Esquema CenteIA PRO

01 — Contexto

El mismo problema en dos planos distintos.

CenteIA tiene conocimiento valioso pero disperso: en el plano educativo (sesiones, Q&A, dudas repetidas en Telegram) y en el plano comercial (1.500 llamadas de closers donde se ve el resultado, pero no el porqué).

Ambos retos son la misma familia: convertir audio no estructurado en conocimiento estructurado y consultable. Eso permite reusar un único stack base, reduciendo mantenimiento y curva de aprendizaje.

~50%

de tickets de soporte son dudas ya resueltas en sesiones

1.500

llamadas de closers sin estructura analítica

1

pipeline modular para los dos casos

2 sem

para tener un MVP real funcionando end-to-end

Ejercicio 01

Chatbot de formación / base de conocimiento.

Convertir las sesiones de Kajabi en una base de conocimiento consultable desde Telegram, con respuestas citadas a la sesión origen. Sin escalar a soporte para dudas ya resueltas.

Cómo fluye la información

Dos flujos independientes: ingesta (procesar contenido nuevo) y consulta (responder al alumno).

A. Ingesta — procesar contenido

📹

Origen

Kajabi · Vídeo, Q&A, PDF

⚙️

Disparador

n8n · Webhook o trigger manual

🎙

Transcripción

Whisper API · Texto bruto

✂️

Limpieza

Chunks + metadatos

🧬

Vectorizar

OpenAI · embeddings 3-small

🗄

Almacenar

Supabase + pgvector

B. Consulta — responder al alumno

💬

Alumno

Mensaje en Telegram

🔍

Búsqueda

Top 4–5 chunks similares

🤖

LLM

Claude · responde con cita

📊

Log

Pregunta + ¿útil? a Supabase

Cita obligatoria: cada respuesta del bot incluye fuente exacta — "Esto se vio en Módulo 3 · Sesión 4, min 23:10". Reduce alucinaciones y construye confianza.

Stack del chatbot

Cada herramienta hace una cosa concreta. Menos piezas, menos fallos.

n8nNuevo

Orquestación visual

Toda la lógica de ingesta y de respuesta vive aquí. Visual, mantenible, sin DevOps. Los flujos se pueden iterar sin tocar código.

Whisper APINuevo

Transcripción

Convierte el audio de las sesiones en texto. Preciso en español, ~0,006 €/min. Ideal para sesiones mono-ponente como las de Kajabi.

text-embedding-3-smallNuevo

Embeddings

Convierte texto en vectores numéricos que representan su significado, para que el bot encuentre respuestas aunque el alumno use otras palabras.

Supabase + pgvectorNuevo

Base de datos vectorial

Postgres + vectores en una sola pieza. Almacena los chunks, sus embeddings y los metadatos. Plan gratuito suficiente para el MVP.

Claude (Anthropic)Nuevo

Modelo de lenguaje (LLM)

Recibe los fragmentos relevantes y genera la respuesta final en español, con cita a la fuente. Haiku para preguntas simples, Sonnet para complejas.

Telegram BotYa en uso

Canal del alumno

Los alumnos ya están en Telegram. Reutilizamos el canal, evitamos fricción de "una herramienta más" y n8n se conecta nativamente.

KajabiYa en uso

Origen del contenido

Plataforma donde están las sesiones, vídeos y materiales. En Fase 2 se conecta vía webhook para auto-ingesta cuando se publica contenido nuevo.

Claude Code / CursorNuevo

Vibe coding

Para los 2 scripts puntuales: limpieza de transcripciones y chunking custom. ~2-3h de trabajo total con un editor con IA.

Fases de implementación

El MVP es una promesa: en 2 semanas hay un bot funcional con contenido real respondiendo a alumnos reales.

MVP

Pipeline + Bot

2 semanas

Semana 1: Supabase + pgvector. Script de chunking en Python. Flujo n8n de ingesta manual. Procesar 10–15 sesiones reales.
Semana 2: Bot de Telegram. Flujo n8n de consulta. Prompt con cita obligatoria y fallback a soporte. Tabla de logs. Test con 5–10 alumnos reales.
Resultado: bot funcional con contenido real, que responde con cita y escala lo que no sabe.

