Sinimex presentó un entrenador de AI para ventas corporativas con verificación por documentos

Synimex ha presentado un prototipo de un entrenador de IA para ventas B2B que enseña a los gerentes a conducir negociaciones, manejar objeciones y evitar exagerar las características del producto. El sistema ya está en pruebas: después de un cambio de arquitectura, se ha vuelto notablemente más estable, y el equipo espera que el entrenamiento regular aumente las solicitudes de propuestas comerciales en al menos el 15%.

Del Fracaso al Simulador

La idea surgió de un problema típico de ventas B2B. Un principiante puede conducir con confianza la primera parte de una reunión, pero se pierde cuando el cliente comienza a hacer preguntas incómodas sobre el producto, la documentación y los beneficios del cambio. En ventas al consumidor, este error aún puede superarse, pero en el segmento corporativo, cada reunión fallida es un lead perdido, tiempo del equipo y dinero.

Para empresas con ciclos de ventas largos, tal fracaso es particularmente doloroso y costoso. Por eso, Synimex decidió construir no solo un chatbot, sino un simulador de negociaciones. El entrenador debe guiar al gerente a través de todo el ciclo de conversación desde el saludo hasta la fijación de los próximos pasos, plantear objeciones realistas y proporcionar retroalimentación después de la conversación.

Para el entrenamiento, utilizaron dos tipos principales de datos: escenarios de visitas con objetivos y objeciones típicas, así como documentación de productos en PDF, para que el agente pudiera basarse no en "sensaciones" sino en hechos.

Arquitectura Bajo Control

El equipo probó tres enfoques. Rechazaron el esquema de un único agente debido al desbordamiento de contexto: en una conversación larga, el modelo comenzaba a perder el hilo e seguía las instrucciones peor. Un enfoque clásico multiagente tampoco funcionó: es flexible, pero demasiado parecido a una caja negra, donde es difícil entender por qué un agente entregó la tarea a otro y en qué etapa ocurrió el error. Al final, eligieron prompting secuencial — una cadena de pasos estrechos con salida JSON controlada y prompts separados para cada etapa de la conversación.

• selección de prompt por fase de conversación
• generación de múltiples variantes de respuesta
• selección de la mejor respuesta por un agente separado
• envío de la respuesta final al gerente

La primera versión del sistema aún fracasó: solo 2 de 8 diálogos se consideraron exitosos. Después de eso, agregaron al esquema un segundo agente "editor", que selecciona la mejor opción de respuesta entre varias generadas. Este pipeline de dos etapas alivió el prompt principal y le dio al modelo más variabilidad sin pérdida de control. En la segunda iteración, el resultado creció a 7 diálogos exitosos de 8, y las respuestas sonaron más naturales. Este fue el punto de inflexión del proyecto.

Verificación de Fabricaciones

El siguiente paso fue complicar la simulación. El entrenador ahora tiene niveles de dificultad: en el nivel fácil, el cliente virtual es más acomodaticio, en el nivel medio requiere argumentos, y en el nivel difícil comienza a verificar cuidadosamente cada afirmación del gerente. Fue aquí donde se agregó RAG al sistema para que el agente pudiera verificar con la documentación y atrapar promesas sin apoyo.

De lo contrario, el entrenador creería en cualquier promesa del gerente o discutiría sin basarse en hechos. El escenario se ve así: el gerente hace una declaración sobre el producto, el sistema destaca la tesis específica, a través de búsqueda vectorial encuentra un fragmento relevante de la documentación, y luego pasa la declaración y el texto encontrado al modelo para un veredicto. Si el gerente, por ejemplo, dice que la versión en la nube del producto puede manejar 500 usuarios simultáneos, pero la documentación solo contiene datos de una prueba con dos, el agente no está de acuerdo automáticamente y señala suavemente la discrepancia.

Según el equipo, cada prompt se reescribió en promedio alrededor de 12 veces para lograr tal comportamiento.

Lo Que Esto Significa

El proyecto de Synimex muestra que los agentes de IA corporativos están cada vez más pasando de "chatbots inteligentes" a entrenadores aplicados con lógica verificable. Si tal formato confirma los pronósticos de crecimiento en ofertas y conversión a pilotos, la IA podría asumir el papel de un entrenador permanente en ventas B2B, uno que está disponible en cualquier momento y se basa en documentos en lugar de improvisación. Para departamentos internos de ventas, esto ya no es un experimento por experimentar, sino una herramienta potencial para escalar la capacitación.