No. Para lanzar un agente de IA no hace falta un CRM impecable: los datos de contacto incompletos se completan conversando. Lo que sí tiene que estar bien desde el primer día son los datos de negocio que usa para responder (precios, stock, saldos y etapas), porque ahí un dato malo es una respuesta equivocada al cliente.
La escena se repite antes de muchos proyectos. El gerente comercial quiere un agente que atienda WhatsApp, y alguien de sistemas o de administración lo frena con una frase razonable: "primero hay que ordenar el CRM". Seis meses después, el CRM sigue igual y el agente no existe. Como pasa en muchos proyectos de Salesforce u Oracle, lo que traba no es la plataforma sino cómo se encara el trabajo.
Esta guía separa lo que tiene que estar bien de lo que puede esperar, explica qué queda registrado después de cada conversación y propone una lista mínima de tareas, cada una con un responsable.
¿Hay que limpiar el CRM antes de lanzar un agente de IA?
La preocupación tiene base. Según Gartner (2025), el 63% de las organizaciones no tiene las prácticas de gestión de datos que necesita la IA, o no sabe si las tiene. Y el problema no es solo de orden: en el informe de conectividad de MuleSoft (2025), el 95% de 1.050 líderes de TI dice tener dificultades para integrar datos entre sistemas, y en promedio solo el 29% de las aplicaciones de una empresa están integradas.
De ahí no se sigue que haya que limpiar todo antes de empezar. Un proyecto de limpieza general tiene tres problemas. Es largo, porque si todo es prioritario nadie sabe por dónde arrancar. Es caro, porque compite con el trabajo diario de las mismas personas que conocen los datos. Y envejece: la gente cambia de empresa, de cargo o de número, y lo que se corrige hoy vuelve a quedar viejo antes de que alguien lo use.
La pregunta útil es otra: qué datos va a usar el agente para responder y con qué exigencia. Ahí aparecen dos grupos muy distintos.
No dejen que un CRM "imperfecto" frene el lanzamiento de su agente de IA. Concéntrense en lo esencial: los datos críticos para una IA fiable.
Dos tipos de datos, dos niveles de exigencia
Un agente de ventas por WhatsApp toca dos clases de información en cada conversación:
Datos de contacto: quién es la persona, de qué empresa, qué cargo tiene, qué busca y cómo prefiere que le escriban. Si falta alguno, el agente lo pregunta.
Datos de negocio: el precio que le corresponde a ese cliente, el stock disponible, su saldo y su crédito, sus condiciones de pago y entrega, la etapa de su oportunidad. Si alguno está mal, el agente lo repite tal cual.
La diferencia está en las consecuencias. Un contacto sin cargo o sin empresa es un registro incompleto: molesta en un reporte, pero nadie le prometió nada a nadie. Un precio desactualizado o un stock que no existe es un compromiso con el cliente que la empresa después tiene que honrar o explicar.
Por eso la exigencia no puede ser la misma. Con los primeros se puede arrancar como están. Los segundos se revisan antes de que el agente diga la primera palabra.
No todos los datos tienen la misma criticidad. Distingan entre datos de contacto, que el agente puede completar, y datos de negocio, que necesitan precisión desde el inicio.
Datos de contacto: el agente los completa conversando
Cuando alguien escribe por WhatsApp, el canal ya resolvió el dato que más cuesta conseguir: un número válido, de una persona que quiere hablar con su empresa. El resto sale de la conversación. El agente pregunta lo que necesita para atender (nombre, empresa, producto, cantidad, para cuándo y quién decide) y lo deja registrado, en lugar de que alguien lo cargue a mano al final del día.
En América Latina, los problemas típicos de contacto no se resuelven con una limpieza masiva sino con una regla clara para cada caso:
Números sin código de país: el mismo celular aparece con y sin el +52, el +57 o el +54, con espacios o con guiones, y en Argentina a veces con el 15 local en lugar del 9 del formato internacional. Normalizar el formato al identificar a quien escribe evita que una persona aparezca como dos.
Duplicados por teléfono: el número de un comprador figura como lead y como contacto, o el teléfono de la recepción de una empresa está cargado en cinco contactos distintos. Conviene decidir antes qué registro manda cuando el número coincide.
Número personal o corporativo: el comprador que cambia de empresa y conserva su WhatsApp, o el vendedor que atendía desde su celular personal. El número identifica a una persona, no siempre a una cuenta, así que la conversación tiene que confirmar para qué empresa compra.
Consentimiento: que alguien les escriba habilita a responderle. Escribirle primero, meses después, exige que haya aceptado recibir mensajes de su empresa y una plantilla aprobada por Meta. Este dato no lo completa ninguna conversación: tiene que estar registrado, con fecha y origen.
El último punto marca el límite de la idea. Completar conversando funciona con quien les escribe. Para salir a buscar contactos viejos de la base, el opt-in es un requisito previo, y las reglas de Meta y de las leyes de datos de la región están en marketing por WhatsApp y compliance.
Datos de negocio: tienen que estar bien desde el primer día
Un modelo de lenguaje no consulta una base de datos antes de hablar: si nadie le pasa el dato, completa con algo que suena razonable. Por eso un agente de ventas confiable no saca precios ni stock de la memoria del modelo, sino de una consulta a sus sistemas en el momento. Lo contamos en cómo evitar que un agente de IA invente precios o stock.
Esa regla evita la invención, pero no corrige un dato malo en el origen. Si la lista de precios del sistema está mal, el agente la repite con total seguridad, igual que lo haría un vendedor que confía en el sistema. Estos son los datos que hay que revisar antes de salir:
Precios: la lista que le corresponde a cada cliente o canal, con sus escalas por volumen y sus promociones vigentes. Una lista general en un PDF de hace dos meses no sirve.