Fase 2

Automatización

Mes 1 al 3

Auto-ingesta vía webhook desde Kajabi cuando se publica vídeo nuevo.
Hybrid search: vectorial + BM25 para mejor precisión en términos técnicos exactos.
Personalización por programa/cohorte: el bot solo responde con contenido del programa del alumno.
Detección de duda recurrente → alerta al equipo de contenido.
Feedback inline (👍/👎) para evaluar calidad.
Widget embebido en Kajabi como canal alternativo a Telegram.

Qué hacemos primero · qué dejamos fuera

→ Sí, en MVP

10–15 sesiones procesadas manualmente
Bot de Telegram con cita obligatoria
Fallback explícito a soporte humano
Tabla de logs revisable cada semana
Procesar Q&A como pares pregunta-respuesta

✕ No, todavía no

Fine-tuning de modelo propio
Auto-respuesta sin revisión humana
Multimodalidad (imágenes, vídeo)
Integración con GHL o ticketing
Portal web propio — Telegram ya funciona

Riesgos principales

Listados con probabilidad y plan de mitigación.

Alta Transcripción imprecisa con jerga IA en español Glosario custom en el prompt de limpieza · spot-check del 10% en MVP.

Media El chatbot alucina (inventa) Prompt con instrucción explícita: solo responder con el contexto recuperado · cita obligatoria.

Media Respuestas fuera de scope Prompt acotado al programa · fallback claro a soporte humano.

Media Chunks duplicados (misma sesión 2×) Hash del audio como ID único en Supabase · check antes de insertar.

Baja Costes descontrolados 100 sesiones × Whisper ≈ 50 € · 10.000 preguntas/mes con Haiku ≈ 5 €. Cap mensual configurado.

KPIs que medimos

Resueltas sin escalar

> 50%

MVP · objetivo Fase 2: > 80%

Tiempo a respuesta

~ seg

Antes: horas. Ahora: instantáneo.

NPS del bot

> 70%

👍 / 👎 inline en cada respuesta (Fase 2)

Sesiones nuevas indexadas

< 24h

100% automático en Fase 2

Ejercicio 02

Análisis de 1.500 llamadas de closers.

Esto no es un proyecto de IA — es un proyecto de taxonomía con IA como acelerador. Primero definimos qué queremos saber. Después el LLM etiqueta las llamadas según ese marco. El dashboard sale solo cuando los datos están estructurados.

Dos escenarios de transcripción

El stack cambia según si CenteIA ya usa una herramienta tipo Fathom/Fireflies o no.

Escenario A

Solo grabaciones de Zoom

Descargamos los .mp4 desde Zoom Cloud Recordings vía API y los enviamos a AssemblyAI (transcripción + diarización: separa voz del closer y del lead).

→ Coste estimado: ~250–400 € para procesar 1.500 llamadas (única vez).

Escenario B

Ya usan Fathom o Fireflies

Esas herramientas son bots que se unen a la llamada de Zoom y entregan transcripción + resumen + diarización ya hechas, vía API o export.

→ Saltamos el paso de transcripción · ahorro de ~80% del coste · pipeline más simple.

Decisión necesaria: ¿CenteIA ya usa Fathom, Fireflies o tl;dv en las llamadas de closers? Si sí, partimos de su transcripción y nos saltamos un componente entero.

Cómo fluye el análisis

De grabación bruta a campos estructurados en Pipedrive y dashboard ejecutivo.

A. Captura — origen de los datos

📞

Llamada

Zoom · grabación + Fathom (opcional)

🗓

Contexto

Calendly · metadatos del lead

💼

CRM

Pipedrive · datos del deal

B. Procesamiento — n8n + LLM

🎙

Transcripción

AssemblyAI · o Fathom directo

⚙️

Match

n8n · une transcripción con deal

🤖

Análisis

Claude · taxonomía → JSON

C. Salida — dónde aterriza el valor

💼

CRM

Pipedrive · campos estructurados

🗄

Warehouse

Supabase · análisis histórico

📊

Dashboard

Metabase · top objeciones, perfiles

Taxonomía de las llamadas

Lo que el LLM extrae de cada llamada. Co-diseñada con 1–2 closers senior antes de tocar código.

