Skip to content
Enzo Cazenave
Blog
10 min readDominium

Lo que aprendí construyendo Vero

Vero atiende a los vecinos de Dominium por WhatsApp. Esto es lo que aprendí llevando una agente de inteligencia artificial a producción, con vecinos reales y plata real.

This note is in Spanish.

Vero es la agente de inteligencia artificial de Dominium. Atiende a los vecinos de los edificios por WhatsApp y puede hacer casi todo lo que hace la app. Les dice cuánto pagar y a dónde transferir, confirma que el pago quedó bien imputado, reserva amenities y registra reclamos del edificio. Construirla me enseñó más sobre agentes que cualquier tutorial.

La idea salió de mirar qué le preguntan los vecinos a una administración. Cuánto debo, a dónde transfiero, si me llegó el pago, cuándo arreglan el ascensor. Casi todo eso tiene respuesta en datos que ya están en el sistema. El cuello de botella no era la información, era que una persona tenía que buscarla y contestar en horario de oficina.

En Dominium la IA no es una feature aparte. Vero lee las facturas de los proveedores, redacta las actas de las asambleas, analiza expensas, convierte los mensajes de los vecinos en temas del edificio y le arma al administrador la agenda del día. Este post es sobre lo que aprendí llevándola a producción, con vecinos reales y plata real.

Por qué WhatsApp

Los propietarios ya usan WhatsApp todos los días. No quería que tuvieran que bajarse otra app o aprender algo nuevo para pagar una expensa o avisar que hay una pérdida de agua. Y hay un dato que me confirmó la decisión. En el edificio donde arrancamos, el 44% de los mensajes llega fuera del horario de oficina, de noche o el fin de semana. Justo cuando una administración tradicional no contesta.

44%de los mensajes llega fuera del horario de oficina, de noche o el fin de semana.

Eso tiene un costo. En WhatsApp la gente no escribe como en un formulario. Manda tres mensajes seguidos para una sola pregunta, manda audios, manda la foto del comprobante y después explica de qué es. Si la agente contesta el primer mensaje, contesta la pregunta equivocada. Por eso Vero espera 40 segundos de silencio antes de responder (un minuto si llegó solo una imagen), junta todo y recién ahí piensa. Los audios se transcriben antes de llegar al modelo.

VeroWhatsApp
  1. Hola
  2. Hay agua en el palier del tercero
  3. foto.jpg
  4. Creo que viene del 3B
  5. 40 segundos de silencio
  6. Gracias por avisar. Registré el reclamo por la pérdida de agua en el palier del tercer piso y el equipo ya lo está viendo.
Ejemplo. Vero espera a que el vecino termine de escribir y contesta todo junto.

La otra lección fue de tono. Un vecino que escribe por una pérdida de agua no quiere un “¡Hola! ¿En qué puedo ayudarte?” ni un “lamento los inconvenientes”. Vero escribe en frases cortas, sin emojis, reconoce el problema en media oración y pasa a resolverlo. Y como es un canal abierto, también tiene que aguantar a quien le pide que responda en JSON, que ignore sus instrucciones o que se haga pasar por otra cosa. Ignora el pedido en silencio y contesta la pregunta de fondo.

Cómo está armada

Vero no es un solo prompt. Cuando llega un mensaje, un orquestador mira quién escribe y decide qué agente le responde. Un vecino, alguien que todavía no está registrado y un administrador necesitan cosas muy distintas, y cada uno necesita sus propias reglas y sus propias tools.

AgenteAtiende aQué hace
VeroVecinosExpensas, deuda, datos de pago, recibos, reservas, reclamos y documentos del edificio. Más de 25 tools.
OnboardingNúmeros que no están registradosValida el edificio, la persona y la unidad antes de dar acceso.
ComercialGente que no es clienteResponde consultas y analiza expensas que le mandan por chat.
Vero para administradoresEl administrador, desde la appCaja, morosos, reclamos, conversaciones con vecinos y generación de documentos.

Cada agente tiene sus tools para hacer cosas concretas, como consultar una expensa, imputar una transferencia o registrar un reclamo. Para preguntas sobre el reglamento, las actas o los documentos del consorcio usa RAG, así responde con la información real de ese edificio y no con lo que “suele pasar” en un consorcio.

El RAG en sí es lo de menos. Partir documentos en fragmentos, generar embeddings y buscar por similitud lo hace cualquiera. Lo que cambia la calidad de las respuestas son tres decisiones que no aparecen en los tutoriales. Primero, las fuentes están separadas. El reglamento, las actas de asamblea y el resto de los documentos se buscan por separado, porque “qué dice el reglamento” y “qué se votó en la asamblea” son preguntas distintas. Una es una regla y la otra, una decisión. Si se mezclan, el agente cita una votación de hace tres años como si fuera la norma. Segundo, cada búsqueda está encerrada en un edificio, así que es imposible que un vecino reciba un fragmento del reglamento de otro consorcio. Tercero, los documentos tienen fecha de vencimiento. Cuando se carga un seguro, un modelo lee hasta cuándo vale y lo guarda. Un RAG que no sabe que un documento venció responde mal con total seguridad.