Stock: por depósito o por sucursal, el que abastece la zona del cliente. Si el sistema dice que hay y el depósito no tiene, el faltante aparece cuando llega el camión.
Saldos y crédito: la cuenta corriente de cada cliente, para no confirmar el pedido de una cuenta con saldo vencido.
Condiciones: plazo de pago, días de entrega, zona y pedido mínimo de cada cuenta.
Etapas: si cada vendedor usa las etapas de la oportunidad a su manera, falla cualquier regla que dependa de ellas, la siga una persona o un agente.
Ayuda tener claro qué sistema manda en cada caso: el ERP es la fuente de verdad del stock, los precios y los saldos, y el CRM, de la relación comercial. Con una única fuente de verdad por dato, el agente sabe dónde consultar y nadie discute cuál de dos planillas es la correcta. Las formas de conectar el ERP están en vender por WhatsApp con su ERP, y cómo se arma el precio con sus listas, en cotizaciones automáticas por WhatsApp.
Si un dato falta, el agente no adivina: repregunta, avisa que lo confirma o pasa la conversación a una persona. En las primeras semanas, esos faltantes se ven como derivaciones de más, y cada una dice qué información conviene completar primero.
¿Qué queda registrado en Salesforce después de cada conversación?
Acá está la razón por la que el CRM mejora con el agente en marcha, no antes. En una integración que opera dentro de la org, como la de Sellium con Salesforce, cada conversación crea o actualiza el lead o el contacto con lo que se habló:
Origen: el anuncio, el QR o el botón del sitio que inició la conversación, asociado a su campaña.
Calificación: presupuesto, autoridad, necesidad y plazo, como campos del registro.
Resumen: lo que pidió el cliente y lo que se le ofreció, en la actividad del registro.
Dueño y siguiente paso: la asignación según sus reglas y la tarea o la reunión ya creada.
Los objetos que toca los definen ustedes, típicamente leads, contactos, oportunidades y actividades, y el agente opera con un usuario de integración que tiene los permisos que configuran: cada cambio queda en el historial estándar de Salesforce. Del lado del ERP, la escritura principal es la orden de venta del pedido confirmado.
Ojo: esto no es una limpieza del CRM. El agente mejora los registros que toca, los de las personas que conversan. Los contactos de clientes que no escriben hace años siguen como estaban. Para la mayoría de las empresas alcanza: los datos que se usan quedan al día y los que nadie usa no le consumen horas a nadie.
Checklist mínimo, con un responsable por tarea
Antes de poner el agente a responder, alcanza con esta lista. Cada tarea lleva un nombre al lado, porque una tarea "del equipo" termina siendo una tarea de nadie.
Precios: lista por cliente o canal, vigente y dentro del sistema, sin PDF paralelos. Responsable: administración comercial.
Stock: por depósito, actualizado con la frecuencia con que se vende. Responsable: logística o depósito.
Saldos y crédito: cuenta corriente al día y una regla escrita sobre qué pasa con una cuenta vencida. Responsable: créditos y cobranzas.
Catálogo: códigos, unidades y equivalencias con los nombres que usan los clientes, sea la marca, la medida o el apodo del producto. Responsable: producto o compras.
Etapas y dueños: qué significa cada etapa y quién es el dueño de cada cuenta, para saber a quién derivar. Responsable: gerencia comercial.
Consentimiento: dónde se registra el opt-in y cómo se respetan las bajas. Responsable: marketing.
Permisos: un usuario de integración con lo mínimo para leer y escribir lo que corresponde. Responsable: sistemas.
Lo que puede esperar sin culpa: el historial viejo de actividades, los campos que nadie completa hace años, los duplicados de clientes inactivos y los contactos sin teléfono. Si algún día hace falta una campaña a esa base, se ordena el segmento que se va a usar, no la base entera. Es la lógica de cualquier trabajo de calidad de datos: primero el uso, después la limpieza. Para revisar el resto de lo que conviene tener resuelto antes de elegir un proveedor, está el checklist para elegir un agente de IA de ventas.
Modo sugerencia antes de modo autónomo
La última pieza es la confianza, y se construye por etapas. Una práctica habitual es arrancar con el agente en modo sugerencia: propone la respuesta o la acción y una persona la aprueba antes de que salga. Es lo que se conoce como human-in-the-loop, y sirve para ver con conversaciones reales dónde acierta y dónde le falta información.
Otra forma de ir de a poco es acotar el alcance: primero un grupo de clientes, una franja horaria o un tipo de consulta, con revisión de las conversaciones, y después todo el canal. En los dos casos, esas semanas responden la pregunta del principio mejor que cualquier auditoría previa, porque muestran qué datos faltan de verdad: los que el agente buscó y no encontró.
Tres señales indican que se puede ampliar:
Las respuestas de precio y stock coinciden con el ERP en una muestra revisada.
Las derivaciones por falta de dato bajan semana a semana.
El equipo comercial deja de corregir lo que el agente dejó registrado.
El paso a paso de una implementación, desde los datos hasta la salida a producción, está en cómo implementar un agente de IA en 4 a 6 semanas, y qué pasa cuando el agente le pasa la conversación a una persona, en la derivación a un vendedor.
Esperar a tener el CRM perfecto es esperar algo que no llega. Ordenar los precios, el stock y los saldos sí tiene fecha de cierre, y es lo que el cliente va a notar. Si quieren revisar qué datos de su operación están listos y cuáles no, agenden una demo y lo vemos sobre sus sistemas.
