Automatización Low-Code: Marketplace de Salud con Ia, Whatsapp Mult...

1. Introducción y Contexto del Negocio

es el principal buscador de enfermeras certificadas en curación avanzada de heridas en Chile. Actualmente, buscamos automatizar el ciclo de vida completo del lead: desde que un paciente escribe con una necesidad médica hasta que se concreta el agendamiento y se recauda la comisión por parte de la profesional.

El mayor desafío del proyecto es evitar la "fuga de plataforma" (disintermediation) y garantizar que, aunque la agenda de las enfermeras sea dinámica, el paciente siempre reciba una respuesta rápida y efectiva.

1. Stack Tecnológico Requerido (No negociable)

Orquestador Principal: Make (ex-Integromat).

Inteligencia Artificial: OpenAI API (Modelos gpt-4o para triaje y gpt-4o-mini para monitoreo de chats).

Plataforma Multiagente (CRM de Chat): Kommo, o un desarrollo personalizado que permita la asignación dinámica de agentes vía API.

Base de Datos: Airtable (preferido por su robustez de API) o Google Sheets.

Canal de Comunicación: WhatsApp Business Cloud API (Meta).

Pasarela de Pagos: Integración con Webpay (Transbank) o Mercado Pago para la generación de links de cobro dinámicos.

1. Flujo de Trabajo Detallado (Scope)

Fase 1: Triaje e Inteligencia de Calificación

Recepción y Empatía: El bot debe recibir al paciente y, mediante una conversación fluida y empática (diseñada vía System Prompt), recabar:

Ubicación: Comuna específica donde se requiere la atención.

Tipo de Procedimiento: Identificar si es curación simple, avanzada, retiro de puntos, instalación de sondas, etc.

Gravedad/Urgencia: Determinar si el paciente requiere atención inmediata.

Validación de Datos: La IA debe confirmar que los datos son coherentes antes de pasar a la siguiente fase.

Fase 2: Lógica de Disponibilidad en Cascada (Algoritmo de Asignación)

Búsqueda Inteligente: El sistema consulta la base de datos filtrando por comuna y especialidad, priorizando a las enfermeras bajo el modelo de "Comisión por Lead".

Validación "Flash" en Tiempo Real: Dado que las agendas suelen estar desactualizadas, el sistema NO asignará el lead directamente.

El bot enviará un mensaje interno al WhatsApp personal de la enfermera candidata #1: "Tienes un lead calificado en [Comuna] para [Procedimiento]. ¿Puedes atender hoy? [Botón SÍ] [Botón NO]".

Gestión de Timeouts: Si la enfermera no responde en un margen de 5 a 10 minutos (configurable), el escenario de Make debe marcar ese intento como fallido y saltar automáticamente a la candidata #2, y así sucesivamente (Cascada).

Fase 3: Buzón de Transferencia y Control de Marca

Asignación de Chat: Una vez que una enfermera confirma disponibilidad (clic en "SÍ"), el sistema debe:

Crear o actualizar el contacto en la plataforma Multiagente.

Asignar la conversación del paciente a la cuenta de la enfermera dentro del CRM.

Notificar a ambas partes que la conexión se ha realizado.

Privacidad y Auditoría: La enfermera chatea con el paciente desde nuestro número oficial. Esto protege los datos de contacto y permite a la plataforma monitorear la calidad del servicio.

Fase 4: Monitoreo de Cierre y Cobro Automatizado

Detección de Agendamiento: Un escenario de Make "escuchará" los mensajes del chat. La IA analizará la conversación buscando intenciones de cierre (ej: "Nos vemos a las 15:00", "Cita confirmada").

Generación de Cobro: Al detectarse el agendamiento, el sistema enviará un mensaje automático al WhatsApp personal de la enfermera con un Link de Pago personalizado por la comisión acordada.

Conciliación: Mediante Webhooks de la pasarela de pago, el sistema debe marcar en la base de datos cuando la comisión ha sido pagada, liberando a la enfermera para recibir nuevos leads.

1. Entregables Técnicos

Planos de Escenarios en Make: Estructura modular, etiquetada y con manejo de errores (Error Handling) para evitar bucles infinitos o fallos de API.

Configuración de CRM/Multiagente: Setup completo de la plataforma de chat, incluyendo la lógica de permisos para que las enfermeras solo vean sus propios chats asignados.

Arquitectura de Datos: Base de datos optimizada en Airtable/Sheets con tablas relacionales de Enfermeras, Leads, Agendamientos y Pagos.

Prompt Engineering: Documentación de los prompts utilizados, asegurando que la IA mantenga un tono profesional médico y no genere datos ficticios.

Documentación y Traspaso: Video tutorial (Loom) detallando el funcionamiento y un manual de "Solución de Problemas Rápidos".