Asistente de IA en Chat de Trabajo: Implementación Técnica

# # Asistente de IA en el Chat de Trabajo: Implementación Técnica y Casos de Uso Prácticos para el Equipo de TI

Una empresa que automatiza procesos de negocio de sus clientes se enfrentó a un paradoxo: sus propios procesos seguían siendo manuales. El CEO pasaba horas respondiendo preguntas repetitivas, formulando tareas y apoyando a los gerentes. La solución surgió de dentro: implementar un asistente de IA directamente en el chat de Telegram del trabajo. En tres meses, se convirtió en un miembro pleno del equipo, manejando solicitudes, creando tareas en GitHub y diagnosticando errores. Este artículo cubre los detalles técnicos de la arquitectura, ejemplos del mundo real y una evaluación honesta de las limitaciones.

Arquitectura del Asistente de IA: El Contexto Importa Más que el Modelo

El sistema no se basa en ajuste fino ni modelos personalizados, sino en una entrega inteligente de contexto vía API a Claude. El componente clave es el Constructor de Contexto, que recopila no solo el mensaje más reciente, sino todo el hilo de conversación. Esto permite que la IA entienda de qué se está hablando, incluso si la pregunta es vaga ("¿esto funciona?").

El acceso a sistemas internos está organizado a través de la Base de Conocimientos:

• Código fuente: Acceso completo al código fuente actual (PHP + Vue), lo que le permite encontrar implementaciones de funciones y verificar validaciones.
• Base de datos CRM: Consultas SQL a datos de clientes: planes, actividad, historial de interacciones.
• GitHub: Lectura de issues existentes y creación de nuevos vía API.
• Documentos internos: Especificaciones técnicas y guías.

La arquitectura se ve así:

Telegram Bot API
    |
Message Handler (Python)
    | filtering: mention / reply / keywords
    |
Context Builder
    | last N messages + thread topic
    |
Knowledge Base
    +-- Project code (indexed)
    +-- Client DB (SQL queries)
    +-- GitHub Issues
    +-- Internal documents
    |
LLM (Claude) + System Prompt
    |
Response -> Telegram / GitHub API

El 90% de la efectividad proviene de un contexto preciso y un system prompt bien pensado, no de la complejidad del modelo.

Casos de Uso Prácticos: Desde Soporte hasta Asignación de Tareas

Diagnóstico de Errores en Tiempo Real desde el Código

Un gerente recibe una llamada: el cliente no puede guardar una plantilla con un enlace. En lugar de esperar la respuesta de un desarrollador, publica en el chat:

"Chicos, el cliente pregunta: ¿se puede crear una plantilla con un enlace? No se guarda para ella."

El asistente de IA responde en 30 segundos:

• Encuentra el controlador TemplateController@store.
• Analiza la validación: la llamada a strip_tags() elimina HTML.
• Concluye: URLs en texto plano funcionan, HTML no.

Respuesta:

"Revisé el código. TemplateController@store pasa el texto de la plantilla por strip_tags(): los enlaces HTML se eliminan. Pero las URLs en texto plano (sin <a href>) se guardan sin problemas. Pídele al cliente que pegue el enlace como texto plano, sin formato."

Esto ahorra hasta 30 horas-persona a la semana que antes se gastaban en consultas de soporte rutinarias.

Creación Automática de Tareas en GitHub

Cuando el CEO escribe "Rom, haz una tarea para Dima", la IA:

• Analiza todo el hilo de conversación.
• Encuentra el código existente de hash de fotos.
• Formula especificaciones con detalles técnicos: distancia de Hamming, umbrales de coincidencia, puntuación combinada.
• Crea un issue con etiquetas correctas y asigna al ejecutor.

Resultado: una tarea estructurada en la que el desarrollador puede ponerse manos a la obra de inmediato, sin necesidad de aclaraciones del tech lead.

Dónde Brilla la IA y Dónde Falla

Fortalezas

• Respuestas a preguntas rutinarias: Planes, actividad de clientes, conteos de objetos en la base de datos.
• Formulación de tareas: Convertir solicitudes informales en especificaciones técnicas.
• Diagnóstico inicial: Acotar áreas de búsqueda de errores, señalando código relevante.
• Soporte fuera de horario: Respuestas instantáneas de noche o fines de semana.
• Generación de respuestas a clientes: Borradores de correos basados en el contexto de la conversación.

Limitaciones y Riesgos

• Errores complejos entre sistemas: La IA ve el código de cada servicio, pero no siempre capta las interacciones en tiempo de ejecución.
• Decisiones de negocio: Es posible recopilar datos, pero las decisiones siguen siendo humanas.
• Soporte emocional: Situaciones de conflicto con clientes necesitan un gerente en vivo.
• Contextos largos: En discusiones que se extienden por días, la IA puede perder el hilo.
• Alucinaciones: Fabricaciones confiadas (p. ej., sobre una función de importación de Excel inexistente) causaron tres incidentes en tres meses.

Para mitigar riesgos, el system prompt incluye una regla: si no está seguro, decláralo explícitamente y recomienda verificar con desarrolladores.

Métricas e Implicaciones Estratégicas

En tres meses:

• ~2500 mensajes de la IA en el chat
• ~120 tareas creadas en GitHub
• 60% de las preguntas de los gerentes resueltas sin intervención del CEO
• Tiempo de respuesta promedio: 15–40 segundos
• 3 incidentes críticos por alucinaciones

La lección clave: el valor no está solo en el ahorro de costos, sino en la velocidad. Los clientes obtienen respuestas casi instantáneas, reduciendo la deserción.

Puntos Clave

• El 80% de la efectividad de la IA depende de la calidad del contexto, no de la elección del modelo.
• La confianza en la IA crece de forma no lineal: de consultas formales a dirigirse a ella por nombre.
• Un error que llegue al cliente puede socavar la confianza en toda la empresa.
• La IA no reemplaza a las personas: transforma roles. El CEO pasa a estrategia, los gerentes a soporte práctico.
• El CRM evoluciona de una herramienta gestionada por humanos a un sistema autónomo donde los humanos observan y corrigen.

Próximos pasos: integración de IA para análisis de llamadas (STT → LLM → informes), generación de correos personalizados y creación automática de perfiles de clientes.

— Editorial Team