GenAI conversacional sobre WhatsApp

Qué es: una arquitectura conversacional serverless que recibe mensajes desde WhatsApp, usa Amazon Bedrock para respuestas generativas, detecta sentimiento con Amazon Comprehend, persiste conversaciones en DynamoDB y transforma esos datos en analítica con Glue, Athena y QuickSight. No solo responde al usuario: también convierte la conversación en señales útiles para operación y negocio.

Por qué existe: muchos canales de soporte generan información valiosa, pero esa información queda atrapada en chats difíciles de analizar. Una arquitectura GenAI bien diseñada debe resolver dos problemas a la vez: dar una buena experiencia conversacional en tiempo real y producir datos estructurados para entender intención, satisfacción, temas frecuentes y oportunidades de mejora.

• WhatsApp funciona como canal familiar para clientes y equipos comerciales.
• Bedrock permite integrar modelos fundacionales sin operar infraestructura de ML.
• Comprehend detecta sentimiento para priorizar conversaciones, medir satisfacción y enriquecer la analítica.
• DynamoDB almacena estado conversacional con baja latencia.
• Step Functions coordina pasos como validación, enriquecimiento, clasificación y escalamiento.
• Glue y Athena preparan y consultan datos históricos sin levantar un warehouse complejo.
• QuickSight entrega dashboards para medir volumen, temas, tiempos y calidad de atención.

Beneficios: reduce carga operativa del equipo de soporte, captura insights directamente desde conversaciones reales, escala por demanda y mantiene una ruta natural para auditoría y mejora continua. Además, al ser serverless, el costo se alinea mejor con el uso que una plataforma siempre encendida.

Decisión clave: el modelo generativo no debería ser una caja negra suelta. La arquitectura necesita persistencia, trazabilidad, reglas de negocio, manejo de errores y analítica. El valor no está solo en contestar bonito; está en cerrar el ciclo entre conversación, datos y decisión.

Trade-off: hay que diseñar con cuidado privacidad, retención de datos, límites de respuesta, fallback humano y evaluación de calidad. En sistemas conversacionales, una mala respuesta no es solo un bug técnico: puede afectar confianza del cliente.