Estos 10 casos cubren las operaciones más comunes que cualquier agente compatible con MCP puede ejecutar contra Aurora Inbox: triage de bandeja, follow-up automatizado, enriquecimiento de CRM, calificación BANT, recordatorios, encuestas, reportes ad-hoc, onboarding masivo y operación híbrida humano-bot. Aurora MCP expone 30+ herramientas que cubren ventas, soporte, marketing y ops — aquí ves para cada caso las tools concretas, el prompt al agente y el resultado que obtienes.
Antes de empezar
Para correr cualquiera de estos casos necesitas tres cosas:
- Un workspace de Aurora Inbox (el trial gratuito sirve).
- Una clave Platform API
ak_live_*generada en el Developer Portal. - Un agente compatible con MCP: Claude Code, Codex CLI, Cursor, Claude Desktop, VS Code Copilot o un agente custom con el SDK de MCP.
Si todavía no tienes el setup, repasa qué es MCP aplicado a WhatsApp y la guía de conectar Claude Code a Aurora. Cinco minutos y estás listo.
Caso 1 — Triage matutino de bandeja sin contestar
Tools usadas: search_chats, get_chat, send_message (con note=true).
Prompt al agente:
Busca en Aurora todos los chats sin contestar de las últimas 24 horas. Para cada
uno, lee el último mensaje del cliente y deja una nota interna con un resumen
de una línea y la prioridad (alta/media/baja) según si menciona dinero, urgencia
o queja. No respondas al cliente, solo notas internas.
Qué hace: el agente llama search_chats(unanswered=true), pagina los 25 resultados por página, y para cada chat invoca get_chat(id) para leer el último turno. Resume con una sola línea, asigna prioridad y manda send_message(chatId, text, note=true) — la nota queda visible solo para el equipo, nunca llega al cliente.
Resultado: abres Aurora a las 8 AM y cada chat sin contestar ya tiene un resumen y prioridad. El equipo decide a quién atacar primero sin leer hilos completos. Riesgo cero porque ningún mensaje sale al cliente.
Caso 2 — Auto-respuesta a leads no contestados después de 72 horas
Tools usadas: search_chats(unanswered=true), get_chat, send_message.
Prompt al agente:
Busca chats donde el último mensaje sea del cliente y tenga más de 72 horas
sin respuesta nuestra. Manda un follow-up corto, amable, en español neutro,
preguntando si todavía necesita ayuda. Espera 1 segundo entre envíos para
respetar el rate limit de Aurora.
Qué hace: filtra search_chats(unanswered=true), descarta los que ya tienen actividad reciente, redacta un follow-up personalizado leyendo contexto con get_chat, y envía con send_message. El rate limit de 1 mensaje/segundo por tenant se respeta automáticamente — si lo excede, Aurora devuelve Rate limit exceeded… retry after 1s.
Resultado: recuperas leads dormidos que de otra manera quedaban abandonados. Empieza con un canal piloto de bajo riesgo (no clientes top), mide tasa de respuesta y luego escala.
Caso 3 — Enriquecimiento de CRM desde el chat
Tools usadas: get_chat, get_contact, update_contact, list_contact_properties, create_opportunity.
Prompt al agente:
Para los chats que tuvieron actividad ayer, lee el contenido y extrae
empresa, cargo, industria y tamaño de equipo si lo mencionan. Actualiza el
contacto con `update_contact` usando las custom properties existentes. Si
detectas intent de compra, abre una oportunidad en el equipo de ventas.
Qué hace: lista propiedades custom con list_contact_properties para saber qué campos tiene el tenant. Lee el chat con get_chat, extrae datos del texto, llama update_contact con los valores nuevos y create_opportunity(chatId, teamId) cuando detecta intent.
Resultado: tu CRM se enriquece solo con cada conversación. Sin que el rep tenga que llenar formularios después de cada llamada de WhatsApp. Los datos quedan disponibles para segmentación y reportes.
Caso 4 — Calificación BANT automatizada
Tools usadas: get_chat, update_contact, create_opportunity, update_opportunity (con dealAmount, followUpDate, stageId).
Prompt al agente:
En los chats nuevos del último día, evalúa BANT (Budget, Authority, Need,
Timing). Si el lead califica los 4, abre oportunidad con monto estimado y
fecha de follow-up a 7 días. Si califica 2-3, marca como "nurture". Si
califica 0-1, ignora. Guarda los flags BANT en custom properties del contacto.
Qué hace: el agente lee el chat, evalúa BANT contra el texto, actualiza custom properties (bant_budget, bant_authority, etc.) con update_contact, y para los calificados llama create_opportunity seguido de update_opportunity(stageId, assignedUserId, followUpDate, dealAmount).
Resultado: SDR humano se enfoca solo en oportunidades pre-calificadas. Los nurture quedan en una segmentación para drip de marketing. Reduce tiempo perdido en leads no listos.
