Cómo construir un agente de IA que responda tu inventario en tiempo real por WhatsApp
Aprende a construir, paso a paso, un agente de IA que conteste por WhatsApp si tienes un producto en existencia, usando n8n, function calling y tu inventario real. Incluye checklist descargable gratis.
Function calling, n8n y tu inventario real: la guía sin humo para construirlo tú mismo
Function calling, n8n y tu inventario real, explicados paso a paso, con costos de ejemplo y los errores que no debes cometer.
Si un cliente te escribe por WhatsApp preguntando si tienes una pieza en existencia, lo normal es que alguien del equipo suelte lo que está haciendo, abra el inventario y conteste minutos (o horas) después. Un agente de inteligencia artificial puede hacer esa primera consulta solo, revisando tu inventario real y contestando en segundos, sin inventar un número que no existe. Esta guía te enseña a construirlo tú mismo con las herramientas que de verdad se usan hoy, y trae un PDF descargable gratis con la checklist completa para no saltarte ningún paso antes de lanzarlo con clientes reales.
En resumen
Puedes construir un agente de IA que conteste existencia de producto por WhatsApp conectando n8n, un modelo de lenguaje con function calling y tu inventario (Google Sheets, Airtable o tu sistema), sin escribir código si usas la nube de n8n. Los tokens de IA cuestan centavos de dólar al mes; lo que más pesa en el presupuesto es la cuota de n8n y el costo por mensaje de WhatsApp.
- Function calling, no RAG, es lo que te da el número real de stock
- Los tokens de IA cuestan centavos; n8n y WhatsApp son la parte visible del gasto
- Nunca dejes que el modelo invente un número cuando la consulta falla
Qué hace de verdad este agente (y qué no)
Este agente contesta una pregunta muy puntual: si un producto está disponible, en qué cantidad y, si lo configuras así, en qué sucursal. Lo hace consultando tu inventario en el momento, no una copia que alguien actualizó la semana pasada. Para eso no basta con una conversación de IA genérica: necesita una herramienta (function calling) que le permita ir y leer el dato real cada vez que alguien le pregunta.
Lo que no hace: no reemplaza a quien decide compras, no cierra una venta ni cobra, y no corrige tu inventario si está mal capturado. Tampoco debe inventar una cifra cuando la consulta falla; si lo hace, el problema no es la IA, es que nadie le puso un mensaje de respaldo. Y no sirve de mucho en catálogos con miles de variantes casi idénticas sin antes limpiar los nombres de producto.
Lo que necesitas antes de empezar
Junta estas cuatro piezas antes de abrir cualquier herramienta, porque sin alguna de ellas no vas a poder terminar el flujo: un número de WhatsApp Business verificado en Meta for Developers con un token permanente; una llave de API de OpenAI o de Claude; tu inventario accesible por API (una hoja de Google Sheets con la API de Google, una base en Airtable, o el endpoint de tu propio sistema); y una cuenta de n8n, en la nube o instalada en un servidor propio. A esa conexión al inventario dale siempre un usuario de solo lectura, nunca el de administrador de tu sistema.
Cómo se construye, paso a paso
El flujo completo corre así: el cliente escribe por WhatsApp, el mensaje llega a n8n por el webhook de Meta, el modelo de lenguaje decide si necesita consultar el inventario y llama a la función que lo hace, y la respuesta final, con el dato real, se manda de vuelta por la misma API de WhatsApp. Esto es cómo se arma cada pieza:
Conecta tu número a la WhatsApp Business Platform
Crea tu cuenta en Meta for Developers, verifica tu número de negocio y genera un token permanente; sin esto no puedes recibir ni mandar mensajes por la API.
Da de alta tu cuenta de n8n
Usa la nube de n8n o instálalo en tu propio servidor, y guarda ahí las credenciales del token de WhatsApp y de la llave de tu modelo de IA (OpenAI o Claude).
Arma la entrada: el webhook que recibe los mensajes
Un nodo de tipo webhook recibe cada mensaje que llega por WhatsApp y lo normaliza (número del cliente, texto, hora) antes de pasarlo al modelo.
Activa las herramientas (function calling) en el nodo de IA
Define la función consultar_stock con sus parámetros (nombre o código de producto) para que el modelo la llame cuando la necesite, en vez de adivinar la respuesta.
Conecta la función a tu inventario real
Esa función debe ejecutar la consulta contra tu Google Sheets, tu base en Airtable o el endpoint de tu sistema, y regresar el resultado exacto al modelo.
