos, con un aviso al bot que dice "te paso con el equipo, dame un momento".
3. Pregunta abierta o ambigua que el bot no puede responder con seguridad: el modelo tiene instrucción de admitir que no sabe y escalar, en vez de inventar.

Esa tercera regla es la que más me ahorró problemas. Antes el modelo intentaba contestar todo y a veces se inventaba que tenían un plato que no era del menú. Decirle explícitamente "si dudas, escala" bajó los errores casi a cero.

Lo que NO funcionó (y vale la pena que sepas)

Probamos darle al bot capacidad de tomar reservas completas con confirmación. Mala idea. El cliente daba la hora, el bot confirmaba, pero el sistema interno del restaurante no se actualizaba en tiempo real y se duplicaban mesas. Lo bajamos a "reserva tentativa, te confirmamos en 10 minutos" y eso sí funciona.

También probamos respuestas con audio generado por IA. Suena innecesariamente raro en WhatsApp. La gente respondió peor que al texto. Lo aprendí pagando el precio caro, que es haberlo intentado mal.

Otra cosa que no funcionó: traducción automática al inglés. Tenemos un porcentaje de clientes anglos y queríamos contestarles en inglés. El modelo lo hacía bien pero se sentía frío. Terminamos contestando en inglés solo cuando el cliente escribe explícitamente en inglés, y dejando que el humano tome esas conversaciones más rápido.

Resultados a 60 días

Estos son los números reales, sin inflar:

• Tiempo medio de primera respuesta: pasó de 38 minutos a menos de 90 segundos.
• Mensajes contestados sin intervención humana: alrededor del 68%.
• Horas semanales que la encargada dedica a WhatsApp: bajó de unas 35 a cerca de 12.
• Pedidos perdidos estimados: bajaron alrededor de un 40% según el dueño (es estimado, no hay tracking perfecto).
• Costo mensual del stack: cerca de 180 dólares entre BSP, API de Claude y n8n self-hosted en un VPS pequeño.

El ROI es obvio. Si recuperan 30 pedidos al mes con ticket promedio de 45 dólares, son 1.350 dólares en ventas que antes se perdían, por una inversión mensual de 180 más mi mantenimiento. Pero no es solo dinero: la encargada ya no termina el día con la espalda apretada por contestar mensajes.

Lo que cambiaría si lo hiciera hoy desde cero

Tres cosas. Una: empezaría por la aprobación de Meta el día uno, en paralelo a todo lo demás. Es el cuello de botella real. Dos: pondría un dashboard de métricas desde el primer día, no a los dos meses. No tener tiempo de respuesta histórico me hizo difícil mostrar el ROI al principio. Tres: integraría el sistema de reservas del restaurante con el bot desde el inicio, aunque sea con un middleware feo, para evitar el doble-booking.

Si tienes un negocio de servicios donde WhatsApp se te sale de las manos, este patrón es replicable. No necesitas un equipo de ingenieros: necesitas claridad en qué preguntas se repiten, disciplina para no dejar que el bot decida cosas importantes, y un humano de respaldo bien entrenado.

Me sigue pareciendo más interesante el caso de un negocio "aburrido" como un restaurante que el del SaaS de moda. La IA aquí no es la estrella, es plomería. Y la plomería bien hecha es lo que te paga el alquiler.