El cliente y el contexto
El cliente es un distribuidor independiente de autopartes con operación en tres países de LatAm. Por acuerdo de confidencialidad no publicamos su nombre, pero el perfil es representativo del mercado: ~12.000 SKUs activos, mezcla 60% OEM / 40% aftermarket, cinco marcas vehiculares fuertes (Toyota, Nissan, Chevrolet, Hyundai, Ford) y un canal de venta dominado por WhatsApp (78% de los pedidos entran por chat antes de pasar a su ERP).
El equipo de atención eran 11 vendedores tomando pedidos manualmente: leer el VIN o la descripción del cliente, abrir el catálogo del fabricante en el navegador, revisar supersesiones a mano, cotizar en Excel y volver al chat. Un ciclo típico tomaba 12-18 minutos y se perdía ~30% de las consultas fuera de horario.
El problema: misorders caros y silenciosos
Antes del proyecto, 6,3% del volumen mensual terminaba en devolución por pieza incorrecta (misorder). El costo no era solo logístico: cada misorder consumía dos llamadas, una visita de courier, reapertura de pedido en el ERP, ajuste contable y, en 1 de cada 5 casos, el cliente migraba al competidor.
El root cause no era pereza del vendedor — era estructural: catálogos OEM en pestañas distintas, sin validación automática de supersesiones (SSPL), y cero conexión entre el chat de WhatsApp y el stock real del ERP. El vendedor cotizaba lo que «debería estar», no lo que estaba.
- Misorders: 6,3% del volumen mensual (~480 devoluciones/mes).
- Costo medio por misorder: USD 47 (logística + tiempo + reapertura ERP).
- Tiempo medio a cotización: 14 minutos.
- Consultas perdidas fuera de horario: ~30% del inbound nocturno.
- Vendedores haciendo trabajo de catalogador en lugar de cerrar venta.
La solución: agente IA + EPC oficial + ERP
Desplegamos AutoParts AI Agent como capa de atención al cliente sobre WhatsApp Business API. El agente recibe el mensaje (texto, foto de la pieza, VIN o número de parte), decodifica el VIN contra catálogo OEM oficial, valida supersesiones SSPL, consulta stock y precio en el ERP en tiempo real, y devuelve una cotización formal con disponibilidad confirmada — todo en menos de 2 minutos.
Cuando el caso requiere criterio (pieza de carrocería con daño parcial, sustitución no estándar, crédito del cliente), el agente hace handoff a un vendedor humano con todo el contexto pre-cargado: VIN decodificado, candidatos OEM, stock por bodega y historial del cliente. El vendedor pasó de tomar pedidos a cerrar ventas complejas.
- Decodificación VIN contra catálogo OEM oficial (no scrapeado).
- Validación SSPL automática antes de cotizar — corta el misorder en el origen.
- Conector ERP en vivo: stock, precio por tier y crédito del cliente.
- WhatsApp Business API multi-número, ruteo por bodega.
- Handoff a humano con contexto completo cuando hace falta criterio.
Implementación en 9 semanas
El proyecto se dividió en cuatro fases. Semanas 1-2: integración con ERP (catálogo, stock, precios por tier, clientes) y normalización de los 12.000 SKUs. Semanas 3-5: conexión a los catálogos OEM oficiales de las cinco marcas y configuración de reglas SSPL. Semanas 6-7: piloto cerrado con 200 clientes B2B sobre una bodega. Semanas 8-9: rollout a las tres operaciones país.
El equipo del cliente puso un product owner de tiempo completo y dos integradores de su área de TI. Del lado EITS: un arquitecto de solución, un ingeniero de integraciones y un trainer de IA. La curva de aprendizaje del agente se aceleró usando los 18 meses de transcripciones de WhatsApp que el cliente ya tenía archivadas.
Resultados a 4 meses
Medimos contra el baseline del trimestre previo a la implementación. Todas las cifras son del mes 4 post-rollout completo, no del piloto.
El indicador que más movió la economía del negocio no fue el ahorro de tiempo del vendedor — fue la caída de misorders. A 480 devoluciones evitables/mes × USD 47 de costo unitario, el ahorro mensual directo superó los USD 8.500, sin contar el impacto en NPS y churn de clientes B2B.
- Misorders: 6,3% → 3,9% (−38%).
- Tiempo medio a cotización: 14 min → 4 min (−71%).
- Cotizaciones resueltas sin humano: 0% → 67%.
- Pedidos generados fuera de horario: +22%.
- Throughput del equipo de ventas: 2,1× (más cotizaciones/vendedor/día).
- NPS B2B (encuesta trimestral): +18 puntos.
- Payback de la implementación: 5,2 meses.
Antes vs. después — 4 meses post-implementación
| Métrica | Antes (Q4 2025) | Después (mes 4) | Δ |
|---|---|---|---|
| Misorders / volumen mensual | 6,3% | 3,9% | −38% |
| Tiempo medio a cotización | 14 min | 4 min | −71% |
| Cotizaciones sin intervención humana | 0% | 67% | +67 pp |
| Pedidos generados fuera de horario | Baseline | +22% | +22% |
| Throughput por vendedor / día | 1,0× | 2,1× | +110% |
| NPS B2B | +24 | +42 | +18 pts |
Lecciones aplicables a otros distribuidores
Tres aprendizajes que repetimos en otros despliegues de distribución de repuestos. Primero: el ROI vive en los misorders, no en el ahorro de tiempo. Si vendés solo «agente más rápido», el caso de negocio queda chico; el verdadero ahorro está en cortar devoluciones, reapertura de pedidos y churn silencioso.
Segundo: sin EPC oficial y SSPL en vivo, el agente solo automatiza el error. Un chatbot conectado a una base scrapeada cotiza más rápido las piezas equivocadas. Tercero: el handoff humano-IA tiene que llevar contexto completo o el vendedor lo desactiva en una semana — el agente debe ser asistente del humano, no un filtro hostil.