Caso 5 — Recuperación de carritos abandonados (ecommerce)
Tools usadas: webhook entrante de tu plataforma → upsert_contact → create_chat → send_message.
Prompt al agente:
Cada vez que llegue un evento "cart_abandoned" de Shopify a mi endpoint,
toma el teléfono del comprador, hazle upsert en Aurora, abre un chat de
WhatsApp Cloud y manda un mensaje recordando los productos en el carrito
y un enlace al checkout. Si ya hay un chat abierto, reúsalo.
Qué hace: tu agente queda escuchando el webhook de Shopify (o cualquier ecommerce). Al recibir el evento, llama upsert_contact(phone, name, email) que crea o actualiza el contacto keyed por teléfono. Luego create_chat(contactId, channelId, channelType=0) abre conversación en WhatsApp Cloud API. Finaliza con send_message.
Resultado: carritos recuperados en minutos en vez de horas. Sin que tu equipo tenga que tocar nada — el agente corre 24/7. La tasa de recuperación típica sube 10-20% sobre solo email.
Caso 6 — Recordatorios de cita el día anterior
Tools usadas: integración de calendario (Google Calendar / Outlook) → list_contacts → create_chat → send_message.
Prompt al agente:
Cada noche a las 8 PM, lee mi Google Calendar de mañana. Para cada cita con
un cliente, busca su contacto en Aurora con `list_contacts(search=email)`,
abre o reusa el chat de WhatsApp y manda un recordatorio con hora, lugar y
botón de confirmación.
Qué hace: el agente combina su acceso al calendario (vía MCP de Google o tu integración custom) con las tools de Aurora. Hace match del email del invitado con list_contacts(search=email), abre el chat con create_chat si no existe, y envía recordatorio con send_message.
Resultado: baja la tasa de no-show 30-40% típicamente. Útil para clínicas, talleres mecánicos, asesores legales, gimnasios y cualquier negocio basado en cita.
Caso 7 — Encuestas post-conversación con NPS
Tools usadas: create_webhook (events: chat.closed) → trigger en tu infraestructura → send_message → log resultado.
Prompt al agente:
Crea un webhook en Aurora que escuche el evento `chat.closed`. Cuando llegue,
espera 30 minutos y manda al cliente un mensaje preguntando "Del 0 al 10,
¿qué tan probable es que nos recomiendes?". Guarda la respuesta en una
custom property `nps_score` y promedia por agente cada semana.
Qué hace: el agente crea el webhook con create_webhook(url, events=["chat.closed"], description). Aurora devuelve un secret una sola vez para validar firmas. Tu endpoint recibe los eventos, agenda el envío en 30 min y llama send_message. La respuesta se guarda con update_contact(custom_properties).
Resultado: NPS continuo, ligado a cada agente que cerró el chat. Útil para identificar reps top y reps que necesitan training. Máximo 5 webhooks por tenant — usa los slots con cuidado.
Caso 8 — Reportes ad-hoc en lenguaje natural
Tools usadas: search_chats con varios filtros, list_contacts, list_chat_opportunities.
Prompt al agente:
¿Cuántos chats sin respuesta tengo de la última semana, agrupados por canal?
¿Qué oportunidades de >$50,000 MXN están sin asignar? ¿Cuántos contactos
nuevos llegaron por WhatsApp Cloud vs Messenger este mes?
Qué hace: el agente compone múltiples llamadas a search_chats(unanswered=true, channelId, page) paginando los 25 resultados por página, suma por canal, llama list_chat_opportunities con filtro de monto, y list_contacts(createdAfter, createdBefore) para los conteos. Devuelve la respuesta en lenguaje natural con tablas.
Resultado: dashboards bajo demanda sin construir un dashboard. Especialmente útil para C-level que pregunta cosas distintas cada semana — el agente arma el query y entrega en segundos.
Caso 9 — Onboarding de equipos nuevos en bulk
Tools usadas: invite_user, assign_team, upsert_contact masivo desde CSV.
Prompt al agente:
Tengo este CSV con 30 nuevos vendedores y 500 contactos heredados. Crea los
usuarios en el equipo Ventas, importa los contactos asignándolos a los
vendedores correctos según la columna "owner_email" del CSV. Manda un
mensaje de bienvenida a cada contacto desde el chat del vendedor asignado.
Qué hace: el agente parsea el CSV, llama invite_user por cada vendedor y assign_team para asignarlos al equipo Ventas. Luego itera los 500 contactos con upsert_contact(name, phone, email, companyName). Para cada contacto, busca al vendedor por email, abre chat con create_chat y manda bienvenida con send_message — siempre respetando el rate limit de 1/seg.
Resultado: onboarding que tomaba 2 días al ops manager se hace en 30 minutos desde la terminal. Cero errores de captura, todo registrado en el audit log de Aurora.
Caso 10 — Operación híbrida agente front-line + humano back-office
Tools usadas: list_chat_chatbots, start_chatbot, stop_chatbot, search_chats(unanswered=true), assign_chat_agents.