Dos reglas atraviesan todo. Cualquier acción que cambia algo (reservar, registrar un reclamo, imputar un pago) pide confirmación antes de ejecutarse. Y cada tool valida que la unidad le pertenezca a quien escribe, aunque el modelo diga lo contrario.

El permiso no lo decide el LLM, lo decide el código.

No todo pasa por el mismo modelo. La conversación con el vecino usa un modelo grande, porque ahí importan el criterio y el tono. Extraer datos de un mensaje, detectar si un reclamo está duplicado o agrupar mensajes por tema son tareas acotadas y van a un modelo chico, más rápido y mucho más barato. El análisis profundo de una expensa, que corre pocas veces y necesita razonar mucho, usa el modelo más potente. Elegir el modelo por tarea es la palanca de costo más grande que tiene un sistema así. Hoy atender a un vecino durante todo un mes cuesta unos 18 centavos de dólar en modelos.

USD 0,18cuesta en modelos atender a un vecino durante todo un mes.

También aprendí a no pedirle al modelo cosas en las que es malo. Las fechas son el mejor ejemplo. Un LLM dice “venció ayer” de algo que vence hoy con una facilidad sorprendente. Vero no calcula fechas. En cada turno recibe hoy, ayer, mañana y los próximos siete días ya calculados, y compara contra eso.

Y diseñé las acciones para cuando algo sale a medias. Cada tool que cambia algo devuelve uno de tres estados, hecho, rechazado o desconocido. “Desconocido” es el caso que casi nadie modela. Hubo un timeout y no sabemos si la reserva quedó hecha. Ahí Vero tiene prohibido reintentar a ciegas. Primero consulta si quedó y solo vuelve a intentar con una nueva confirmación del vecino. Así no aparecen reservas dobles ni reclamos repetidos.

Vero aprende de cada edificio

La mayoría de los agentes conversacionales tienen la memoria de un pez. Cada conversación empieza de cero. Vero no. Detrás de la conversación hay lo que llamamos el cerebro del edificio, una memoria que se arma sola con todo lo que pasa en el consorcio.

Funciona así. Cada vez que pasa algo (un vecino escribe, se abre un reclamo, se publica un anuncio, se carga un documento, se cierra una liquidación) el sistema emite una señal. Un modelo lee esas señales y las convierte en temas del edificio. Si tres vecinos preguntan por la filtración del tercer piso, no son tres conversaciones. Es un tema con tres personas esperando. El administrador contesta una vez y Vero ya sabe qué decirle al próximo que pregunte.

Y no espera a que le pregunten. Cada hora, Vero revisa el edificio con reglas concretas.

  • Un reclamo urgente sin movimiento por 2 horas, uno normal por 3 días o uno menor por una semana está trabado, y se lo marca al administrador.
  • Un vecino que lleva 4 horas hábiles esperando respuesta le aparece al administrador como pendiente.
  • Si el mismo tema aparece 3 veces en una semana, sugiere publicar un anuncio en vez de seguir contestando uno por uno.
  • Si un problema se repite 2 veces en 60 días, lo marca como recurrente. A la tercera lo vuelve urgente, porque algo de fondo no se está arreglando.

Todos los días hábiles a las 8.30 el administrador recibe su agenda armada, y los lunes, un resumen de la semana. Es la diferencia entre un chatbot que responde y un sistema que entiende qué está pasando en el edificio.

Lo que no salió a la primera

Casi todos los errores de Vero no fueron de “inteligencia”. Fueron de contexto. La agente hacía algo razonable con la información que tenía, y la información estaba incompleta o la acción disponible era demasiado amplia.

“No tenemos una app propia.” Un vecino preguntó por la app y Vero le contestó que no había. El mismo día, la notificación de la expensa le decía “pagá desde la app”. Vero no estaba inventando, nadie le había dicho que la app existía. Lo resolví poniendo el link de la app en el contexto fijo de Vero y sumando un caso de prueba para que no vuelva a pasar.

VeroWhatsAppAntes
  1. ¿Tienen app?
  2. No, por ahora atendemos solo por este chat.
VeroWhatsAppDespués
  1. ¿Tienen app?
  2. Sí. Te paso el link para bajarla. Ahí ves tus expensas, tus pagos y tus reclamos.
Ejemplo. El mismo caso, con el link de la app en el contexto de Vero.

Una queja que terminó como reclamo del edificio. Una vecina se quejó de que le cobraban la jardinería de un mes en el que no se había hecho. Vero lo derivó al administrador, pero lo hizo creando un reclamo, la misma herramienta que usa para una pérdida de agua. Si el administrador lo marcaba como resuelto, a la vecina le iba a llegar un “tu reclamo quedó resuelto” por algo que no era un reclamo. La solución fue separar las cosas. Los reclamos son solo para problemas del edificio, y una derivación va por otro camino.

