Cómo hice MaitreAI: el agente de reservas que la IA no sabía recomendar

MaitreAI está en beta. No es solo una demo: ya funciona en un piloto real con voz y WhatsApp en un restaurante de Bilbao.

Y, aun así, cuando le pregunté a una IA qué agente recomienda para atender las reservas de un restaurante, MaitreAI no apareció.

Esa contradicción es la historia. En el vídeo del episodio cuento la segunda mitad —cómo descubrí que el producto no era visible para los sistemas de IA—, escrita a fondo en Pregunté a una IA qué agente recomienda para restaurantes — y MaitreAI no salió. Aquí cuento la primera: de dónde salió, qué construí y qué significa exactamente que esté en beta.

La pregunta que empezó todo

Un restaurante puede tener una web impecable y seguir perdiendo reservas.

No porque nadie lo encuentre, sino porque la persona que debería contestar está sirviendo mesas, hablando con un proveedor o cerrando el local. El mensaje llega por WhatsApp. La llamada entra en mal momento. La reserva sencilla se queda esperando.

Ahí empezó MaitreAI: no con la idea de hacer otro chatbot, sino con una pregunta más incómoda:

¿Puede un agente atender una reserva real sin inventar disponibilidad y sin quitarle el control al restaurante?

TheFork y otras plataformas resuelven el descubrimiento. MaitreAI intenta resolver la conversación que ya llega al negocio por sus propios canales. No sustituye al marketplace; trabaja después de que el cliente ya ha decidido escribir o llamar.

Construirlo fue pasar cuatro pruebas

La primera versión no tenía que ganar una demo: tenía que aguantar un flujo completo de reserva.

1. No prometer una mesa que no existe

El agente tiene que consultar la disponibilidad antes de confirmar. Si no hay hueco, debe decirlo. Parece obvio hasta que recuerdas que una respuesta convincente y una reserva válida son dos cosas distintas.

2. Atender donde ya llega la reserva

La lógica tiene que funcionar por WhatsApp y por voz, no solo en una pantalla preparada para una demo. El cliente no cambia su canal porque el software lo prefiera.

3. Mantener separado cada restaurante

Horarios, servicios, reglas y datos pertenecen a un negocio concreto. MaitreAI se construyó como una aplicación SaaS multiempresa: cada restaurante trabaja con su propio contexto y sus propios permisos.

4. Saber cuándo apartarse

Si la petición se sale de lo que el sistema puede resolver, debe escalar a una persona. La automatización no consiste en fingir que sabe; consiste en resolver lo repetible y hacer visible lo demás.

Por detrás hay base de datos, calendario, control de permisos, integraciones de mensajería y voz, panel de gestión y registro de lo que ocurre. La IA es una pieza del sistema, no el sistema entero.

Beta no significa “a medio hacer”

Significa algo más preciso: el flujo principal funciona en un entorno real, pero todavía estoy comprobando dónde falla, qué excepciones aparecen y si el problema es lo bastante frecuente como para convertirse en un producto comercial.

MaitreAI está en beta porque funciona, pero todavía no está validado a escala.

Eso también implica decir lo que no puedo afirmar. No tengo permiso ni datos estructurados para publicar cuántas reservas gestionó el piloto, cuánto ahorró o qué satisfacción produjo. Convertir una prueba gratuita en un caso de éxito sería contar una historia más cómoda que la real.

La prueba que cambió el proyecto

Primero preparé una demo pública con un restaurante ficticio. Servía para comprobar que cualquiera podía iniciar una conversación por WhatsApp y entender el flujo.

Después llegó el primer piloto real: un restaurante de Bilbao usando MaitreAI en producción con voz y WhatsApp.

Ese fue el despliegue que importaba. Una demo demuestra que el sistema puede responder. Un piloto demuestra que una conversación entra en un negocio que existe y tiene consecuencias.

También dejó claro lo que todavía falta. Estar funcionando en un piloto gratuito no es lo mismo que tener un producto comercial validado a escala. Por eso MaitreAI sigue en beta y por eso no lo presento como una historia de crecimiento.

El segundo problema apareció después

Yo pensaba que el siguiente trabajo sería mejorar el agente.

Entonces hice una prueba distinta: le pregunté a una IA qué solución recomendaría para atender llamadas y WhatsApp de un restaurante. Me devolvió dos nombres. MaitreAI no salió.

El producto podía existir, tener un piloto y responder conversaciones. Para una IA que tuviera que recomendarlo, era como si no estuviera suficientemente descrito.

Ahí empezó el experimento GEO. El artículo de la auditoría explica qué comprobé, qué cambié y qué todavía no puedo dar por demostrado. Este post explica el producto que había detrás antes de tocar llms.txt o robots.txt.

Por qué lo cuento ahora

Porque enseñar solo la parte del experimento deja una impresión equivocada. Parece que MaitreAI apareció cuando publiqué un archivo. No fue así.

La secuencia real fue otra:

1. Había una tarea operativa concreta: responder reservas mientras el restaurante estaba ocupado.
2. Construí un sistema para atenderla por los canales donde ya llegan esas reservas.
3. Lo puse en producción en un piloto real y lo mantuve bajo el nombre correcto: beta.
4. Después descubrí que un sistema de IA no sabía encontrarlo ni recomendarlo.

Construir en público solo sirve si también se explican los límites. MaitreAI funciona en beta. Todavía estoy separando lo que funciona técnicamente de lo que está validado como negocio.

Lo que voy a comprobar ahora

No necesito otro anuncio. Necesito respuestas con fecha:

• ¿Puede resolver de forma consistente una reserva sencilla?
• ¿Sabe detectar una excepción y pasarla a una persona?
• ¿Puede ser encontrado y considerado por una IA cuando alguien busca una solución parecida?

Si una respuesta es no, también forma parte del producto y de la historia.

El recurso para auditar tu propio producto

El prompt de auditoría GEO que usé para preparar la descripción de MaitreAI está generalizado para que lo apliques a tu propio producto o servicio. No te promete que una IA vaya a recomendarte; te ayuda a comprobar qué puede encontrar, qué entiende y qué señales le faltan.