Chatbot con los datos de tu empresa: cómo se hace con tool calling y MCP

Un chatbot que solo «charla» aporta poco. Uno que responde con datos reales de tu empresa —stock, pedidos, precios, documentación— resuelve consultas de verdad. Se consigue con tool calling y, si quieres reutilizar las herramientas, con MCP. Así se plantea.

Por qué falla un chatbot sin datos

Un modelo de lenguaje no conoce tu información. Si le preguntas por un pedido, o se inventa una respuesta plausible o admite que no lo sabe. Ninguna de las dos opciones sirve a un cliente. La solución es que el chatbot consulte tus sistemas en el momento de responder.

La arquitectura básica

Paso a paso

1. Elegir el caso de uso. Por ejemplo: «¿dónde está mi pedido?» o «¿tenéis este producto?». Mejor uno claro que muchos difusos.
2. Definir las herramientas. Una por acción: «consultar estado de pedido», «consultar stock». Cada una con un nombre claro y parámetros bien descritos.
3. Implementarlas con validación. Se comprueban las entradas y se devuelve solo la información necesaria.
4. Conectar el modelo. El modelo recibe las herramientas y decide cuándo llamarlas. Con MCP, esas herramientas se pueden reutilizar en otros modelos y aplicaciones.
5. Definir límites. Qué puede responder, qué no y cuándo derivar a una persona.
6. Evaluar. Se prueba con preguntas reales, incluidas las difíciles, antes de publicar.

Ejemplo ilustrativo: un pedido en una tienda online

El cliente escribe: «¿Dónde está mi pedido 1234?». El modelo identifica que necesita la herramienta de estado de pedido y la llama con el número. La herramienta comprueba que el cliente puede ver ese pedido, consulta la base de datos y devuelve el estado y la fecha estimada. El chatbot redacta la respuesta. Si el pedido no existe o hay una incidencia, deriva a una persona con el contexto resumido.

Seguridad y privacidad

• El modelo nunca debe tener acceso directo a la base de datos: solo a herramientas acotadas.
• Comprueba siempre en la herramienta quién pregunta y qué datos le corresponden.
• Devuelve solo los campos necesarios, no registros completos.
• Registra cada llamada para poder auditar.
• Define qué datos personales llegan al modelo, con qué proveedor y bajo qué condiciones, conforme al RGPD.

Errores frecuentes

• Dar al modelo una herramienta genérica de «ejecutar consulta» sobre toda la base de datos.
• Herramientas con nombres y descripciones ambiguos, que el modelo usa mal.
• No validar los parámetros en la herramienta y fiarse de lo que diga el modelo.
• Publicar sin evaluar con preguntas reales.
• No prever cuándo el chatbot debe pasar la conversación a una persona.

Cómo saber si funciona

• Prepara un conjunto de preguntas reales de clientes, incluidas las difíciles y las que el chatbot no debería responder.
• Comprueba que cada respuesta con datos coincide con lo que hay en tus sistemas.
• Revisa el registro de herramientas usadas para detectar llamadas innecesarias o erróneas.
• Mide cuántas conversaciones se derivan a una persona y por qué.
• Repite la evaluación cada vez que cambies el modelo, las herramientas o las instrucciones.

Conclusión

Un chatbot útil es, sobre todo, un buen conjunto de herramientas bien diseñadas y seguras. El modelo es la parte que conversa; el valor está en lo que puede consultar y hacer, y en los límites que tú pones. Construyo este tipo de soluciones a medida; en la página de servicios tienes el detalle.