ChatBot IA para hoteles: como montamos uno sin cuotas mensuales (caso real)

Este no es un articulo teorico sobre chatbots. Es la historia real de como montamos un asistente de IA en el Hotel Bahia Tropical (Almunecar, Granada) que atiende huespedes 24/7 sin pagar un centimo por consulta.

El problema

Recepcion del Hotel Bahia Tropical. Temporada alta. Tres recepcionistas atendiendo a la vez check-ins, llamadas de telefono y un flujo constante de huespedes preguntando lo mismo:

"Cual es la contrasena del WiFi?"
"A que hora abre el buffet?"
"Como llego a la playa desde el hotel?"
"Hay excursiones por la zona?"
"Puedo reservar una hamaca?"
"Tiene el spa horario de manana?"

Estas preguntas se repetian decenas de veces al dia. Cada una interrumpia al personal, que deberia estar gestionando reservas, resolviendo incidencias o simplemente ofreciendo una atencion de calidad.

El coste no era solo economico (horas de personal). Era de experiencia del huesped: colas en recepcion, esperas al telefono, respuestas apresuradas.

Las opciones que descartamos

1. Chatbot cloud (Dialogflow, ChatGPT API)

Lo primero que valoramos. Ventajas: rapido de montar. Inconvenientes:

Coste por consulta: 0,02-0,10 EUR cada una. Con 500 consultas/mes, salen 150-600 EUR/ano solo en API. Creciendo cada ano
Datos fuera del hotel: las consultas de los huespedes (nombres, preferencias, preguntas personales) viajan a servidores de Google o OpenAI
Dependencia: si la API cambia de precio o se cae, nuestro chatbot deja de funcionar
RGPD: necesitariamos contratos de procesamiento de datos, informar al huesped de que sus datos salen del hotel...

Para un hotel que maneja datos de huespedes de toda Europa, la cuestion de la privacidad no es un detalle. Es un riesgo legal real.

2. Chatbot basado en reglas

Un arbol de decisiones: "Si pregunta X, responde Y". Ventaja: no necesita IA. Inconveniente: rigido. Si el huesped formula la pregunta de forma ligeramente diferente, no funciona. Y mantener el arbol de reglas actualizado es un trabajo manual constante.

3. Lo que elegimos: IA local con Ollama

Un modelo de lenguaje open source corriendo en un servidor dentro del hotel. Sin APIs externas, sin cuotas, sin datos que salgan del edificio.

La solucion tecnica

Arquitectura

Huesped (movil/web/WhatsApp/Telegram)
        │
        ▼
   Widget / Bot
        │
        ▼
   API REST (backend)
        │
   ┌────┴────┐
   │         │
   ▼         ▼
Ollama    Base de
(LLM)     conocimiento
           (RAG)
        │
        ▼
  Servidor local
  256 GB RAM DDR4
  (dentro del hotel)

Componentes

Modelo de lenguaje: Ollama corriendo Qwen 2.5 (excelente en multiidioma — nuestros huespedes hablan espanol, ingles, aleman, frances y holandes)

Sistema RAG: Base de conocimiento vectorial con toda la informacion del hotel:

Habitaciones (tipos, precios, servicios incluidos)
Restaurantes (menus, horarios, alergenos)
Spa (tratamientos, horarios, reservas)
Entorno (playas, excursiones, transporte, vida nocturna)
FAQ del hotel (WiFi, parking, check-in/out, politicas)
Horarios de actividades y animacion

Canales:

Widget web embebido en la web del hotel y web de animacion
WhatsApp Business (los huespedes escriben al numero del hotel)
Bot de Telegram

Backend: API REST que recibe la pregunta, busca contexto relevante en la base de conocimiento (RAG), y genera la respuesta con el LLM.

El servidor

Un servidor dedicado de 256 GB de RAM DDR4 instalado en la sala tecnica del hotel. Este mismo servidor tambien corre el sistema de Food Waste (vision artificial para buffet).

Coste del servidor: no incluido en el presupuesto del chatbot porque da servicio a multiples proyectos. Pero para dar contexto: un servidor asi cuesta entre 5.000-8.000 EUR como compra unica.

