En América Latina vender por mensajería ya es habitual, pero la investigación sobre el cliente en ese canal es escasa y casi toda extranjera. Los experimentos disponibles sugieren que un asistente conversacional puede mejorar la conversión, aunque los mismos rasgos que la favorecen se vuelven en contra cuando el servicio falla. La implicación es diseñar la conversación por situaciones, no con una sola personalidad.
Un canal masivo con poca evidencia propia
En Brasil, el 68 % de las empresas con más de diez personas ocupadas vendió por internet en 2025, y el 79 % de ellas lo hizo por WhatsApp o Telegram, por encima del sitio web propio (55 %) y de las redes sociales (40 %) (NIC.br, 2026). En México, el 90,6 % de las personas usuarias de teléfono inteligente usó aplicaciones de mensajería en 2024 (INEGI, 2025).
La investigación no acompaña ese ritmo. Una revisión de 78 artículos sobre IA conversacional y decisiones de compra muestra que la producción se concentra en India, Estados Unidos y China, y señala vacíos en impacto a largo plazo y en ética y transparencia (Lopez-Lopez & Bara Iniesta, 2025). El estudio regional revisado por pares más cercano analiza el asistente virtual de un banco brasileño: 181 millones de interacciones en 2020 y mejoras de agilidad y disponibilidad, pero es un caso único que no mide ventas ni satisfacción (De Andrade & Tumelero, 2022). Aplicar a WhatsApp en la región los experimentos de otros países es, por tanto, una inferencia.
Conversión: la conversación mueve la decisión
| Estudio | Muestra y diseño | Hallazgo |
|---|---|---|
| Schanke et al. (2021) | Experimento de campo con el chatbot de un minorista de ropa de EE. UU. en Facebook Messenger | Humanizar el bot (humor, pausas, presencia social) aumentó las transacciones, pero hizo a los clientes más sensibles al monto ofrecido |
| Adam et al. (2021) | Experimento en línea, N = 153, Alemania | Las señales humanas casi cuadruplicaron las probabilidades (odds) de aceptar una solicitud del bot |
| Crolic et al. (2022) | 34.639 sesiones de una telefónica europea y cuatro experimentos | Con clientes enojados, el bot humanizado redujo la satisfacción y la intención de compra |
| Cai et al. (2024) | Experimento, N = 141, China | Tras una falla de entrega, un estilo social elevó la satisfacción, la confianza y la intención de volver, vía calidez percibida |
Fuente: elaboración propia a partir de los estudios citados.
Schanke et al. (2021) es el estudio más cercano al comercio conversacional: ocurrió en una aplicación de mensajería y midió transacciones reales. La humanización ayudó a cerrar, pero activó una lógica de negociación: los clientes juzgaban con más dureza si la oferta era justa. Adam et al. (2021) encuentran que la presencia social percibida explica el efecto de las señales humanas.
Confianza y experiencia: el mismo rasgo ayuda o daña
No hay un diseño óptimo universal. Crolic et al. (2022) atribuyen el efecto negativo a la violación de expectativas: un bot que parece humano promete más de lo que entrega, y el cliente enojado lo castiga. Gnewuch et al. (2022), con 202 participantes, hallaron que demorar la respuesta tiene efectos opuestos sobre la presencia social y la intención de uso, moderados por la experiencia previa con chatbots.
En 27 entrevistas con clientes de marcas de lujo en Reino Unido, Mrad et al. (2022) encontraron que WhatsApp se valora por su comodidad, por permitir informarse antes de comprar y por acercar la relación con la marca, pero se rechazan la promoción no solicitada, el servicio deficiente y el riesgo de engaño. Es un estudio exploratorio, pero ilustra que en un canal personal un mensaje mal enviado se vive como intrusión.
Aplicaciones prácticas
- Leer el estado del cliente antes de elegir el tono: ante reclamos, un estilo sobrio y una derivación rápida a una persona (Crolic et al., 2022).
- Usar la calidez para recuperar fallas, sin prometer de más (Cai et al., 2024).
- Preparar la conversación de precio: si el asistente humaniza el trato, definir de antemano márgenes y criterios (Schanke et al., 2021).
- Separar conversación solicitada y promoción: la difusión masiva erosiona la confianza (Mrad et al., 2022).
- Medir con datos propios: comparar variantes de saludo, tiempos y derivación contra ventas cerradas, no contra mensajes respondidos.
Para RCKT, la implicación es diseñar cada flujo conversacional según el momento del cliente (consulta, compra, reclamo) y evaluarlo con ventas, no solo con métricas de atención.
Caso simulado (no representa a ninguna empresa real): una tienda de calzado en Lima recibe por WhatsApp consultas de talla, pedidos y reclamos. Su asistente usa un tono cercano para vender, pero ante frases como «todavía no llega» responde breve, informa el estado del pedido y transfiere a una persona. Durante dos meses compara pedidos cerrados y calificaciones entre semanas con y sin esta regla.
Limitaciones
No se encontró ningún estudio revisado por pares que mida conversión o confianza en WhatsApp con consumidores latinoamericanos. Cifras de prensa sobre uso de WhatsApp por mipymes colombianas no pudieron verificarse en su fuente y se excluyeron. Los datos de Brasil agrupan WhatsApp y Telegram y excluyen empresas de menos de diez personas. Casi todos los experimentos son anteriores a la IA generativa y usan muestras de Europa, Estados Unidos y China.
Conclusión
El comercio conversacional en WhatsApp avanza en América Latina más rápido que su propia evidencia, pero lo que sí puede afirmarse es que la conversación influye en la compra y que la humanización es un arma de doble filo. La ventaja no está en automatizar más mensajes, sino en que cada empresa sepa cuándo ser cercana, cuándo ser breve y cuándo pasar la conversación a una persona.
Referencias
Adam, M., Wessel, M., & Benlian, A. (2021). AI-based chatbots in customer service and their effects on user compliance. Electronic Markets, 31, 427–445.
Cai, N., Gao, S., & Yan, J. (2024). How the communication style of chatbots influences consumers' satisfaction, trust, and engagement in the context of service failure. Humanities and Social Sciences Communications, 11, 687.
Crolic, C., Thomaz, F., Hadi, R., & Stephen, A. (2022). Blame the bot: Anthropomorphism and anger in customer–chatbot interactions. Journal of Marketing, 86(1), 132–148.
De Andrade, I. M., & Tumelero, C. (2022). Increasing customer service efficiency through artificial intelligence chatbot. Revista de Gestão, 29(3), 238–251.
Gnewuch, U., Morana, S., Adam, M. T. P., & Maedche, A. (2022). Opposing effects of response time in human–chatbot interaction: The moderating role of prior experience. Business & Information Systems Engineering, 64(6), 773–791.
Instituto Nacional de Estadística y Geografía. (2025). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2024 (Reporte de resultados 9/25).
Lopez-Lopez, D., & Bara Iniesta, M. (2025). The impact of conversational AI on consumer decision-making: A systematic review and cluster analysis. International Journal of Engineering Business Management, 17.
Mrad, M., Farah, M., & Mehdi, N. (2022). WhatsApp communication service: A controversial tool for luxury brands. Qualitative Market Research, 25(3), 337–360.
Núcleo de Informação e Coordenação do Ponto BR. (2026). TIC Empresas 2025: resumo executivo. CGI.br.
Schanke, S., Burtch, G., & Ray, G. (2021). Estimating the impact of "humanizing" customer service chatbots. Information Systems Research, 32(3), 736–751.