Redacta la respuesta y mándala de vuelta
El modelo convierte el resultado en una respuesta natural y un nodo de salida la envía por la misma API de WhatsApp al número del cliente.
Pruébalo con al menos 20 preguntas reales antes de lanzarlo
Incluye productos que sí existen, que no existen, nombres mal escritos y sinónimos; corrige los errores antes de que lo use un cliente de verdad.
Function calling, MCP y cuándo n8n ya no alcanza
La pieza que hace posible que el agente diga un número real, y no uno inventado, se llama function calling (o uso de herramientas): en vez de pedirle al modelo que "sepa" el stock, le das una función que puede llamar para ir a buscarlo. Esto es distinto de un RAG sobre tus documentos: el RAG sirve para que el agente conteste con descripciones o políticas de producto, pero no es confiable para cifras exactas que cambian todos los días; para eso siempre usa function calling o una consulta directa.
{
"name": "consultar_stock",
"description": "Busca el stock disponible de un producto",
"parameters": {
"type": "object",
"properties": {
"producto": {
"type": "string",
"description": "Nombre o código del producto"
}
},
"required": ["producto"]
}
}El riesgo real: que invente el número cuando falla
Si la función no encuentra el producto, se cae la conexión o tarda demasiado, el modelo puede "rellenar" la respuesta con algo que suena razonable pero no es cierto. La única forma de evitarlo es definir explícitamente qué debe contestar el agente cuando la función falla, algo como "no puedo confirmar el stock en este momento, en un momento te contesta un asesor", y nunca dejar que improvise.
Si más adelante quieres que el mismo agente, además de consultar stock, cotice, agende o cobre, conviene exponer tu inventario y tus otras herramientas como un servidor de Model Context Protocol (MCP): en vez de reconstruir la conexión cada vez, cualquier agente compatible se conecta una sola vez y usa todas las herramientas disponibles. Y si en vez de n8n prefieres programar el agente directamente, frameworks como el SDK de agentes de OpenAI, LangGraph o CrewAI te dan más control sobre la lógica, a cambio de que ya necesitas escribir código. Si prefieres que alguien más lo arme, lo conecte a MCP y lo deje probado, puedes pedir una demostración gratis con Zadrig por WhatsApp.
Cuánto cuesta construirlo y mantenerlo
Para un negocio chico, el gasto que más se nota no son los tokens de inteligencia artificial, sino la cuota de la herramienta de automatización y el costo por mensaje de WhatsApp.
| Pieza | Para qué sirve | Costo de ejemplo | Dónde corre |
|---|---|---|---|
| n8n (plan Starter en la nube) | Orquesta todo el flujo | Desde 24 € al mes por 2,500 ejecuciones, según n8n.io/pricing | Nube de n8n |
| n8n Community (autoalojado) | La misma función, sin límite de ejecuciones | Gratis; solo pagas el servidor, unos 5 a 20 USD al mes, según n8n.io/pricing | Tu propio servidor |
| Modelo de lenguaje (ejemplo GPT-4o mini) | Entiende el mensaje y decide qué función llamar | Ejemplo: 0.15 USD por millón de tokens de entrada y 0.60 USD por millón de salida, según developers.openai.com | API de OpenAI |
| WhatsApp Business Platform | Envía y recibe los mensajes | Ejemplo en EUA: ~0.004 USD por mensaje de utilidad y ~0.025 USD por mensaje de marketing; varía por país, según developers.facebook.com | Meta |
Calcula un estimado de tu gasto en IA y WhatsApp
Mueve el número de consultas de stock que recibes al mes por WhatsApp para estimar el gasto en tokens de IA y en mensajes.
Cifras de ejemplo con base en las tarifas públicas de OpenAI (developers.openai.com) y en la tarifa de ejemplo de mensajes de utilidad de Meta para EUA (developers.facebook.com/docs/whatsapp/pricing). No incluye la cuota de n8n ni el servidor, que se pagan aparte y no dependen del número de mensajes.
La tarifa de la WhatsApp Business Platform cambió en 2025 de cobrar por conversación a cobrar por mensaje, y varía según el país y el tipo de mensaje; antes de lanzar tu agente, revisa la tarifa vigente para México en tu propia cuenta de Meta for Developers. El plan de pago de n8n empieza en 24 euros al mes para 2,500 ejecuciones, pero su versión Community autoalojada es gratuita y sin límite de ejecuciones; solo pagas el servidor donde corre.