El entrenamiento

No hacemos "fine-tuning" del modelo (no reentrenamos los pesos). Usamos RAG (Retrieval Augmented Generation):

Recopilamos toda la informacion del hotel en documentos estructurados
Los convertimos en vectores (embeddings) y los almacenamos en una base vectorial
Cuando el huesped pregunta algo, buscamos los documentos mas relevantes
Le pasamos esos documentos al LLM como contexto para que genere la respuesta

Ventaja de RAG vs fine-tuning: actualizar la informacion es tan facil como editar un documento. Cambia el horario del buffet? Editas el documento y el chatbot ya lo sabe. Sin reentrenar nada.

Resultados despues de 3 meses

| Metrica | Antes | Despues | |---------|-------|---------| | Consultas repetitivas en recepcion | ~80/dia | ~25/dia | | Tiempo medio de respuesta | 3-5 min (cola) | < 5 segundos | | Idiomas soportados | 2 (ES/EN) | 5 (ES/EN/DE/FR/NL) | | Horario de atencion | 8:00-23:00 | 24/7 | | Coste por consulta | ~1,50 EUR (tiempo personal) | 0 EUR | | Datos fuera del hotel | N/A | 0 (todo local) | | Satisfaccion huesped (encuesta) | 7,2/10 | 8,5/10 |

La reduccion de carga en recepcion

De ~80 consultas repetitivas al dia a ~25. Las que quedan son las que requieren intervencion humana real (incidencias, peticiones especiales, quejas). El personal ahora dedica ese tiempo a lo que importa: atencion de calidad.

El coste evitado

500 consultas/mes × 12 meses = 6.000 consultas/ano.

Si usaramos ChatGPT API: ~360-600 EUR/ano en consultas. Con Ollama local: 0 EUR/ano.

En 5 anos, el ahorro solo en APIs es de 1.800-3.000 EUR. Pero el ahorro real esta en el tiempo del personal: estimamos ~40 horas/mes liberadas, que a coste de personal equivalen a 800-1.200 EUR/mes.

Lo que aprendimos

1. El RAG es mejor que el fine-tuning para hoteles

La informacion de un hotel cambia constantemente: horarios, menus, actividades, ofertas. Con RAG, actualizar es instantaneo. Con fine-tuning, tendrias que reentrenar el modelo cada vez. No es viable.

2. Multiidioma gratis

Con modelos como Qwen 2.5, el multiidioma viene de serie. No tuvimos que hacer nada especial: el huesped escribe en aleman, el bot responde en aleman. Sin configurar nada.

3. WhatsApp es el canal rey

El 70% de las interacciones llegan por WhatsApp. Los huespedes ya tienen el numero del hotel guardado y les resulta natural escribir ahi. El widget web se usa menos, pero es util para quienes aun no han llegado al hotel.

4. Hay que supervisar las primeras semanas

Los primeros 30 dias revisamos las conversaciones a diario. Encontramos respuestas incorrectas (horarios desactualizados, informacion imprecisa sobre excursiones) y actualizamos la base de conocimiento. Despues del ajuste inicial, la supervision pasa a ser semanal.

5. El personal lo adopto rapido

Al principio habia escepticismo ("esto no va a funcionar", "los huespedes quieren hablar con personas"). Pero cuando vieron que las preguntas repetitivas desaparecian y podian centrarse en atencion real, el equipo se convirtio en el principal defensor del sistema.

Coste total del proyecto

| Concepto | Importe | |----------|---------| | Desarrollo backend (API + RAG + Ollama) | 3.200 EUR | | Desarrollo frontend (widget web) | 1.200 EUR | | Integracion WhatsApp Business | 1.000 EUR | | Integracion Telegram | 400 EUR | | Entrenamiento base de conocimiento | 1.400 EUR | | Puesta en marcha + 30 dias supervision | 800 EUR | | Total | 8.000 EUR | | Coste recurrente anual | 0 EUR (consultas) + mantenimiento |

Comparado con una solucion cloud equivalente que cobraria 200-600 EUR/mes en licencia + APIs, este sistema se paga solo en 12-18 meses. Y a partir de ahi, todo es ahorro.

Tienes un hotel y quieres montar un chatbot asi? O cualquier otro negocio con atencion al cliente repetitiva? Hablemos. La primera consultoria es gratuita.