Un agent IA que pregunta, filtra i deriva oportunitats no s’hauria de dissenyar com una finestra de chat amb un prompt llarg. S’hauria de dissenyar com una peça del procés comercial: entén quina informació falta, aplica criteris de qualificació, prepara un resum útil i sap quan passar la conversa a una persona.
L’objectiu no és que l’agent parli més. L’objectiu és que faci menys soroll comercial: menys preguntes repetides, menys leads sense context, menys registres incomplets i menys oportunitats perdudes per una derivació pobra.
En resum
Un agent IA comercial ben dissenyat comença pel flux de negoci, no pel model. Primer es defineix quina oportunitat ha de qualificar, quines dades necessita, quines regles ha d’aplicar, quines eines pot usar, quines decisions no pot prendre i què ha de lliurar a l’equip humà.
L’arquitectura mínima combina entrades, regles, base de coneixement, eines, validacions, sortida estructurada, handoff humà i mesura. OpenAI, Anthropic, Meta Llama i n8n documenten patrons d’eines i crides estructurades; ReAct aporta el principi d’alternar raonament i acció; HubSpot mostra per què el context ha d’acabar en objectes i activitats traçables del CRM.
El problema que l’arquitectura ha de resoldre
Abans d’escollir model, eina o automatització, cal descriure el problema operatiu.
En molts processos comercials, el coll d’ampolla no és la manca de leads. És la manca de context útil per decidir què fer-ne.
- Arriben formularis, chats o emails amb missatges ambigus.
- L’equip comercial pregunta sempre el mateix.
- No hi ha criteris clars per separar oportunitat, curiositat, suport o descart.
- El CRM rep dades incompletes o notes difícils de reutilitzar.
- Una persona ha de copiar, interpretar, resumir i derivar manualment.
- Les oportunitats bones esperen massa abans de tenir un pròxim pas.
Dissenyar l’agent significa convertir aquesta seqüència manual en un sistema controlat. Per aprofundir en el marc complet, l’article Automatització comercial amb IA: guia per a empreses i agències desenvolupa com encaixa aquest tipus d’agent dins del procés comercial.
Principi central: no comença pel prompt
Un agent IA comercial no comença per una instrucció del tipus “ets un expert en vendes”. Comença per una pregunta més incòmoda:
Quina decisió comercial ha de quedar millor preparada després d’aquesta interacció?
Des d’aquí es defineix l’arquitectura.
Un agent IA comercial que pregunta, filtra i deriva oportunitats es defineix com un sistema que recull context, aplica regles de negoci, usa eines quan correspon, produeix una sortida estructurada i lliura el cas a una persona amb prou informació per decidir el pas següent.
Aquesta definició separa l’agent d’un chatbot genèric. Un chatbot pot respondre. Un agent comercial ha de preparar acció: qualificar, prioritzar, registrar, derivar i mesurar.
Components del sistema
L’arquitectura ha de ser simple d’entendre, però explícita. Si un component no està definit, l’agent improvisa.
| Component | Pregunta de disseny | Decisió pràctica |
|---|---|---|
| Objectiu de l’agent | Què ha de deixar resolt o preparat? | Qualificar, resumir, derivar, descartar o demanar context. |
| Entrades d’informació | On apareix l’oportunitat? | Formulari, chat, email, landing, CRM o trucada transcrita. |
| Base de coneixement | Què ha de saber per preguntar bé? | Oferta, sectors, casos d’ús, límits, preus orientatius, criteris d’encaix. |
| Regles de negoci | Quins criteris separen prioritat, revisió o descart? | Fit, urgència, pressupost, mida, necessitat, canal, país o tipus de client. |
| Flux conversacional | Què pregunta primer i què evita preguntar? | Preguntes progressives, no qüestionaris llargs des de l’inici. |
| Eines | Què pot consultar o activar? | CRM, calendari, email, n8n, bases de dades, formularis o APIs. |
| Integracions | On ha de quedar registrat el resultat? | Contacte, empresa, lead, deal, activitat, nota, tasca o esdeveniment. |
| Validacions | Què no ha d’executar sense control? | Dades sensibles, canvis de CRM, enviaments externs, descarts definitius. |
| handoff humà | Quan ha de passar a una persona? | Quan hi ha encaix, ambigüitat, risc, urgència o decisió comercial. |
| Mètriques | Com se sabrà si funciona? | Leads qualificats, descarts, reunions, temps de resposta, qualitat del briefing. |
OpenAI i Anthropic tracten les eines com capacitats amb schema, nom, descripció i paràmetres. En la pràctica comercial, això obliga a escriure eines com contractes: què fan, quan s’usen, quines dades necessiten i quin resultat retornen.
Flux pas a pas
El flux no hauria d’intentar resoldre tota la venda. Ha de preparar millor el primer tram.
- Entrada del lead: l’usuari arriba per formulari, chat, email o una integració.
