Casos de uso

Estos son procesos reales que construimos con clientes. Cada uno cruza 2-4 sistemas externos y reemplaza horas de trabajo manual semanal por automatización trazable.

---

​

Retail mid-market

Cadenas de tiendas, multi-sucursal, multi-canal. Operaciones repartidas entre Ops, Finanzas, Comercial.

​

Conciliación bancaria mensual

El dolor: equipo de Finanzas tarda 3-5 días cada mes cruzando movimientos bancarios contra ventas en ERP. Excel grandes, errores humanos, retraso en cierre contable. El proceso construido:

• Database: movimientos_bancarios (sync diario vía Bsale/Defontana) + ventas_pos (desde el ERP)
• Workflow: dispara cada lunes a las 6 AM → lee movimientos no conciliados → cruza por monto + fecha + folio → marca matches automáticos
• Agent: Conciliador — analiza los movimientos huérfanos (sin match automático) y propone match probable basado en patrones históricos
• App: dashboard donde Finanzas revisa lo que el Agent propone y aprueba/rechaza con 1 click

Resultado típico: 80-90% de movimientos auto-conciliados, 3-5 días → 4 horas/mes.

​

Aprobación de gastos cross-sucursal

El dolor: gerentes de sucursal envían solicitudes de compra por WhatsApp → controller las copia a Excel → contralor general aprueba por email → finanzas registra en ERP. El proceso construido:

• App: formulario web donde el gerente sube solicitud (monto, proveedor, sucursal, justificación) con foto del presupuesto
• Workflow: valida monto vs presupuesto disponible de la sucursal en presupuestos_sucursal → notifica al controller en Slack → genera link de aprobación para contralor → si aprueba, crea OC en ERP
• Agent: Alertador — escala automáticamente a controller general si el contralor de zona no responde en 24 horas

Resultado típico: ciclo de aprobación 5 días → 24 horas, 100% trazable.

​

Forecast de demanda por sucursal

El dolor: equipo de operaciones reacciona ante quiebres de stock en lugar de anticiparlos. El proceso construido:

• Database: ventas_diarias_sucursal (3 años history) + clima_local (sync con API meteorológica) + eventos_locales
• Workflow: cada noche corre nodo Python con modelo de forecast (rolling 30 días) → escribe forecast_proxima_semana por SKU x sucursal
• App: dashboard donde Comercial ve sucursales en riesgo de quiebre + propuesta de transferencia entre sucursales
• Agent: Asistente Comercial — responde preguntas en lenguaje natural sobre la data del dashboard

Resultado típico: quiebres de stock reducidos 40-60%.

---

​

eCommerce

Operadores con tienda propia + marketplaces, multi-país, multi-canal de soporte.

​

Soporte al cliente automatizado (WhatsApp + email)

El dolor: equipo de SAC responde manualmente preguntas repetitivas sobre estado de pedido, devoluciones, stock. Saturado en peak season. El proceso construido:

• Database: tickets_soporte con historial completo + pedidos (sync con eCommerce)
• Workflow: trigger en mensaje entrante WhatsApp → clasifica intent → si es consulta de pedido, busca en pedidos y responde automático; si es queja compleja, deriva a humano con contexto pre-cargado
• Agent embebido: widget en el sitio web que responde 24/7 sobre productos, políticas, stock disponible
• App: dashboard de SAC con cola priorizada por urgencia + sentiment

Resultado típico: 60-70% de tickets resueltos sin tocar humano, tiempo de respuesta 4 horas → 5 minutos.

​

Sincronización multi-canal (Shopify + Mercado Libre + tienda física)

El dolor: stock se desincroniza entre canales. Venden el mismo producto en 2 canales simultáneamente. Sobreventa, cancelaciones, mala reputación. El proceso construido:

• Database: inventario_real_consolidado con stock unificado por SKU
• Workflow: trigger en cada venta (Shopify, Mercado Libre, POS) → descuenta stock en inventario_real_consolidado → propaga cambio a los otros canales en menos de 30 segundos
• Workflow secundario: cada noche reconcilia inventario_real_consolidado vs stock físico para detectar mermas

Resultado típico: sobreventa eliminada (de varios casos/mes a cero), reputación en Mercado Libre estable.

​

Recuperación de carritos abandonados con IA personalizada

El dolor: flujo standard de “carrito abandonado” envía el mismo email a todos. Conversión baja. El proceso construido:

• Database: carritos_abandonados + historial_compras_cliente
• Workflow: trigger cada hora → identifica carritos abandonados >2 horas → para cada uno, nodo Agente IA genera mensaje personalizado considerando historial y productos del carrito → envía vía email/WhatsApp según preferencia
• App: dashboard que muestra conversión por segmento + permite ajustar tonos/ofertas

Resultado típico: recovery rate 5-8% → 18-25%.

---

​

Logística

Couriers, fulfillment centers, última milla. Multi-cliente, multi-país.

​

Tracking unificado para clientes finales

El dolor: cliente del courier consulta estado de envío en 4 sistemas distintos (interno, transportista A, transportista B, app móvil). Inconsistencias. El proceso construido:

• Database: eventos_envio que agrega data de todos los sistemas trackeados
• Workflow: cada 15 minutos sincroniza con APIs de transportistas → normaliza eventos → escribe en eventos_envio con un solo formato
• App pública: página de tracking unificada https://app.puente.xyz/public/{public_id}/ que el cliente comparte con destinatarios
• Agent embebido: widget de soporte que responde “dónde está mi envío” cruzando datos en vivo

Resultado típico: consultas al SAC del courier sobre estado de envío reducidas 70%.

​

Asignación automática de despachos a couriers

El dolor: operador asigna manualmente cada pedido a un courier basado en zona + tarifa + disponibilidad. Pierde tiempo, optimiza mal. El proceso construido:

• Database: tarifas_couriers por zona + historial_performance (cumplimiento por courier x zona)
• Workflow: trigger en nuevo pedido → consulta tarifas_couriers para la zona del destino → cruza con historial de cumplimiento → asigna al courier óptimo (mejor balance costo/cumplimiento)
• App: dashboard de operaciones con override manual cuando el operador lo necesita

Resultado típico: costo de delivery -8 a -15%, cumplimiento en tiempo +5 a +12%.

​

Reconciliación de facturas de couriers

El dolor: cada mes, el courier envía factura con miles de items que tienen que cuadrar contra los despachos efectivamente realizados. Equipo de Finanzas chequea muestra al azar. El proceso construido:

• Workflow: recibe factura del courier (Excel/PDF) → nodo Python parsea filas → cruza cada item contra despachos_realizados del mes → reporta discrepancias
• Agent: analiza discrepancias detectadas y clasifica (error tarifario, despacho cancelado, doble cobro, etc.)
• App: dashboard de discrepancias con acción de “disputar” que genera carta automática

Resultado típico: recuperación de cobros incorrectos 0.5-2% del gasto total mensual en delivery.

---

​

Patrones comunes

Si miras los 10 casos arriba, notas el mismo patrón:

1. Database centraliza data dispersa entre sistemas externos
2. Workflows orquestan la lógica que cruza esos sistemas
3. Agents asisten al humano con tareas de juicio
4. Apps dan al operador interfaz para revisar/aprobar/intervenir

Esto es el Puente Method: operadores planifican (Tasks/Cycles) y construyen (Builds) en el mismo workspace.

---

​

¿Quieres explorar tu caso?