Bot WhatsApp con IA en 15 días: caso real, arquitectura y precio (2026)

Una clínica dental de Valencia con 4 sillones nos contactó con un problema clarísimo: perdían el 28% de las citas porque cuando un paciente llamaba fuera de horario nadie cogía, y cuando le llamaban de vuelta al día siguiente ya había reservado en otra clínica. Más 6h/semana de la recepcionista contestando las mismas 8 preguntas: horarios, precios, urgencias, parking. La solución que pidieron parecía mágica: un bot WhatsApp con IA que entendiera al paciente, cogiera la cita en el calendario y filtrara urgencias reales.

Lo entregamos en 15 días por 3.200€ (sin contar la mensualidad fija de mantenimiento, 180€/mes). Este post explica exactamente cómo lo hicimos, qué falló por el camino y qué cambiaría hoy. La cuenta de resultados a 3 meses: -60% no-shows, +30% nuevos pacientes captados, recepcionista liberada 5h/semana para gestión real, ROI completo en 2,5 meses.

Arquitectura técnica (la versión sin humo): WhatsApp Business API oficial vía proveedor BSP (360dialog, 25€/mes + coste por conversación iniciada por la clínica, ~0,03€ por mensaje saliente) → webhook que recibe los mensajes entrantes y se los pasa a un workflow de n8n self-hosted en Hetzner (5€/mes VPS) → el workflow llama a Claude (Haiku para clasificar intent, Sonnet para respuestas complejas) → Claude consulta el calendario Google del cliente vía API, contesta y guarda el log en Supabase (plan gratuito hasta 500MB) → si detecta urgencia real (fiebre, dolor agudo, golpe), notifica al dentista de guardia vía SMS Twilio. Toda la stack costaba al cliente unos 60-90€/mes según volumen, frente a un pago de 800€ que se cobraba a Aivo o Landbot por funcionalidad equivalente.

Día 1-3 — Discovery y diseño de flujos: dos sesiones con la dueña + la recepcionista. Mapeamos las 12 conversaciones más frecuentes: pedir cita nueva, cambiar cita, cancelar, precio de empaste/limpieza/implante, horarios, ubicación, parking, urgencias, dudas sobre tratamiento iniciado, recordatorio, pago, factura. De ahí salieron 4 intents principales (cita, info, urgencia, otro) y un árbol de decisión simple. Documentamos los precios y políticas en un Notion que luego se convirtió en la base de conocimiento del RAG.

Día 4-6 — WhatsApp Business API + n8n + Claude: alta del número en 360dialog (24-48h de verificación de Meta), instalación de n8n en Docker (1 tarde), conexión del webhook entrante de WhatsApp con n8n, primer flujo "hello world". Conexión con Claude API: prompt de sistema con la personalidad de la clínica (tono cercano pero profesional, no usar emojis excesivos, derivar urgencias en menos de 2 mensajes). Aquí gastamos 1 día puliendo el prompt — el secreto fue darle ejemplos few-shot reales de la recepcionista, no instrucciones abstractas.

Día 7-9 — RAG con la base de conocimiento + integración calendario: indexamos el Notion en una vectorial sencilla (Supabase pgvector, sobra para 80 documentos) con embeddings de Voyage. Cuando un paciente pregunta "¿cuánto vale un empaste?", Claude busca en la base, encuentra el precio actual, responde con tono natural y añade el caveat de que el precio definitivo depende de la revisión. Integración con Google Calendar de la clínica vía OAuth, función para crear/cancelar/buscar citas. Aquí pasó el primer susto: Claude inventó un precio para un tratamiento que no estaba documentado. Solución: instrucción explícita en el prompt "si no encuentras el dato en la base, NO inventes, deriva a la clínica" + verificación post-respuesta automática.

Día 10-12 — Detección de urgencias + handoff humano: clasificador con Haiku (más barato y rápido) que evalúa cada mensaje entrante en una escala 0-3: 0 informacional, 1 cita, 2 incidencia, 3 urgencia. Si score=3, el bot responde "voy a avisar al dentista de guardia" y dispara SMS a la dueña vía Twilio. Si el paciente escribe "quiero hablar con alguien" o el bot pierde el hilo dos veces seguidas, handoff inmediato. Esto es CRÍTICO — sin handoff los pacientes pierden la paciencia y el bot pierde credibilidad.

Día 13-14 — Testing con pacientes reales (modo silencioso) + ajustes: pasamos el bot a 20 pacientes recurrentes que conocían a la clínica. Recogimos las 14 quejas y arreglamos: tono demasiado formal, no entendía "empaste" en valenciano, daba precios con IVA cuando la convención local era sin IVA, no sabía que cerraban en Fallas. Cada ajuste = 30 min en el prompt o la base de conocimiento.

Día 15 — Go-live + dashboard de métricas: activación pública, mensaje pinned en su cuenta de Instagram y Google Business avisando del nuevo canal. Dashboard simple en Metabase para que la dueña vea: conversaciones/día, % auto-resueltas, citas creadas, urgencias derivadas, tiempo medio de respuesta. La primera semana: 47 conversaciones, 38 auto-resueltas (80%), 9 derivadas a humano, 0 incidentes graves.

Qué cambiaría hoy si lo volviera a hacer: invertiría 2 días más en el prompt y la base de conocimiento — los hallazgos de la semana 1 fueron todos por falta de contexto, no por bug técnico. También: empezar con n8n cloud (20€/mes) en vez de self-hosted, para que el cliente pueda mantenerlo solo si rescinde el servicio. Y meter desde día 1 un fine-tuning ligero del clasificador con sus propios datos en lugar de Haiku genérico — bajaría el coste por conversación a la mitad.

Precio orientativo para tu sector (basado en proyectos similares de 2026 en SprintMarkt): clínica dental/médica/veterinaria estándar (1 número, 1 calendario, ~30 intents): 2.500€-3.500€ setup + 150€-220€/mes. Asesoría / despacho (más nodos legales, escalación a abogado): 3.500€-4.500€ + 200€/mes. Restaurante con reservas y carta dinámica: 2.500€-3.200€ + 130€/mes. Inmobiliaria con catálogo de inmuebles + screening de leads: 4.000€-5.500€ + 250€/mes. Los precios incluyen 15 días de setup, 1 mes de soporte post-lanzamiento y 2 sesiones de ajuste de prompt en los 3 primeros meses.