- Identificació d’intenció: l’agent separa consulta comercial, suport, col·laboració, feina, spam o cas ambigu.
- Preguntes mínimes: demana només el context necessari per decidir el següent pas.
- Aplicació de regles: compara la informació amb criteris de qualificació.
- Classificació: assigna estat, prioritat, motiu i tipus d’oportunitat.
- Resum estructurat: genera un briefing breu amb problema, context, senyals i buits.
- Registre: crea o actualitza objectes, propietats, notes, activitats o tasques.
- Derivació: lliura el cas a una persona, equip o flux de seguiment.
- Mesura: guarda esdeveniments i resultats per ajustar regles.
El patró ReAct és útil com a referència conceptual perquè combina raonament i acció: el sistema no només produeix text, també pot decidir quan necessita informació, quan usar una eina i com actualitzar el pla segons l’observació obtinguda. No significa exposar raonament intern a l’usuari, sinó dissenyar un flux que permeti actuar amb traçabilitat.
Decisions de disseny que cal tancar
El disseny real passa per decisions petites. Aquestes són les que més afecten la qualitat de l’agent.
| Decisió | Bona pràctica | Risc si no es defineix |
|---|---|---|
| Què preguntar | Preguntar el mínim per decidir encaix i pròxim pas. | L’agent es converteix en un interrogatori llarg. |
| Què no preguntar | Evitar dades sensibles, irrellevants o prematures. | Fricció, abandonament o mala experiència. |
| Quan insistir | Insistir només si falta una dada necessària per classificar. | Converses repetitives o invasives. |
| Quan derivar | Derivar amb resum quan hi ha encaix, urgència o ambigüitat rellevant. | Leads bons esperant o decisions delegades de més. |
| Quan aturar-se | Tancar o pausar si no hi ha encaix, consentiment o context suficient. | Automatització sense control. |
| Com resumir | Usar camps estructurats: necessitat, senyals, dubtes, prioritat i pas següent. | Notes llargues, vagues o difícils d’accionar. |
| Com registrar | Mapar el resultat a CRM, tasca, email o eina interna. | Pèrdua de traçabilitat. |
Aquesta lògica connecta amb la qualificació de leads: l’article Com automatitzar la qualificació de leads amb IA desenvolupa com definir fit, intenció, urgència i prioritat sense dependre de lectura manual.
Com usar eines sense perdre control
Les eines amplien el que pot fer l’agent, però també augmenten el risc. Per això no convé donar-li accés genèric a “tot el sistema”.
OpenAI documenta crides a funcions amb arguments JSON i recomana strict mode per adherir-se al schema. Anthropic remarca la importància de descripcions clares: una eina ha d’explicar què fa, quan s’usa, com es comporta i quines dades espera. Meta Llama mostra formats de tool calling on el model produeix una crida estructurada i un altre sistema extern executa l’acció. n8n permet operar aquesta lògica amb nodes, eines, parsers, passos intermedis, metadata de traçabilitat i revisió humana per a accions sensibles.
En un agent comercial, les eines s’haurien de dissenyar així:
clasificar_oportunidad: rep context i retorna estat, prioritat i motiu.crear_resumen_comercial: retorna un briefing amb camps previsibles.buscar_contacto_crm: revisa si el contacte o empresa ja existeix.registrar_lead: crea o actualitza el registre corresponent.crear_tarea_humana: assigna seguiment amb resum i pròxim pas.solicitar_revision: pausa accions sensibles fins a aprovació humana.
La regla és simple: l’agent pot preparar, consultar i proposar. Les accions que modifiquin registres crítics, enviïn missatges externs o descartin oportunitats importants haurien de tenir validacions o aprovació humana.
On ha d’acabar el context
Un agent que classifica bé però no deixa registre útil continua creant feina manual.
HubSpot estructura els processos al voltant d’objectes, propietats, registres, associacions i activitats. Per a un agent IA comercial, això significa que el resultat no hauria de quedar només en una conversa. S’hauria de registrar com a informació operacional.
| Resultat de l’agent | On hauria de quedar | Per a què serveix |
|---|---|---|
| Dades de contacte | Contacte | Identificar la persona i evitar duplicats. |
| Empresa o domini | Empresa | Relacionar l’oportunitat amb un compte. |
| Necessitat i context | Nota o propietat personalitzada | Preparar la trucada o proposta. |
| Estat de qualificació | Lead o deal | Saber si està obert, qualificat o tancat. |
| Pròxim pas | Tasca, activitat o reunió | Evitar seguiment manual perdut. |
| Motiu de descart | Propietat o nota | Millorar regles i reporting. |
| Conversa resumida | Activitat associada | Donar context a l’equip humà. |
Si el CRM no reflecteix el resultat de l’agent, l’equip continua operant a cegues.
Errors tècnics comuns
Les fallades més habituals no són de model. Són d’arquitectura.
