Secciones del caso
01El problema: nadie sabe qué pasa en el punto de venta
Las marcas de retail con vendedores en tienda tienen un agujero gigante en su data: no saben qué dicen sus vendedores, cómo manejan las objeciones, si están aplicando el speech aprendido, qué objeciones reciben más, qué productos atascan más conversaciones. El líder comercial recibe reportes mensuales con métricas frías (ventas, conversión) pero sin contexto cualitativo.
Las soluciones existentes, visitas misteriosas, supervisión presencial, reportes manuales, no escalan y se sesgan fácil. Lo que necesita el líder es escuchar (literal) lo que pasa en cien interacciones a la vez, sin pasar cien horas escuchando.
02La solución: grabar, transcribir, evaluar con IA, accionar
Sello toma audios de interacciones de venta (capturados por un dispositivo de grabación dedicado o por la app del vendedor en su teléfono), los sube a la plataforma, los transcribe, y los corre contra una rúbrica que la marca configura. La rúbrica define qué evaluar: saludo, descubrimiento de necesidad, presentación de producto, manejo de objeciones, cierre, despedida, cumplimiento de speech corporativo.
Cada interacción recibe un score con desglose por dimensión, comentarios específicos del LLM y citas literales de la transcripción que respaldan cada observación. El líder comercial ve el dashboard, filtra por vendedor o por tienda, y entiende dónde están las brechas. El vendedor recibe feedback puntual y accionable.
03Stack técnico desplegado en GCP
Next.js + Tailwind para frontend, Cloud Run en us-central1 para el backend, Cloud Storage para los audios crudos, Firestore para metadata y scores, BigQuery para analítica histórica. La transcripción usa un servicio de speech-to-text optimizado para español latinoamericano; la evaluación contra rúbrica corre en Vertex AI Gemini 2.5 con prompts que incluyen la rúbrica del tenant y la transcripción completa.
La arquitectura multi-tenant maneja la separación de datos a nivel de Firestore (subcolecciones por tenant) y de Cloud Storage (buckets por tenant). Una sola instancia de Cloud Run sirve a todos los tenants, lo que mantiene los costos bajos. Cuando un tenant nuevo entra, se aprovisionan los buckets y subcolecciones desde la consola de admin, sin redeploy.
El producto vive en `qa.citybags.com` para el tenant Citybags. Otros tenants futuros tendrán su propio subdominio o un único panel con login multi-tenant.
04Cómo Claude Code aceleró el desarrollo
Sello es un fork de un proyecto open source (OpenPlaud) adaptado profundamente al caso de uso de QA en ventas. Claude Code fue clave para entender el código heredado, identificar qué partes mantener y qué reescribir, y hacer las modificaciones sin romper la base. Esto es el tipo de trabajo en el que Claude Code brilla, entrar a un codebase ajeno, mantener el contexto completo en mente, y proponer cambios quirúrgicos.
La parte de prompt engineering para la evaluación con rúbrica también vivió en Claude Code: iteramos los prompts hasta que las evaluaciones del LLM se alineaban con el criterio humano del líder comercial. Cada iteración era una sesión donde Claude proponía variantes, las testeábamos contra transcripciones reales, y ajustábamos.
05Resultados
Sello está en producción con Citybags como primer cliente. El líder comercial recibe scores agregados y específicos por vendedor, con citas literales que respaldan cada observación. La plataforma le ahorra al equipo de supervisión decenas de horas semanales de escucha manual.
La arquitectura multi-tenant está validada: agregar un segundo retailer ahora es operativo, no de desarrollo. El producto es un activo escalable para btodigital.
06¿Qué replicamos a clientes?
Si tienes vendedores en punto de venta o asesores en contact center y necesitas entender lo que realmente pasa en sus interacciones, Sello es la herramienta. Si tu caso requiere algo distinto pero del mismo género (evaluar conversaciones con IA contra criterios de negocio), construimos a la medida sobre la misma base. Hablemos.
