El punto de partida: crecer duele cuando el equipo es pequeño
Tejidos Lúa es una boutique de moda sostenible fundada en 2021 por dos socias valencianas. Con un catálogo de más de 400 referencias y ventas a toda España y Portugal, el negocio funcionaba bien sobre el papel: facturación creciente, buenas reseñas iniciales y una comunidad fiel en Instagram. El problema estaba en las trincheras del día a día.
«Pasábamos tres o cuatro horas cada mañana respondiendo emails y mensajes de Instagram antes de poder hacer cualquier otra cosa», nos contó Elena, una de las fundadoras, durante nuestra primera reunión. «Preguntas sobre tallas, estados de pedido, devoluciones… las mismas preguntas una y otra vez. Sabíamos que necesitábamos ayuda, pero no podíamos permitirnos contratar a alguien a tiempo completo.»
El diagnóstico fue claro: el 74% de los mensajes entrantes correspondían a tan solo seis tipos de consultas recurrentes. Una oportunidad perfecta para la automatización inteligente.
«El 74% de los mensajes correspondían a solo seis tipos de consultas. Sabíamos que la IA podía manejarlos todos, y con mejor consistencia de la que teníamos nosotras en los momentos de más estrés.»
El diagnóstico: mapear antes de automatizar
Antes de tocar ninguna herramienta, dedicamos dos semanas a auditar la operativa real del negocio. Analizamos 320 conversaciones de soporte de los dos meses anteriores y las clasificamos en categorías. El resultado fue revelador:
- Estado del pedido (32%): «¿Cuándo llega mi paquete?»
- Consultas de talla (21%): «¿Me queda bien la talla M si mido 1,67?»
- Política de devoluciones (11%): «¿Cómo devuelvo un artículo?»
- Disponibilidad de producto (6%): «¿Tenéis esto en azul?»
- Cuidado de prendas (4%): «¿Se puede meter en la lavadora?»
- Facturación (3%): «Necesito factura con IVA para mi empresa»
Solo el 23% restante eran incidencias que realmente requerían intervención humana: reclamaciones complejas, situaciones fuera de política o clientes que necesitaban un trato especial. Ahí era donde las fundadoras debían centrar su energía.
La solución: tres capas de automatización
Capa 1 — Asistente de chat en la tienda (Make + Claude)
Integramos un widget de chat en su tienda Shopify conectado a un flujo de Make que utiliza la API de Claude como motor de razonamiento. El asistente tiene acceso en tiempo real al catálogo de productos, a las guías de tallas y a la política de devoluciones de la tienda, todo cargado como contexto en el sistema.
Cuando un visitante pregunta por tallas, el asistente no se limita a redirigir a una tabla estática: cruza las medidas que el cliente proporciona con los datos de ajuste de cada prenda específica y recomienda una talla concreta con una explicación. Si la consulta es sobre disponibilidad, consulta el inventario de Shopify en directo y responde con precisión.
El asistente está configurado para escalar al email humano cualquier conversación que detecte como sensible o que el cliente marque explícitamente como insatisfactoria. En cuatro meses, solo el 8% de los chats llegaron a escalar.
Capa 2 — Respuesta automática de email con n8n
Para el canal de email —todavía el principal en su base de clientes de más edad— montamos un flujo en n8n que lee cada nuevo correo entrante, lo clasifica según su intención y genera un borrador de respuesta usando la misma base de conocimiento del asistente de chat.
Los emails sobre estado de pedido se responden solos, tirando de la integración con Shopify y la API de la transportista. Los de devoluciones envían automáticamente el formulario correspondiente y crean el ticket en el sistema. Los que requieren respuesta humana llegan ya con un borrador pre-redactado para que Elena o su socia solo tengan que revisar y enviar.
Resultado: de 28 emails diarios de media, las fundadoras ahora solo leen y validan entre 5 y 8. El resto sale sin intervención humana.
