Logo App

Inspiration

En ventas de soluciones de TI y nube, armar una propuesta suele ser lento y propenso a errores. El vendedor escucha al cliente, anota requerimientos, busca en el catálogo qué producto aplica, calcula precios y descuentos, y cuando el caso es complejo espera a que un arquitecto de soluciones lo revise, a veces hasta tres semanas. En ese tiempo el cliente se enfría y el vendedor pierde tiempo. Nos preguntamos qué pasaría si el vendedor tuviera un copiloto durante la llamada: que escuche, sugiera los productos correctos del catálogo en tiempo real y deje lista una propuesta con total estimado al terminar la reunión. Queríamos además que la IA nunca inventara un producto ni un precio, porque en una cotización un error cuesta dinero y credibilidad.

What it does

SideCall Alestra es un copiloto comercial que acompaña al vendedor durante la reunión con el cliente. Escucha la llamada en vivo. El navegador convierte la voz a texto y envía solo texto al servidor por WebSocket. Claude analiza la conversación y detecta señales, necesidades y productos del catálogo que encajan. Sugiere productos con evidencia. Cada sugerencia se apoya en una cita real de la conversación, que el sistema verifica. Calcula la propuesta con un motor determinista. Claude nunca ve precios. El motor toma el catálogo y aplica las reglas de plazo, paquetes, volumen y el tope de descuento del vendedor (10% sin autorización del gerente). Siempre entrega un total estimado. Si un producto requiere revisión de un arquitecto, por ejemplo una base Oracle de 6 TB o una migración grande, no se queda fuera del total ni queda “por definir”. Se estima por analogía con componentes del catálogo, se etiqueta como estimado preliminar o referencial y se indica qué porcentaje del total depende del arquitecto. Genera los entregables. Produce la propuesta en Word y PDF, y un brief para el arquitecto con el contexto, los supuestos y las preguntas pendientes. Aprende. Guarda frases cortas del cliente asociadas a productos, sin datos de contacto, curadas por el jefe comercial.

How we built it

Backend: servidor FastAPI con WebSocket, empaquetado como contenedor, con un motor de reglas y generación de documentos Word. IA: Claude Haiku 5.5 para el análisis en vivo, por su velocidad y bajo costo, y Claude Sonnet 5.5 al cerrar la sesión para consolidar notas, requerimientos y propuesta. Usamos esquema JSON estricto, caché del catálogo y verificación de citas. Datos: catálogo simulado (productos, paquetes, condiciones y criterios de escalamiento) y reglas versionadas en el repositorio. En el prototipo usamos SQLite. Separación de responsabilidades: la IA entiende la conversación, y el motor determinista calcula el dinero. Claude solo recibe nombres, descripciones y señales del catálogo. Prompt de estimados: diseñamos las instrucciones del asistente para clasificar cada línea en cuatro estatus (precio de lista, estimado preliminar, estimado referencial y sin base de precio) y para estimar productos a la medida con una tabla de analogías. Arquitectura de producción propuesta: Azure Container Apps (escala a cero), Azure SQL Database con Row-Level Security, Blob Storage, Key Vault, Log Analytics y Microsoft Entra ID para iniciar sesión con la cuenta de Microsoft 365. Los roles son Vendedor, Jefe, Arquitecto y Admin. El despliegue se hace con GitHub Actions y GHCR, con identidades administradas y credenciales federadas, sin contraseñas guardadas. Claude se consumiría por Microsoft Foundry o por la API de Anthropic.

Challenges we ran into

Evitar que la IA invente. Un modelo puede proponer un producto o un precio que no existe, así que tuvimos que separar el análisis (IA) del cálculo (motor determinista) y verificar cada cita. Qué hacer con lo que no tiene precio. Los productos “a la medida” o fuera de rango son justo los más grandes. Dejarlos fuera hacía que la propuesta pareciera más barata de lo real, y dejarlos “por definir” volvía inútil el total. Resolverlo con estimados etiquetados y supuestos explícitos requirió definir reglas claras. Equilibrar velocidad y costo. Analizar cada frase es caro. Estimamos el costo de IA en unos US$0.30–0.60 por reunión, pero sin medirlo, porque no teníamos crédito en la cuenta del hackathon. Voz y privacidad. El reconocimiento de voz de Chrome envía el audio a servidores de Google, lo que no es aceptable para producción con datos de clientes. Permisos. Que cada vendedor vea solo lo suyo y el jefe solo a su equipo exige controles en varias capas, no solo en la interfaz.

Accomplishments that we're proud of

Un prototipo que va de la conversación a una propuesta y un brief para el arquitecto. Una propuesta que siempre trae un total con número, con estimados bien etiquetados y con el porcentaje que depende del arquitecto, para que el vendedor sepa qué tan firme es la cifra. Una IA que no ve precios y cuyas sugerencias se respaldan con citas verificadas. Una ruta clara a producción: un piloto con infraestructura de unos US$1–10 al mes, autenticación con la cuenta corporativa y seguridad en tres capas.

What we learned

En ventas, la confianza vale más que la creatividad. Es mejor que la IA entienda y el código calcule. Un estimado honesto y bien etiquetado sirve más que un “a cotizar”. Declarar supuestos y preguntar el dato faltante le da al vendedor algo accionable. Diseñar la arquitectura de permisos desde el inicio es más barato que añadirla después. Medir el costo real por reunión desde el primer día es clave antes de escalar. Aprovechar la identidad que la empresa ya tiene (Microsoft 365) simplifica mucho el inicio de sesión y los roles.

What's next for Propuesta Alestra

Piloto de 2–3 semanas con unos 20 vendedores y 2 jefes: despliegue en Azure, inicio de sesión con Entra ID, roles, Azure SQL con seguridad por fila, documentos en Blob Storage y tablero del jefe (propuestas, triaje, tiempo a propuesta y porcentaje estándar). Audio de la llamada con Azure AI Speech, con identificación de quién habla y captura de la pestaña de Teams o Meet, dentro de la suscripción de Alestra. Integraciones: CRM (crear la oportunidad junto con la propuesta), catálogo real desde la fuente de Alestra y red privada si Seguridad lo requiere. Optimización de costos de IA: analizar cada 15 segundos o cada 3 frases (con una reducción estimada de 40–60%) y medir los tokens reales. Privacidad y cumplimiento: revisión con Legal (LFPDPPP), región México si está disponible, y políticas de retención como 90 días para transcripciones.