JSON estructurado por llamada

Cada llamada se etiqueta con un esquema fijo. Sin esto, son 1.500 resúmenes inútiles.

Resultadovendido · no vendido · follow-up · no-show

Perfil del leadrol, tamaño negocio, madurez IA, urgencia

Objecionesprecio · tiempo · confianza · ajuste · decisor

Momentos clavedescubrir dolor, presentar oferta, manejar objeción, cerrar

Señalespreguntas logísticas vs. dudas de fondo, silencios largos

Calidad del closerratio talk/listen, preguntas abiertas, manejo de objeción

// Output ejemplo del LLM
{
  "resultado": "no_vendido",
  "perfil": {
    "rol": "founder",
    "madurez_ia": "baja",
    "urgencia": "alta"
  },
  "objecion_principal": "precio",
  "talk_listen_ratio": 0.62,
  "manejo_objecion": "insuficiente",
  "resumen": "Lead caliente pero closer no contextualizó ROI."
}

Stack del análisis

Reusa la base del Ejercicio 1 + capas específicas para llamadas y dashboard.

ZoomYa en uso

Origen de las llamadas

Las grabaciones quedan en Zoom Cloud. Las extraemos vía API si vamos por el Escenario A.

Fathom / FirefliesOpcional

Transcripción + diarización

Bot que se une a Zoom y entrega la transcripción ya hecha. Si CenteIA ya lo usa, ahorramos un componente entero del pipeline.

AssemblyAINuevo

Transcripción multi-speaker

Si no hay Fathom: procesa el audio y separa quién dijo qué (closer vs. lead). Necesario para análisis fino de objeciones.

Claude SonnetNuevo

Análisis estructurado

Lee la transcripción, aplica la taxonomía, devuelve JSON con campos fijos. Sonnet (no Haiku) por la complejidad del análisis.

PipedriveYa en uso

CRM destino

Recibe los campos clave por deal: objeción, perfil, calidad de la llamada. Es destino, no fuente de verdad analítica.

CalendlyYa en uso

Metadatos del lead

Aporta contexto: respuestas del formulario, timestamp, fuente. Se cruza con la llamada en n8n.

SupabaseNuevo

Warehouse analítico

Misma instancia que Ejercicio 1. Aquí viven las 1.500 llamadas estructuradas para análisis histórico y comparativas.

MetabaseNuevo

Dashboard ejecutivo

Visualiza top objeciones, perfil que más compra, comparativa entre closers. Más rápido de iterar que custom fields en Pipedrive.

Fases del análisis

El MVP procesa una muestra representativa, no las 1.500 llamadas — para validar la taxonomía antes de escalar.

MVP

Taxonomía + 50–100 llamadas

2 semanas

Semana 1: Workshop con 1–2 closers senior para co-diseñar taxonomía v1. Sin esto, los outputs no se usan.
Semana 1–2: Pipeline n8n + Claude. Procesar 50–100 llamadas (muestra representativa de un lanzamiento ya cerrado).
Semana 2: Dashboard básico en Metabase: top 5 objeciones, perfil que más compra, comparativa entre closers.
Entregable final: informe ejecutivo de 1 página con 3 hallazgos accionables.

Fase 2

Escalar + tiempo real

Mes 1 al 3

Procesar las 1.500 llamadas con la taxonomía validada.
Auto-ingesta de cada nueva llamada de Zoom → procesado nocturno.
Push automático de campos a Pipedrive por llamada.
Alertas en tiempo real: "este deal tiene 3 señales de pérdida".
Coaching automatizado al closer con highlights de su llamada.
Comparativa entre lanzamientos.

Qué hacemos primero · qué dejamos fuera

→ Sí, en MVP

Workshop de taxonomía con closers senior
Muestra de 50–100 llamadas (no las 1.500)
Dashboard con 3 vistas clave
Informe ejecutivo con hallazgos accionables
Validación de calidad con el equipo de ventas

✕ No, todavía no

Procesar las 1.500 llamadas sin validar taxonomía
Push automático a Pipedrive
Alertas en tiempo real
Voice cloning, avatares, vídeo generado
Integración con GHL — Pipedrive es el CRM

Riesgos principales

Alta Taxonomía mal diseñada Si la taxonomía cambia hay que reprocesar todo. Mitigación: validarla con closers antes de procesar masivo.