Capa 3 — Recomendador de tallas proactivo en la ficha de producto
La tercera pieza fue la más impactante en términos de negocio. Instalamos un pequeño componente en las fichas de producto que, al introducir altura y peso, calcula la talla recomendada para esa prenda concreta (no una talla genérica). Los datos de ajuste los habían recopilado ellas mismas de las devoluciones pasadas, una mina de información que tenían sin explotar.
El recomendador redujo la tasa de devolución por talla incorrecta del 18% al 9% en los primeros dos meses. Con márgenes ajustados en el sector textil, eso se traduce directamente en rentabilidad.
Los números, cuatro meses después
Medimos el impacto comparando los tres meses previos a la implantación con los tres meses posteriores al período de rodaje inicial:
- Horas semanales de soporte: de 30 a 9,5 (−68%)
- Tiempo de respuesta medio: de 6,2 horas a 4 minutos
- Tasa de conversión en tienda: +22% (atribuible principalmente al recomendador de tallas)
- Tasa de devolución por talla: del 18% al 9%
- Puntuación media en reseñas: de 3,9 a 4,7 estrellas
- Satisfacción en conversaciones de chat: 91% de valoraciones positivas
La inversión total en implementación fue de 1.180 €, más una suscripción mensual de herramientas de aproximadamente 140 € al mes. El ahorro en tiempo equivale a más de 80 horas mensuales que las fundadoras pueden dedicar a diseño, proveedores y crecimiento.
Lecciones que se pueden aplicar a cualquier PYME
1. Audita antes de automatizar
La tentación es lanzarse directamente a instalar herramientas. El mayor valor del proyecto vino de las dos semanas iniciales de análisis. Sin saber que el 74% de los mensajes eran recurrentes, habríamos construido algo mucho más complejo y menos efectivo.
2. Empieza por el canal de mayor volumen, no por el más visible
Instagram parecía el problema principal porque era donde más tiempo pasaban respondiendo. Pero el email tenía el mayor impacto en satisfacción del cliente porque los tiempos de respuesta eran más lentos y las expectativas más altas. Empezar por ahí fue la decisión correcta.
3. El escalado humano no es un fracaso, es el diseño
Muchos negocios temen que sus clientes rechacen hablar con un bot. La clave es diseñar el sistema para que el bot sepa cuándo ceder el paso. Un cliente que ha resuelto su duda en 3 minutos no le importa si lo ha hecho un asistente de IA; un cliente al que el bot ha frustrado y no ha podido hablar con nadie, sí se queja. El 8% de escalado de Tejidos Lúa es una métrica de diseño inteligente, no de fallo.
4. Los datos de devoluciones son un activo infrautilizado
Tejidos Lúa llevaba años registrando el motivo de cada devolución. Nunca habían usado esa información de forma sistemática. Convertirla en el motor del recomendador de tallas fue la pieza de mayor impacto económico de todo el proyecto, y el coste de implementarla fue mínimo.
¿Es replicable en tu negocio?
El caso de Tejidos Lúa no es excepcional. Cualquier PYME que gestione un volumen significativo de consultas repetitivas —una clínica, una academia, un despacho de abogados, una empresa de reformas— tiene el mismo patrón: un porcentaje alto de interacciones son predecibles y automatizables, mientras que las que realmente requieren criterio humano quedan enterradas bajo el ruido.
La IA no sustituye al equipo; libera al equipo para hacer el trabajo que solo el equipo puede hacer. En el caso de Elena y su socia, esas 80 horas mensuales recuperadas les permitieron lanzar una nueva línea de producto que ya representa el 18% de sus ventas actuales. Eso sí es crecimiento real.
Si reconoces en tu negocio alguno de los problemas que tenía Tejidos Lúa, el primer paso es siempre el mismo: auditar qué tipos de consultas recibes y en qué proporción. Con esa información, el camino hacia la automatización se vuelve mucho más claro.