Caso representativo: cómo una PYME peruana recuperó S/ 240,000 anuales con automatización IA

Este caso describe una PYME peruana representativa — una distribuidora B2B de equipos especializados con 28 empleados y operación en Lima y provincias. Los detalles están anonimizados y fusionados con datos de proyectos similares para proteger información de clientes específicos. Las cifras son consistentes con el rango que vemos en proyectos comparables.

¿Qué empresa fue y qué problema tenía?

La empresa facturaba alrededor de S/ 4.8 millones anuales y tenía un equipo comercial de 6 personas. El problema central: las cotizaciones tomaban 2 a 4 días en salir, y muchos leads se enfriaban antes de recibir respuesta. El área administrativa además gastaba 18-22 horas semanales en conciliar pagos y emisión electrónica con SUNAT.

¿Qué proceso se automatizó primero?

El generador de cotizaciones. Se construyó un agente que lee el correo o WhatsApp del lead, identifica los productos solicitados contra el catálogo en el ERP, calcula precios con descuentos por volumen y genera el PDF firmado en menos de 90 segundos. El comercial revisa, ajusta si hace falta y aprueba — el proceso bajó de 2-4 días a 15 minutos promedio.

¿Cuánto se invirtió y en cuánto tiempo retornó?

Inversión inicial: S/ 28,000 (integración con ERP, agente IA con Claude, UI interna en n8n). Costo de operación: S/ 1,200 mensuales (modelos + plataforma). Ahorro recuperado: S/ 240,000 anuales — 60% por aumento de tasa de cierre (cotización rápida cierra más), 40% por horas liberadas. Payback: 5.2 meses. ROI a 24 meses: 715%.

¿Qué herramientas se usaron exactamente?

• n8n (open-source) como motor de automatización, self-hosted en Vercel + Upstash Redis.
• Claude API (Anthropic) como agente de razonamiento — eligió este modelo por mayor consistencia en tareas estructuradas.
• Defontana como ERP, conectado vía API oficial.
• WhatsApp Business API (360dialog) para entrada de leads.
• PDFShift para generación del documento final firmado.
• Looker Studio para el dashboard semanal de cotizaciones, tasa de cierre y tiempo de respuesta.

¿Qué cambió en el equipo después de la automatización?

Ningún despido. Los 6 comerciales pasaron de 'preparar cotizaciones' a 'cerrar ventas': dedican tiempo a llamar al lead, entender necesidades técnicas y negociar términos. La tasa de cierre subió del 14% al 23% en 6 meses. El área administrativa absorbió el aumento de volumen sin contratar — el caso clásico de IA como multiplicador de capacidad, no como sustituto.

¿Qué procesos se automatizaron después?

Mes 4: respuesta automática nivel 1 a consultas de stock y disponibilidad. Mes 7: conciliación de pagos con SUNAT. Mes 9: reporting semanal automático para la gerencia general. Cada nuevo proceso usó la infraestructura existente (n8n + Claude), reduciendo el costo de implementación incremental a una fracción del primer proyecto.

¿Qué podemos aprender de este caso?

• Empezar por un proceso ancla (cotizaciones) y no atacar 5 a la vez. La curva de adopción se vuelve manejable.
• Medir antes y después con métricas duras — tasa de cierre, horas/semana, tiempo de respuesta. Si no se mide, no se sabe si funciona.
• Mantener al humano en el loop al inicio (revisar y aprobar). Después de 60 días con 0 errores graves, se puede liberar la aprobación automática para casos de bajo riesgo.
• Reusar la infraestructura. El segundo y tercer proceso cuestan ~30% del primero porque el motor (n8n + IA + integraciones) ya está armado.
• Documentar para el equipo no técnico. Los proyectos que dependen de un solo programador interno fallan cuando esa persona se va.