Los errores más comunes al construirlo
La mayoría de los problemas con este tipo de agente no vienen del modelo de IA, sino de cómo se conectó a los datos reales del negocio.
- Define siempre un mensaje de respaldo para cuando la función de consulta falla o no encuentra el producto
- Prueba con nombres mal escritos, sinónimos y productos que no existen antes de lanzarlo
- Da acceso de solo lectura a tu inventario, nunca el usuario administrador de tu sistema
- Pon un límite de consultas por conversación para evitar un gasto descontrolado si alguien satura al agente
- Revisa cada semana una muestra de conversaciones reales, no solo cuando se queje un cliente
- Si tu inventario cambia varias veces al día, conecta la función directo a tu sistema, no a una copia que se actualiza a mano
Cómo se usa esto en México y Latinoamérica
En negocios con inventario físico, como ferreterías, refaccionarias, distribuidoras y boutiques con venta por catálogo, la pregunta más repetida por WhatsApp es casi siempre la misma: "¿tienen esto, y cuánto hay?". Un agente que consulta el inventario real resuelve esa pregunta sin que nadie de tu equipo suelte lo que está haciendo.
Ferretería con varias sucursales
El agente contesta si hay una pieza en existencia y en cuál sucursal está, antes de que el cliente se mueva hasta la tienda.
Distribuidora de refacciones
Resuelve la pregunta más repetida del día, si tienen una pieza y cuántas, sin que un vendedor suelte lo que está haciendo.
Boutique con catálogo por WhatsApp
Confirma tallas y colores disponibles antes de que el cliente pida el pago, evitando ventas que luego no se pueden surtir.
Taller con inventario de refacciones
Verifica si la refacción que necesita un cliente está en el almacén antes de confirmar una cita de servicio.
Ejemplo: una ferretería con 600 consultas de stock al mes
En este caso el gasto que de verdad se nota no es la IA, sino la cuota del servidor (unos cuantos dólares al mes) y el costo por mensaje de WhatsApp; los tokens de IA, con un modelo económico como GPT-4o mini, se quedan en centavos.
¿Puedo construir este agente sin saber programar?
Sí, si usas n8n en su versión de nube o autoalojada: casi todo el flujo se arma arrastrando nodos y configurando campos, y solo necesitas copiar y pegar la definición de la función consultar_stock. Si en vez de eso quieres programarlo con un framework como LangGraph o el SDK de agentes de OpenAI, entonces sí necesitas a alguien que escriba código.
¿Qué pasa si mi inventario está en Excel y no en una base de datos?
Funciona si esa hoja vive en Google Sheets o en algo con API, como Airtable: n8n se conecta directo y lee el dato en el momento. Un Excel guardado solo en una computadora, sin conexión a internet, no sirve porque el agente no puede leerlo en tiempo real.
¿OpenAI o Claude, cuál me conviene para este agente?
Los dos soportan function calling y funcionan bien para esta tarea; la diferencia real está en el precio por token de cada modelo y en qué tan cómodo te sientas con su documentación, no en si uno "entiende mejor" tu inventario.
¿Cuánto tiempo tarda en construirse un agente así?
Armar el flujo básico en n8n (webhook, function calling y conexión al inventario) se puede hacer en un par de días si ya tienes las cuentas y llaves listas; lo que más tiempo toma es probarlo con suficientes preguntas reales antes de soltarlo con clientes.
¿Es seguro darle acceso a mi inventario a un agente de IA?
Sí, si le das acceso de solo lectura y nunca el usuario administrador de tu sistema: el agente solo necesita poder leer el stock, no modificarlo, borrarlo ni ver otros datos sensibles del negocio.
¿Qué hago si el agente empieza a dar respuestas raras o inventadas?
Revisa primero si la función de consulta sigue funcionando, a veces se vence un token o cambia el formato del inventario; si el problema persiste, quita temporalmente el agente del flujo de atención hasta corregirlo, porque un agente que inventa stock es peor que no tener agente.
Fuentes
¿Prefieres que te lo construyamos nosotros?
Zadrig Technology construye agentes de IA conectados a tu inventario real, con las pruebas y los respaldos ya hechos, y te muestra una demostración gratis antes de que decidas nada. Te contesta una persona, no un bot.
Escríbenos por WhatsApp
