de San Francisco Xavier de Chuquisaca
Asistente de ventas
conversacional RAG
Para la plataforma e-commerce “EGX el genioX” de la empresa DATEC S.R.L.
Contenido de la defensa
El proceso de descubrimiento de productos de la plataforma “EGX el genioX” es rígido y lineal, lo cual restringe la capacidad de los usuarios para encontrar el producto ideal cuando su necesidad es ambigua, elevando la frustración y la migración a canales de soporte humano.
La solución se abordó con un Asistente de Ventas Online Conversacional Inteligente, fundamentado en una arquitectura modular que aplica IA Generativa. Su tecnología central es el patrón de Recuperación Aumentada (RAG), que combina un LLM con una base de conocimiento propietaria y verificada para que el asistente responda con información verídica y actualizada del catálogo de EGX.
Desarrollar un agente de ventas conversacional generado con inteligencia artificial, basado en la técnica de recuperación aumentada (RAG), para el caso de estudio de la plataforma de e-commerce “EGX el genioX”, con el propósito de optimizar la experiencia de usuario (UX) y facilitar el descubrimiento de productos mediante asistencia inteligente, mitigando así la fricción del canal digital.
Introduce una solución de vanguardia basada en RAG, una técnica de IA generativa de adopción aún incipiente en el ámbito empresarial local. Va más allá de los chatbots básicos y la búsqueda por palabras clave: comprende la intención semántica y el lenguaje natural del usuario.
Al reducir la fricción de compra (búsquedas infructuosas, mal descubrimiento de productos), tiene el potencial de aumentar la conversión y reducir el abandono de carrito, optimizando la rentabilidad del canal digital y mejorando la experiencia del cliente.
Documenta una ruta de ingeniería replicable para implementar RAG sobre un e-commerce real —del ETL a la vectorización en pgvector y la validación—, sirviendo de guía práctica para otros en Bolivia que trabajen con datos propietarios.
Retrieval-Augmented Generation
Recupera del catálogo real y luego genera: el modelo responde solo con los productos encontrados, sin inventar.
El stack
Cada pieza, la mejor en su rol.
Del backup al dataset curado
de 17.124 candidatos
- Proceso ETL sobre el backup → tabla productos_clean
- Campos: name · description · base_price · images_json
- Texto fuente concatenado + hash MD5 para cambios incrementales
Embeddings gemini-embedding-001 (768d) · 6.852 productos en 69 lotes · pgvector · backend FastAPI + LangChain · frontend Next.js
Botón flotante sobre el marketplace
El asistente vive como un botón flotante (el genio, abajo a la derecha) sobre elGenioX — sin sacar al usuario de la tienda.
El Genio,
en vivo
Botón flotante sobre el marketplace → chat que recomienda, compara y recuerda el contexto, con fotos y enlace al producto real.
Cómo se probó el sistema
- LLM-as-judge con Gemini
- Carga con Locust (50 usuarios)
- Panel de 80 usuarios
- Escala Likert · SUS · NPS
Entregables finales
Intención de compra: 48% con el asistente vs 25% sin él — el hallazgo de mayor impacto comercial.
Tres dimensiones, umbrales superados
Deuda técnica: lenguaje coloquial regional y respuestas comparativas punto por punto.
Hacia producción
- Desplegar primero en un piloto controlado antes de producción.
- Actualizar periódicamente la base vectorial con el catálogo.
- Monitoreo continuo: precisión, latencia y satisfacción.
- Derivación a soporte humano ante baja confianza.
- Trabajo futuro: recomendación personalizada y capacidades multimodales.
Gracias
RAG es viable y eficaz para elGenioX: entiende lenguaje natural, recupera del catálogo real y responde sin alucinar.