franyer.dev
Todos los casos
SaaS propio · CRM con IA 2025 — Presente

Un SaaS de CRM con agentes de IA, programado entero por mí

Plataforma multi-tenant de atención comercial por WhatsApp: más de una docena de módulos integrados, desde el chat multiagente hasta la atribución de campañas. Más de 20 empresas con suscripción activa.

20+

empresas con suscripción activa

12+

módulos integrados en un solo producto

1 año

de idea a producto en producción

5,0

valoración en Google

Mi papel en el proyecto

Producto completo: arquitectura, backend, frontend, los agentes de IA, el motor de facturación y la infraestructura. Es el ejemplo más directo del alcance que puedo cubrir de principio a fin, y la razón por la que aconsejo sobre decisiones técnicas con las que he tenido que convivir durante años.

El problema

Las pymes atienden por WhatsApp y pierden ventas ahí: mensajes sin responder, varios agentes sobre una sola línea y ninguna forma de saber qué campaña trajo al cliente que compró.

Una línea, varias personas

WhatsApp Business no está pensado para que un equipo atienda en paralelo sin pisarse ni dejar conversaciones huérfanas.

Los bots de siempre no sirven

Un árbol de respuestas frustra al cliente. Hacía falta algo que consulte datos reales, agende y sepa cuándo callarse y pasar la conversación a una persona.

Cero atribución

Sin saber qué anuncio trae clientes que compran de verdad, el presupuesto de publicidad se gasta a ciegas.

Qué construí

Construí una plataforma multi-tenant donde cada empresa tiene sus datos, sus agentes y sus integraciones aisladas, sobre la API oficial de WhatsApp para no arriesgar bloqueos de cuenta.

Agentes de IA sobre LangGraph

Grafo con bucle de herramientas: el agente consulta la base de datos del cliente, llama a sus APIs y escala a una persona cuando detecta que debe hacerlo. El estado de cada conversación persiste en Postgres.

Checkpointer propio y resumen continuo de la conversación

RAG aislado por cliente

Cada empresa entrena a su agente con sus propios documentos. El filtrado por tenant en la base vectorial garantiza que ninguna consulta pueda alcanzar datos de otro cliente.

Qdrant con filtrado por tenant

Facturación por consumo real

Cada llamada al modelo se contabiliza por tokens y se descuenta de los créditos del plan; el exceso se cobra automáticamente. Sin esto, un cliente intensivo se come el margen.

Medición de tokens integrada con Stripe

Automatizaciones con flujos visuales

Editor de flujos para dar la bienvenida, calificar al contacto, etiquetarlo y asignarlo al vendedor correcto, sin escribir código.

Una suite, no una bandeja de entrada

Chat multiagente, embudos de venta, CRM con historial y segmentos, campañas masivas con métricas de entrega, agenda sincronizada con Google Calendar, formularios de captación, plantillas aprobadas por Meta, panel de supervisión por agente e integraciones por API. Todo sobre el mismo modelo de datos, sin módulos que se compren aparte.

Más de doce módulos integrados

Atribución de campañas

Píxel web y enlaces de seguimiento para saber qué anuncio y qué canal traen conversaciones que acaban en venta, no solo clics.

Resultados

Más de 20 empresas con suscripción activa

Planes recurrentes desde 39 USD al mes, sin permanencia. El producto sostiene su propia operación.

De cero a producción en doce meses

Arquitectura multi-tenant, agentes de IA, pasarela de pagos, aplicación móvil e integraciones por API, construidas en un solo ciclo de desarrollo.

Valoración de 5,0 en Google

Con reseñas que mencionan sobre todo dos cosas: que las automatizaciones funcionan y que el soporte responde rápido.

Stack

Django Next.js PostgreSQL LangGraph Qdrant Celery Stripe WhatsApp Cloud API
Ver Chately

¿Tienes un proceso que se parece a este?

Cuéntame cómo funciona hoy y te digo con franqueza si automatizarlo tiene sentido, o si todavía no es el momento.

Otros casos