Prompt al agente:
Activa el chatbot de soporte en chats nuevos donde el cliente pregunte sobre
horarios, precios o políticas. Si después de 2 turnos el cliente sigue
insatisfecho (detectado vía sentiment), pausa el bot y asigna al humano de
turno del equipo de soporte.
Qué hace: el agente lista chatbots disponibles con list_chatbots, identifica el de soporte y lo activa con start_chatbot(chatId, chatbotId). Monitorea con search_chats(unanswered=true) e get_chat. Si detecta frustración, llama stop_chatbot e assign_chat_agents(chatId, userIds) para escalar al humano de turno.
Resultado: el bot resuelve 60-70% del volumen rutinario. El humano solo recibe los casos donde aporta valor real. Cero clientes atrapados en loop con un bot que no entiende.
Cómo combinar varios casos en un workflow continuo
Estos casos no son aislados. El mismo agente puede correr triage cada hora (caso 1), mandar follow-ups cada noche (caso 2), enriquecer CRM en tiempo real (caso 3), calificar BANT en cuanto entran leads nuevos (caso 4) y entregar reporte de NPS cada lunes (caso 7) — todo desde un solo Cron del developer apuntando a Aurora MCP. Cada llamada queda en el audit log con el keyId que la ejecutó, así separas qué hizo cada agente. Una sola clave, un solo endpoint, todos los casos.
Recomendaciones para empezar
- Empieza con el caso 1 (triage) que tiene riesgo cero — solo lee chats y deja notas internas. Cero mensajes al cliente, cero exposición.
- Prueba el caso 2 (follow-up) en un canal o segmento no crítico primero — un canal de leads fríos antes de uno de clientes premium.
- Mide antes de expandir — tasa de respuesta, NPS post-bot, oportunidades calificadas vs creadas. Sin métrica no sabes si el agente aporta.
- Uso
note=truedurante experimentación para que el agente "ensaye" mensajes sin enviarlos al cliente. Cuando estés conforme con el output, quítalo. - Mantén un humano siempre disponible para escalar — el caso 10 es la red de seguridad. Nunca dejes a un cliente atrapado con un agente que no resuelve.
Cómo lo hace Aurora MCP
Aurora MCP da el sustrato para los 10 casos sin que tengas que construirlo: una clave ak_live_* reusa tu Platform API, audit log nativo separa qué hizo cada agente, rate limits protegen tu calidad de número en Meta, y el CRM detrás guarda contactos y oportunidades para que cada caso se sume al histórico. El plan Aurora IA $179 USD/mes ($3,200 MXN) ya incluye GPT-5, RAG, agendamiento y MCP server — no necesitas comprar piezas separadas. Empieza tu prueba gratuita y corre el caso 1 en tu primer día.
Perguntas frequentes
¿Necesito programar para correr estos casos?
Para los casos 1-4 y 8 no — solo prompts en lenguaje natural a Claude Code, Codex o Cursor. Para los casos 5, 7 y 9 sí necesitas mínimo un endpoint que reciba webhooks o lea CSVs; un script de ~50 líneas en Python o Node basta. Revisa la comparativa de agentes MCP para elegir cliente.
¿Qué pasa si el agente comete un error?
Aurora valida cada llamada (campos requeridos, GUIDs válidos, roles del usuario) y devuelve errores tipados. El agente recibe el error y puede reintentar o escalar al humano. Para experimentación, usa note=true en send_message — la nota queda interna y no llega al cliente.
¿Hay costo del LLM además de Aurora?
Sí — Aurora MCP no incluye el costo de Claude, GPT o Gemini cuando usas el agente desde tu cliente local. Si usas el chatbot embebido de Aurora (caso 10), GPT-5 ya viene incluido en Aurora IA. Si corres Claude Code en tu máquina, pagas Anthropic aparte.
¿Se puede limitar qué tools usa el agente?
Sí. Cada clave ak_live_* queda scoped al tenant y al rol del usuario asociado. Tools sensibles como delete_contact requieren rol Contact Administrator. Genera claves separadas por agente o por humano y revoca individualmente desde el Developer Portal.
¿Hay un audit log de lo que hace cada agente?
Sí. Cada llamada al MCP queda registrada con el keyId que la originó, timestamp, herramienta invocada y respuesta. Útil para investigar incidentes y para compliance. El log es nativo, no tienes que construirlo.
¿Estos casos sirven en B2B y B2C?
Sí. Los casos 1, 2, 3, 4, 7, 8 y 10 aplican igual en B2B y B2C. El caso 5 (carritos) es típicamente B2C. El caso 6 (citas) y el 9 (onboarding bulk) sirven en ambos. Si tu giro depende mucho de catálogo, agendamiento o multi-canal, revisa también Aurora MCP vs WhatsApp Cloud API directa e qué es WhatsApp agéntico.
