Hay una pregunta que recibo seguido cuando alguien evalúa Yolani: "¿realmente necesito un agente con LLM o me alcanza con un bot por palabras clave?". Es la pregunta correcta. La respuesta no es "siempre IA" — depende del caso, y elegir mal significa pagar más por menos resultado o pagar menos por una mala experiencia.
Estas son las tres generaciones de bots que conviven en el mercado en 2026, en qué caso cada una sigue ganando, y por qué la mayoría de las implementaciones serias terminan siendo híbridas.
Generación 1 — Bots por keywords
Detectan palabras específicas en el mensaje del usuario y disparan respuestas predefinidas. Ejemplo clásico: si el usuario escribe "horario" → manda los horarios; si escribe "precio" → manda lista de precios; si escribe "ubicación" → manda la dirección.
Ventajas reales: 100% predecible, costo cero de inferencia (no hay LLM corriendo), latencia casi nula, escala infinita sin variable de gasto.
Limitación dura: el cliente tiene que escribir las palabras exactas o sinónimos previstos. "¿A qué hora abren?" puede no detectar "horario". "Cuánto cuesta el más barato" puede no detectar "precio". El usuario se frustra rápido cuando el bot "no entiende" lo que para él era obvio.
Generación 2 — Bots por flujos (decision trees / IVR conversacional)
Presentan menús de botones o números: "1. Información de productos, 2. Soporte técnico, 3. Hablar con humano". El usuario navega un árbol predefinido tomando decisiones discretas en cada paso.
Ventajas reales: sigue siendo predecible y trazable. Funciona bien donde el proceso tiene pasos finitos y claramente definidos (banca básica, telco para consultar saldo, agendamiento simple).
Limitación dura: es rígido. WhatsApp es conversacional, no formulario. Cuando el usuario quiere algo que no está en la rama del árbol, se atasca. En el bot de ManyChat que intentamos en Florería Suspiros en 2023, la tasa de abandono en el segundo nivel del menú fue del 60% — los clientes esperaban poder escribir lo que querían y no podían.
Generación 3 — Agentes con LLM (generativos)
Entienden la intención del mensaje en lenguaje natural, recuerdan contexto de turnos previos, ejecutan acciones (consultar inventario, crear cita, generar payment link) y se adaptan a la conversación.
Ventajas reales: conversacional sin restricción de vocabulario, manejo de variaciones que no fueron previstas, escala a casos no estructurados con menos configuración.
Limitaciones: tiene costo por token (~$0.01-$0.05 USD por conversación promedio en GPT-5), puede alucinar si no está bien configurado, requiere supervisión humana semanal en los primeros 2-3 meses.
Cuándo Generación 1 (keywords) sigue ganando
Tres escenarios donde keywords es mejor opción que IA, no peor:
- Casos transaccionales 100% estructurados donde el universo de respuestas es chico y conocido. Consulta de saldo de telefonía, hora de la siguiente función de cine, ubicación de la sucursal más cercana.
- Volúmenes gigantes donde el costo por inferencia importa. Si procesas millones de mensajes diarios, $0.05 por conversación × 30M conversaciones = $1.5M USD/mes. Si solo necesitas detectar 5 keywords, no metas un LLM.
- Industrias con regulación estricta de respuestas. Banca core, farmacia con respuestas reguladas — donde cualquier desviación del texto aprobado tiene implicaciones legales.
Cuándo Generación 2 (flujos) sigue ganando
- Procesos legales o regulados donde cada paso debe estar auditado. Banca, seguros, salud regulada.
- UI visual de carruseles y listas estructuradas. Cuando el cliente debe ver opciones visuales (catálogo con fotos clicables, citas disponibles por horario), los flujos con botones Meta son superiores a texto generativo.
- Calificación inicial muy estructurada. "¿Eres persona física o moral? ¿Tu rango de presupuesto? ¿Zona?" — 4 preguntas con respuesta cerrada, sin razonamiento.
Cuándo Generación 3 (LLM) gana — el 70% de los casos pyme
- Atención al cliente con vocabulario libre. "¿A qué hora abren mañana?" debe entenderse igual que "horario de mañana" o "abren temprano el sábado".
- Ventas consultivas donde el agente necesita entender contexto e intención, no solo palabras clave.
- Operaciones que requieren ejecutar acciones (agendar, cobrar, generar cotización en CRM, validar inventario).
- Empresas de servicios profesionales donde cada cliente plantea su caso de forma distinta.
- Negocios con catálogo amplio o cambiante donde mantener flujos sería una pesadilla operativa.
- Empresas que ya intentaron flujos y los abandonaron por rigidez y baja conversión.
Comparación de costos mensuales reales (México, 2026)
| Volumen | Bot keywords | Bot flujos | Agente LLM |
|---|---|---|---|
| 500 conv/mes | ~$350 MXN (SaaS) | ~$800 MXN | ~$650 MXN (incluye IA) |
| 2,000 conv/mes | ~$550 MXN | ~$1,400 MXN | ~$1,050 MXN |
| 10,000 conv/mes | ~$1,800 MXN | ~$3,800 MXN | ~$3,400 MXN |
Costos basados en estimaciones de mercado mexicano para SaaS de chatbot + modelo GPT-5 + Meta Cloud API service tier. Varía por proveedor y caso de uso.
Observación que sorprende a muchos: el agente LLM es más barato que el bot por flujos a casi cualquier volumen, porque los bots de flujos venden por feature y los costos escalan. El LLM solo paga el modelo proporcional al uso.
Y la métrica que casi nadie calcula: el agente LLM típicamente convierte 30-60% mejor que un bot de flujos en escenarios consultivos. Si tu LLM cuesta 40% más por conversación pero cierra 50% más ventas, el costo efectivo por venta cerrada es menor con el LLM. Hay que sacar la cuenta con datos del propio negocio, no con benchmarks de marketing.
El enfoque híbrido (lo que recomiendo casi siempre)
La verdad sobre los mejores agentes que tengo en producción: ninguno es 100% LLM. Son híbridos por diseño:
- LLM para entender la intención, conversar y razonar sobre casos no previstos.
- Reglas determinísticas en código para acciones críticas (cobro, cancelaciones, validaciones de dirección, decisiones que afectan inventario o dinero). Estas no las debe tomar un modelo probabilístico.
- Botones interactivos de WhatsApp cuando hay opciones visuales claras (mostrar catálogo, elegir horario de cita, confirmar pedido).
- Handoff a humano bien calibrado en los 7 escenarios estándar (aquí cubrí el handoff a fondo).
Yolani te permite combinar los 4 enfoques en la misma cuenta. El LLM se asigna por defecto, pero puedes definir "para la confirmación de pago, no uses LLM, usa esta plantilla exacta" o "para mostrar catálogo, usa botones Meta nativos en lugar de texto generado". Esa flexibilidad es lo que separa una implementación seria de una "configuré ChatGPT en WhatsApp y a ver qué sale".
El test de los 30 días si todavía dudas
En lugar de elegir en abstracto, aplica este experimento controlado: durante los próximos 30 días, configura un agente LLM en paralelo con tu sistema actual sin reemplazarlo (puedes hacerlo con un número nuevo de prueba). Mide tasa de resolución, conversión y NPS de ambos canales. Después decide con datos de tu propio negocio, no con teoría general.
Crea tu cuenta de prueba en Yolani (30 días sin tarjeta) y arma el agente LLM. Compáralo contra lo que tengas hoy con las métricas reales de tu operación.