Media Privacidad y RGPD Consentimiento explícito de grabación · retención limitada · anonimización antes de cualquier entrenamiento.

Media Coste descontrolado en transcripción 1.500 × 30min puede irse a 500–1.500 €. Mitigación: cap mensual · batch processing · Escenario B si aplica.

Media Diarización imprecisa (closer vs. lead) Spot-check humano de 5% de llamadas en MVP · ajuste de prompt si se confunden los hablantes.

Baja Mantenimiento huérfano 1 owner técnico designado en CenteIA · documentación de flujos en Notion.

KPIs que medimos

Conversión por segmento

+ %

Perfil × objeción manejada

Mejora en cierre de closers

+15%

Closers que aplican aprendizajes vs. control

Tiempo en registrar llamada

~ 0

Antes: manual. Ahora: auto a Pipedrive.

Cobertura de análisis

100%

Llamadas con análisis estructurado

03 — Visión integrada

Un único stack base. Dos casos de uso.

El equipo aprende un stack, no dos. Mismo Supabase, mismo n8n, mismo Claude. Solo cambian las capas específicas según el caso.

Compartido

· n8n (orquestación)
· Supabase (BBDD + vectores)
· Claude (LLM)
· Claude Code / Cursor

Solo Ejercicio 1

· Whisper API
· OpenAI embeddings
· Telegram Bot
· Kajabi (origen)

Solo Ejercicio 2

· AssemblyAI o Fathom
· Metabase (dashboard)
· Pipedrive (CRM destino)
· Calendly + Zoom (origen)

04 — Directorio

Herramientas nuevas a contratar.

Todo lo que CenteIA aún no usa, con su propósito y enlace directo a la web del proveedor.

Orquestación y backend

Compartido

Herramienta	Para qué se usa	Web
n8n Plan cloud · ~20 €/mes	Orquestador visual donde vive toda la lógica de ingesta y respuesta. Conecta Kajabi, Zoom, Pipedrive, Telegram, Supabase y los APIs de IA sin escribir backend.	n8n.io
Supabase Free → 25 €/mes	Postgres con extensión pgvector activada. Almacena los chunks vectorizados del chatbot y las llamadas estructuradas del análisis. Una sola pieza, dos casos de uso.	supabase.com

Modelos de IA · transcripción y LLM

Compartido

Herramienta	Para qué se usa	Web
OpenAI · Whisper API ~0,006 €/min	Transcribe el audio de las sesiones de Kajabi a texto. Preciso en español, ideal para sesiones mono-ponente.	openai.com
OpenAI · Embeddings ~0,02 €/M tokens	Modelo text-embedding-3-small. Convierte el texto en vectores numéricos que representan su significado, para búsqueda semántica en el chatbot.	openai.com
Anthropic · Claude Haiku ~0,8 €/M · Sonnet ~12 €/M	LLM principal. Genera respuestas del chatbot con cita y aplica la taxonomía sobre las llamadas devolviendo JSON estructurado. Más consistente que GPT en español.	anthropic.com
AssemblyAI ~0,15 €/hora audio	Solo si NO usan Fathom/Fireflies. Transcripción multi-speaker con diarización (separa voz del closer y del lead) sobre las grabaciones de Zoom.	assemblyai.com

Bots de llamadas (alternativos)

Solo E2 — opcional

Herramienta	Para qué se usa	Web
Fathom Plan free ilimitado	Bot que se une a Zoom y entrega transcripción + diarización + resumen automáticamente. Si CenteIA ya lo usa, saltamos AssemblyAI por completo.	fathom.video
Fireflies ~10 €/usuario/mes	Equivalente a Fathom con mejor API y más integraciones. Misma función: transcripción + diarización + highlights ya hechos.	fireflies.ai
tl;dv Free → ~18 €/mes	Tercera opción equivalente. Mencionada solo por si CenteIA ya la tiene contratada.	tldv.io

