Agente de preventas inmobiliario

Contexto personal

Entré a Quantit como desarrollador de IA junior en enero de 2025. Venía de terminar de cursar todas las materias de la carrera y de rendir todos los finales, con mi tesis de licenciatura casi terminada, que finalmente defendí en mayo de ese mismo año.

Justo cuando llegué se estaba yendo uno de los dos desarrolladores que venían trabajando en este proyecto, el cual estaba empezado, pero en una etapa muy inicial: un agente con un prompt, algunas tools y un backoffice muy básico, del que migramos casi apenas llegué, desarrollando otro desde cero.

El problema

Una desarrolladora grande publica cientos de unidades, repartidas entre varios sitios web de venta. Además, lleva a cabo múltiples campañas publicitarias. Pero todas esas publicaciones terminan apuntando al mismo lugar: un número de WhatsApp.

Atender ese número como corresponde exigiría tener a varias personas pendientes, contestando una por una a personas (leads) que en su mayoría no van a llegar a nada. Incluso aquellas que sí tienen interés, casi siempre necesitan resolver algunas preguntas antes de coordinar una visita. Y a eso se suma un problema de horarios: el equipo solamente puede atender en un rango horario razonable, pero la gente busca departamentos en su tiempo libre. Esto lleva a que muchas consultas queden sin respuesta, y con ellas se pierden oportunidades de venta.

Con un gran volumen de leads entrantes, automatizar el primer contacto dejó de ser una mejora deseable y pasó a ser la única forma de no perder leads en el camino. El proyecto arrancó como una solución para una desarrolladora puntual y después creció hasta que otras desarrolladoras muy grandes pudieran tener su propia instancia.

El agente

A partir del mensaje inicial, el agente detecta de dónde viene el lead. Es un dato que después es muy útil, ya que permite analizar no solo de dónde llegan las consultas, sino de dónde vienen las que terminan concretando visitas y compras. Para responder, el agente tiene acceso mediante un RAG a los documentos de la desarrolladora (PDFs con información de la propia desarroladora, con detalles de cada proyecto o datos de cada unidad en particular).

Durante esa conversación, el agente clasifica al lead. Hay tres caminos posibles:

1. No interesado. Si detecta que la persona no va a avanzar, por ejemplo si lo dice explícitamente: “buscaba otro rango de precios u otro tipo de unidad” o si directamente pregunta por cualquier otra cosa, lo marca como no interesado y deja de hacerle seguimiento, a menos que la persona vuelva a escribir.
2. Ambiguo o sin respuesta. Cuando la conversación queda abierta o el lead deja de contestar, a los días le manda un recordatorio para ver si sigue interesado o si quiere información de alguna unidad o proyecto en particular. Esto se repite, cada vez con menos frecuencia, hasta que el lead contesta o se da por perdido.
3. Interesado. El lead pregunta, recibe respuestas y muestra interés. Mientras conversa, el agente va completando su ficha (nombre, mail, ambientes que busca, presupuesto) y empuja hacia el objetivo real: que se concrete una visita a la unidad.

Cuando agenda la visita, le asigna al lead un operador humano, así ya tiene un contacto real: la persona que va a mostrarle la unidad. De ahí en adelante el agente se ocupa de los recordatorios de la visita.

Pasada la fecha, el operador marca si la visita se efectuó o no. Si se efectuó, el flujo del agente termina (se encarga únicamente de la preventa), y desde ese punto sigue el operador. Si no, el agente vuelve a intentar coordinarla para otra fecha.

Integraciones

Para buena parte de sus acciones, el agente está integrado con distintas plataformas:

1. Meta

   Para recibir y enviar mensajes por WhatsApp trabajamos sobre Meta Business Suite: dimos de alta la WABA, la aplicación y el usuario de sistema, y dejamos suscripto el webhook por el que entran los mensajes.

2. Google Workspace

   El agente está conectado a una carpeta de Drive de la desarrolladora, y alcanza con dejar ahí un PDF, un Doc o una planilla nueva para que el agente incorpore ese conocimiento. Si mañana lanzan un proyecto, actualizan una lista de precios o suman la ficha de una unidad, la próxima persona que pregunte por eso va a recibir una respuesta correcta, sin que nosotros toquemos nada. En ese mismo lugar viven las indicaciones de tono y estilo del agente, que están siempre en su contexto.

   Para organizar las visitas, el agente está integrado con un calendario de Google y puede consultar, agendar, editar y borrar eventos. Así le ofrece al lead espacios libres dentro de los próximos dias y, si ninguno le sirve, escucha su propuesta y verifica si está disponible y ofrece alternativas, igual que lo haría una persona.

3. CRMs

   • Tokko

   Para mantenerse sincronizado con la disponibilidad y los precios de las unidades y los proyectos, y para volcar los leads, el agente se integra con el CRM de cada cliente. La primera usaba Tokko, la cual no ofrecía conectividad por código, así que desarrollamos un scraper para conectarnos, que se mantuvo funcionando bastante tiempo. Después la desarrolladora migró a HubSpot, que sí tiene una buena API, y nos integramos contra ella. Más adelante llegó otro cliente que usaba SAP, y fue un caso parecido al de HubSpot.

El backoffice

El desarrollo incluyó también un frontend desde el cual el cliente ve cada lead que entra, en qué estado está, qué intereses tiene, y puede leer la conversación completa. Además puede ver qué operador se le asignó a cada lead y cambiarlo de ser necesario. Tiene un sistema de permisos para que cada operador solo vea los leads que le corresponden y no cambiar estados, mientras que un administrador puede verlos a todos y cambiarles el estado.

En esa misma aplicación viven las métricas: de dónde viene cada lead, el porcentaje de visitas por fuente, los mensajes respondidos y otros KPIs útiles para analizar tanto las campañas publicitarias como el rendimiento del propio agente.

Fue un proyecto muy completo, en el que no solo toqué la parte de agentes y de IA: también el backend y el frontend. Acá el backend fue un Django, aunque normalmente usamos FastAPI, y el frontend un Next, que desde ese momento hasta hoy es lo que seguimos usando.

Resultados (del proyecto)

Inmediatamente después de la puesta en producción, se notaron los resultados. Durante una reunión, el cliente dijo una frase que me quedó:

“Antes los operadores humanos lograban agendar alrededor de 3 visitas por semana. Solamente hoy, el agente agendó 4.”

Lo cual da una idea de la magnitud del cambio. Se veía día a día en el backoffice, la cantidad de leads que entraban, lo mucho que se hablaba con el agente, no se perdía ningún lead y, lo más importante, se concretaban visitas.

Yendo a datos duros, estos son los que reporta el cliente:

Resultados (personales)

Fue mi primer proyecto agéntico en producción y es el que más me enseñó sobre cómo funcionan estas cosas por dentro: RAGs, tools, formatos de salida, el manejo general de la conexión con un LLM.

De acá también salieron estándares que seguimos manteniendo. Desde este proyecto hasta los que lidero y desarrollo hoy, conservamos un mismo estilo de código y hacemos cada proyecto provider-agnostic, para no depender de ningún modelo puntual ni de ninguna empresa.

Y no solo en cuanto a lo técnico, también fue mi primera vez cara a cara con clientes. Estimar cuánto lleva algo, explicar qué se hizo y por qué, mostrar el avance y venderlo son otras cosas que empecé a aprender acá y que lógicamente, sigo aprendiendo en cada proyecto.