Mensajes que nadie pidió mandar. El administrador le dio a Vero contexto sobre una filtración para que lo tuviera en cuenta. Vero lo tomó como una respuesta y le escribió dos veces a un vecino que había preguntado por ese tema. La regla ahora es simple. Guardar información nunca le manda nada a nadie. A los vecinos solo les llega un mensaje cuando el administrador aprieta un botón que dice exactamente eso.

Un juez que costaba más de lo que aportaba. Durante un tiempo tuve un segundo modelo que calificaba cada respuesta de Vero después de mandarla. Era una llamada extra por cada respuesta, no frenaba nada y las notas eran ruidosas. Lo saqué. Hoy la calidad se mide con un set de 39 conversaciones de prueba que corren automáticamente con cada cambio de código.

Saber cuándo derivar

Cuando hace falta, Vero le pasa la conversación a alguien del equipo. Esa persona puede tomar el chat, apagar la IA y devolvérselo después con todo el historial, así Vero no pierde el contexto. Prefiero un agente que sabe cuándo correrse antes que uno que inventa respuestas.

Hoy Vero deriva en cuatro casos.

  • Deuda en juicio. Cómo pagarla, qué pasa o cómo frenarla lo coordina el equipo legal. Vero no improvisa procedimientos.
  • “Yo ya pagué.” Si alguien dice que pagó algo que figura pendiente, o que le imputaron mal un pago. Antes de derivar le pide el comprobante.
  • Datos mal cargados. Un nombre, una unidad o un teléfono equivocado necesitan que una persona los corrija en el sistema.
  • Consultas personales que quedan fuera de lo que pueden hacer sus tools.
VeroWhatsApp
  1. Me figura deuda pero yo ya pagué octubre
  2. No encuentro una transferencia de octubre conciliada para tu unidad. Le paso el caso al equipo para que lo revise.
  3. Conversación derivada al equipo
  4. Listo, ya está con el equipo. Te escriben por acá.
Ejemplo. Vero revisa la conciliación y, si no cierra, deriva.

Tan importante como cuándo derivar es cuándo no hacerlo. Una queja por el monto de la expensa no es una disputa de pago. Vero la explica con el detalle de gastos. Algo roto es un reclamo del edificio, no una derivación. Si cada duda termina en el equipo, la agente no le ahorra trabajo a nadie.

Y hay una regla que para mí es central. Vero no puede decir “lo paso al equipo” sin haber llamado a la tool que efectivamente lo pasa. Un modelo promete con mucha facilidad. Si la promesa no está respaldada por una acción real, el vecino se queda esperando una respuesta que nunca va a llegar.

El criterio detrás de esos cuatro casos es uno solo.

Derivo cuando una respuesta equivocada cuesta más que una respuesta lenta.

Plata en disputa, temas legales y datos de identidad entran ahí. Todo lo demás Vero lo resuelve sola.

El mismo criterio aplica a las emergencias. Ante una fuga de gas, Vero no inventa teléfonos ni manda a llamar a la distribuidora, porque en Argentina eso puede terminar en un corte del servicio mientras se hace el trámite. Dice que el equipo manda un gasista matriculado, y da el 911 solo si hay riesgo de vida. Es el tipo de regla que ningún modelo trae de fábrica. Sale de conocer el negocio.

VeroWhatsApp
  1. Hay olor a gas en el palier del segundo piso
  2. Ya le aviso al equipo para que mande un gasista matriculado. Si alguien se siente mal o hay riesgo de vida, llamá al 911.
Ejemplo. Ante una emergencia, Vero no improvisa.

Lo que me llevo

La mayoría de los errores son de contexto, no del modelo. Cuando Vero respondía mal, casi nunca era porque el modelo fuera poco capaz. Le faltaba un dato o tenía a mano una herramienta que servía para demasiadas cosas. Antes de tocar el prompt, me pregunto qué sabía la agente en ese momento.

Las reglas importantes van en el código. Quién puede ver qué unidad, cuándo se le manda un mensaje a un vecino y qué cuenta como reclamo no dependen de que el modelo se acuerde de una instrucción.

El prompt guía, el código garantiza.

Medir con casos reales, no con otro modelo. Un set chico de conversaciones de prueba me dio más confianza que calificar cada respuesta en producción. Los mejores casos del set son errores que pasaron de verdad, como el de la app.

Diseñar para el error, no para la demo. Que una agente funcione en una demo es fácil. Lo difícil es que funcione el día que vencen las expensas y todos preguntan lo mismo a la vez, y que cuando se equivoque lo haga de forma segura, sin reservar dos veces, sin prometer lo que no hizo y sin escribirle a nadie que no lo pidió. Casi todo el trabajo de construir Vero estuvo ahí.