Banco Falabella — Lía Chatbot

Contexto

Banco Falabella necesitaba un canal conversacional para cuatro negocios financieros: Banco, CMR, Viajes y Seguros. Cada línea tenía servicios y expectativas distintas, pero los clientes necesitaban un solo asistente simple y amigable.

La parte difícil no era escribir buenas respuestas, sino construir una estructura que guiara a los usuarios y ayudara al asistente a responder con precisión ante solicitudes muy distintas.

Mi rol

Trabajé como UX Specialist con enfoque en Conversational UX: estructuré la lógica del asistente, definí flujos guiados, entrené intents y ayudé a crear una metodología para mejorar el chatbot con el tiempo.

• Diseñé flujos conversacionales para casos de uso de banco, CMR, viajes y seguros.
• Estructuré intents, templates y patrones de interacción guiados.
• Ayudé a entrenar a Lía identificando qué información necesitaba el chatbot y qué podía generar confusión.
• Trabajé con stakeholders de negocio para entender servicios y solicitudes esperadas.
• Diseñé assets visuales y componentes de interfaz para la UI del chatbot.

El reto

El principal reto era diseñar un chatbot que pudiera dar soporte a múltiples servicios financieros sin abrumar a los usuarios ni comprometer la calidad de respuesta del asistente.

• Reto de usuario: los usuarios necesitaban respuestas rápidas, pero las preguntas abiertas generaban confusión y callejones sin salida.
• Reto de negocio: un solo asistente tenía que atender cuatro líneas de negocio con una experiencia consistente.
• Reto de diseño: el sobreentrenamiento generaba respuestas deficientes, así que la experiencia necesitaba estructura clara e intents bien organizados.

Objetivos y criterios de éxito

Proceso

01 — Descubrir

Entender cómo piden ayuda los usuarios en cada servicio financiero

Primero entendí las líneas de negocio y el tipo de soporte que los usuarios necesitaban de cada una: dónde se volvían ambiguas las conversaciones y qué temas requerían flujos controlados en lugar de preguntas abiertas.

• Identifiqué solicitudes recurrentes, consultas y necesidades transaccionales.
• Mapeé dónde las conversaciones abiertas podían generar malentendidos.
• Analicé cómo debía agruparse la información para que el chatbot fuera más fácil de entrenar y de usar.

Estructura temprana de discovery usada para entender cómo podían convivir distintos servicios financieros dentro de un solo asistente conversacional.

02 — Definir

Convertir servicios dispersos en una arquitectura conversacional

Luego definí la estructura detrás del asistente: organizar intents, decidir cuándo usar templates y dar forma a un modelo donde el usuario elige opciones en lugar de describir todo desde cero.

• Agrupé intents por línea de negocio, necesidad del usuario y resultado esperado.
• Definí rutas guiadas para consultas y transacciones frecuentes.
• Ayudé a definir cómo debía comportarse Lía cuando no entendía una solicitud.

Arquitectura de intents usada para organizar múltiples servicios financieros dentro de un solo modelo conversacional.

03 — Desarrollar

Diseñar flujos guiados en lugar de conversaciones totalmente abiertas

La decisión más importante fue no tratar al chatbot como un sistema de preguntas totalmente abierto: demasiada libertad hacía la experiencia menos confiable. Los flujos guiados y los templates redujeron el riesgo de respuestas equivocadas.

• Diseñé flujos conversacionales para los casos de uso clave.
• Creé templates guiados para ayudar a los usuarios a elegir la ruta correcta.
• Ajusté flujos cuando los resultados de entrenamiento mostraban confusión o respuestas incorrectas.

Ejemplo de flujo guiado que muestra cómo las opciones estructuradas redujeron la ambigüedad frente a las preguntas abiertas.

04 — Entregar

Lanzar un asistente más amigable y escalable

El resultado fue un asistente capaz de atender varios negocios financieros con una experiencia amigable y estructurada, diseñado para mejorar con el tiempo mediante un entrenamiento más intencional.

• Entregué flujos conversacionales, templates y estructuras de intents.
• Mejoré la calidad de las interacciones reduciendo el sobreentrenamiento y las entradas ambiguas.
• Construí una base reutilizable de Conversational UX para futuras mejoras.

Experiencia conversacional final simplificada para efectos de portafolio, mostrando la estructura sin exponer lógica de negocio sensible.

Antes / después

Comparación del modelo conversacional antes y después, que muestra cómo las rutas estructuradas reemplazaron las entradas abiertas que generaban respuestas fallidas.

Solución final

La propuesta se enfocó en tres mejoras:

Resumen de la solución final, donde los tres pilares —flujo guiado, arquitectura de intents y tono cercano— operan dentro de una misma conversación.

Impacto y resultados

Obstáculos y trade-offs

El equilibrio estuvo entre la libertad del usuario, la cobertura de negocio y la confiabilidad del chatbot, en un entorno regulado que exigía coordinar cada flujo con legal y compliance. La solución sólida fue estructurar mejor la experiencia, no agregar más contenido.

• Evitar el sobreentrenamiento sin dejar de cubrir múltiples necesidades de negocio.
• Equilibrar los templates guiados con la expectativa del usuario de una conversación natural.
• Mantener un tono amigable mientras se maneja información financiera.

Qué aprendí

Este proyecto marcó la forma en que pienso el UX, más allá de los chatbots: la estructura es lo que le permite a un producto escalar.

• La arquitectura de información es crítica en las experiencias conversacionales.
• Sobreentrenar un chatbot puede empeorar la experiencia, no mejorarla.
• Los flujos guiados pueden generar más confianza que la entrada totalmente abierta.