- Prompt massa obert: l’agent respon bé una vegada, però no manté criteris consistents.
- Sense regles explícites: no sap quan qualificar, pausar, derivar o descartar.
- Sense eines acotades: té instruccions, però no pot registrar, consultar o activar accions.
- Sense sortida estructurada: genera text útil per llegir, però difícil de processar.
- Sense handoff humà: l’equip rep converses completes en lloc de resums útils per actuar.
- Sense logs ni mètriques: no es pot saber quines preguntes funcionen, quins leads es perden o quines regles fallen.
- Sense límits: intenta tancar decisions comercials que haurien de continuar en mans humanes.
L’article Chatbot vs agent IA comercial: diferències reals desenvolupa aquesta diferència: el valor no està en conversar, sinó en connectar conversa, regles, eines i acció.
Versió mínima viable
No cal dissenyar l’agent perfecte des del primer dia. Sí que cal dissenyar una primera versió mesurable.
Si necessites ordenar aquesta primera versió per fases, el Playbook d’implementació: agent IA comercial en 30 dies desenvolupa com passar de diagnòstic a validació sense intentar automatitzar-ho tot alhora.
| Capa | MVP recomanable | Deixar per després |
|---|---|---|
| Entrada | Un formulari o chat principal. | Tots els canals alhora. |
| Preguntes | 5 a 8 preguntes crítiques segons intenció. | Converses llargues amb múltiples branques. |
| Regles | Criteris simples d’encaix, prioritat i descart. | Scoring predictiu complex. |
| Eines | Registre en CRM, tasca interna i resum. | Automatitzacions multicanal avançades. |
| handoff | Derivació a una persona amb briefing. | Assignació automàtica complexa per territori o cartera. |
| Mesura | Leads qualificats, descartats, reunions i temps de resposta. | Models complets d’atribució i forecasting. |
La primera versió hauria de demostrar una cosa: que l’equip rep millors oportunitats amb menys feina manual.
Checklist tècnic-comercial
Abans de publicar l’agent, revisaria aquestes preguntes:
- L’objectiu de l’agent està escrit en una frase concreta?
- Està clar quina informació mínima necessita per qualificar?
- Hi ha criteris de prioritat, descart i revisió humana?
- Les eines tenen noms, descripcions i schemas clars?
- La sortida de l’agent és estructurada i fàcil de registrar?
- L’equip humà rep resum, senyals, dubtes i pròxim pas?
- Hi ha logs o traçabilitat de decisions i accions?
- Les accions sensibles requereixen validació o aprovació?
- El CRM rep dades útils, no només una transcripció?
- Es mesuren leads qualificats, reunions, descarts i temps de resposta?
Si diverses respostes són “no”, encara no hi ha arquitectura. Hi ha una demo.
Com ho plantejaria Nicolás Torres
L’enfocament correcte no seria començar per “quin model fem servir”. Començaria per mapar el procés comercial actual:
- D’on arriben les oportunitats.
- Quina informació falta gairebé sempre.
- Quines preguntes repeteix l’equip.
- Quins criteris separen una oportunitat útil d’una consulta sense encaix.
- Quina eina ha de rebre el resum.
- Quines decisions han de quedar en mans humanes.
- Quines mètriques demostraran que l’agent millora el flux.
Després sí que es dissenya l’agent: instruccions, base de coneixement, eines, regles, outputs, handoff i mesura. Aquest ordre manté el posicionament correcte: arquitectura d’automatització comercial amb IA, no instal·lació d’un chatbot.
Dissenyem el teu agent IA comercial
Si la teva empresa o agència rep consultes que requereixen preguntes repetides, classificació manual o derivació poc clara, el primer pas no és escollir una eina. És dissenyar l’arquitectura del flux: què ha de preguntar, com ha de filtrar, quan ha de derivar i on ha de quedar registrat.
Analitzar l’arquitectura del meu agent IA comercial
Preguntes freqüents
- Què significa que un agent IA pregunti, filtri i derivi oportunitats?
- Significa que l'agent recull context, aplica regles de negoci, classifica l'oportunitat i lliura un resum útil per actuar a l'equip humà quan correspon.
- Per on es comença el disseny d'un agent IA comercial?
- Es comença pel procés comercial: objectiu, entrades, criteris de qualificació, dades necessàries, límits, eines i intervenció humana.
- Quina diferència hi ha entre un prompt i una arquitectura d'agent?
- Un prompt només orienta una resposta. Una arquitectura defineix regles, context, eines, validacions, sortides estructurades, registres, mètriques i handoff.
- Quan ha de derivar l'agent a una persona?
- Ha de derivar quan l'oportunitat està qualificada, hi ha ambigüitat rellevant, falta criteri comercial, existeix risc o es requereix una decisió humana.
- Què hauria de construir primer?
- Una versió mínima amb una entrada, preguntes clau, regles simples, resum estructurat, registre en CRM o eina interna i mesura bàsica.