Hellolia — Lia, el Chatbot IA para E-commerce

Hellolia · Chatbot IA para E-commerce

Hellolia es una plataforma SaaS B2B que ofrece Lia, un chatbot de inteligencia artificial diseñado específicamente para tiendas online. El sistema automatiza la atención al cliente 24/7 — responde preguntas sobre productos, envíos, tallas y políticas — y cuando detecta una consulta compleja o un cliente frustrado, escala automáticamente a un agente humano con todo el historial.

🏗️ Arquitectura del sistema

Monorepo con 5 aplicaciones independientes y 6 paquetes compartidos:

• Landing (Next.js 14, port 5004) — sitio de marketing con i18n ES/EN
• API (Next.js 14, port 5000) — backend multi-tenant con 50+ endpoints REST
• Dashboard (Next.js 14, port 5002) — panel de control de cada tenant
• Admin (Next.js 14, port 5003) — superadministración de la plataforma
• Widget (Vite, port 5001) — script embebible sin conflictos CSS con el host

Paquetes compartidos: @ai-support/database, @ai-support/ai, @ai-support/escalation, @ai-support/payments, @ai-support/skills, @ai-support/webhooks

🧠 Stack Tecnológico

• Frontend: React 18, Next.js 14, TypeScript, Tailwind CSS
• Backend: Next.js API Routes, Node.js 18+
• Base de datos: PostgreSQL + Prisma ORM (30 modelos de datos)
• IA: Anthropic Claude (por defecto), OpenAI GPT, Google Gemini — seleccionable por tenant
• Pagos: Stripe + PayPal, planes mensuales con webhooks de facturación
• Email: Brevo para notificaciones transaccionales y alertas de escalado
• Seguridad: Encriptación AES-256 para API keys, rate limiting por IP y plan, RGPD

⚙️ El reto técnico más complejo: Skills transaccionales

El sistema de skills permite que el chatbot ejecute acciones reales en la tienda directamente desde la conversación. El flujo es:

1. El LLM detecta la intención ("quiero aplicar este cupón")
2. El sistema extrae los parámetros necesarios del texto
3. Pide confirmación al usuario en lenguaje natural
4. Si confirma, ejecuta la acción en la base de datos
5. Responde con el resultado real

Implementé validación de parámetros, estados (pending/confirmed/cancelled) y rollback en caso de error. El reto principal fue hacer que el LLM supiera cuándo había suficiente información para ejecutar vs. cuándo necesitaba pedir más datos.

📊 Análisis de sentimiento

Cada mensaje del usuario pasa por análisis de sentimiento en tiempo real (positive / neutral / negative / frustrated). Cuando el score baja del umbral configurado por el tenant, el sistema escala automáticamente a soporte humano, enviando notificación al equipo con el contexto completo. Esta feature ha demostrado ser la que más reduce el churn.

📈 Métricas del proyecto

• 5 apps + 6 paquetes en producción sobre un monorepo cohesionado
• 50+ endpoints de API con autenticación multi-tenant
• 30 modelos de base de datos, aislamiento completo por tenant
• 3 proveedores de IA soportados, configurable por tenant
• Reducción de hasta 80% del volumen de tickets en tiendas que lo implementan