Dashboard y BI

Solo E2

Herramienta	Para qué se usa	Web
Metabase Free self-host · ~85 €/mes cloud	Conecta a Supabase y dibuja el dashboard ejecutivo: top objeciones, perfil que más compra, comparativa entre closers. Más rápido de iterar que custom fields en Pipedrive.	metabase.com
Looker Studio Gratuito	Alternativa a Metabase si se prefiere zero-mantenimiento y ya hay equipo familiar con Google Cloud. Misma función.	lookerstudio

Editores con IA (vibe coding)

Compartido

Herramienta	Para qué se usa	Web
Claude Code Plan Anthropic incluido	Para los 2-3 scripts puntuales: limpieza de transcripciones, chunking custom, normalización de outputs JSON. ~2-3h de trabajo total.	claude.ai/code
Cursor ~18 €/mes	Editor alternativo con IA integrada. Misma función que Claude Code, según preferencia del equipo técnico.	cursor.com

Herramientas que CenteIA ya tiene

Reutilizadas

Herramienta	Para qué la conectamos	Web
Kajabi	Origen del contenido del chatbot. En Fase 2 se conecta vía webhook para auto-ingesta cuando se publica vídeo nuevo.	kajabi.com
Telegram	Canal del chatbot. Los alumnos ya están allí. Bot creado vía BotFather (5 min) y conectado a n8n.	core.telegram
Zoom	Origen de las llamadas de closers. Conexión vía Cloud Recordings API si vamos por el Escenario A.	marketplace.zoom
Calendly	Aporta metadatos del lead (respuestas del formulario, fuente, timestamp) que se cruzan con la grabación de la llamada.	developer.calendly
Pipedrive	CRM destino del análisis de llamadas. Recibe los campos clave por deal (objeción, perfil, calidad). El warehouse analítico vive en Supabase.	developers.pipedrive

05 — Para arrancar

Qué necesitamos de CenteIA.

Lo mínimo para echar a andar el MVP de los dos ejercicios sin bloqueos.

01

Contenido inicial del chatbot

10–15 sesiones de Kajabi (audio o transcripción) + Q&A en directo existentes.

02

Muestra de llamadas

50–100 grabaciones de Zoom de un lanzamiento ya cerrado, con consentimiento de uso.

03

Acceso a Telegram

Telegram del programa o un grupo de test donde desplegar el bot.

04

2 closers senior

2–3h en semana 1 para co-diseñar la taxonomía. Sin esto, el análisis no se usa.

05

Confirmar Fathom / Fireflies

¿Ya usan alguno? Si sí, ahorramos un componente entero del pipeline (Escenario B).

06

Acceso API

Pipedrive, Telegram bot, Zoom Cloud Recordings, Kajabi (para Fase 2).

07

1 owner técnico

Una persona en CenteIA designada como referente del sistema desde el día 1.

08

Presupuesto APIs

~50 €/mes en MVP del chatbot · ~250–500 € puntuales para procesar llamadas históricas.

De audio dispersoa conocimiento accionable.

El mismo problema en dos planos distintos.

Chatbot de formación / base de conocimiento.

Cómo fluye la información

Stack del chatbot

Fases de implementación

Qué hacemos primero · qué dejamos fuera

Riesgos principales

KPIs que medimos

Análisis de 1.500 llamadas de closers.

Dos escenarios de transcripción

Solo grabaciones de Zoom

Ya usan Fathom o Fireflies

Cómo fluye el análisis

Taxonomía de las llamadas

JSON estructurado por llamada

Stack del análisis

Fases del análisis

Qué hacemos primero · qué dejamos fuera

Riesgos principales

KPIs que medimos

Un único stack base. Dos casos de uso.

Herramientas nuevas a contratar.

Orquestación y backend

Modelos de IA · transcripción y LLM

Bots de llamadas (alternativos)

Dashboard y BI

Editores con IA (vibe coding)

Herramientas que CenteIA ya tiene

Qué necesitamos de CenteIA.

De audio disperso
a conocimiento accionable.