Hola! Te he enviado un mensaje por WhatsApp con más información sobre nuestro equipo y experiencia. Podemos encajar muy bien con el proyecto. 
Hola, vi tu búsqueda del sistema de soporte con IA para la procesadora. Puedo colaborar como contractor en una primera fase de n8n/API: clasificación de consultas, respuestas sugeridas para FAQs aprobadas, consultas de solo lectura a APIs, persistencia de contexto, escalado humano, deduplicación, pruebas y documentación. Separaría desde el inicio las consultas informativas de cualquier acción sensible sobre pagos, que quedaría sujeta a aprobación humana. En AxonHex trabajé en integraciones de WhatsApp Cloud API/webhooks, CRM/Calendar y flujos de IA; también desarrollé Agent Habitat (orquestación multiagente) y RelevaFinales (automatización de procesos). Para ser transparente, mi experiencia comercial con n8n aún está creciendo y mis ejemplos propios son proyectos internos/locales, no despliegues de clientes; puedo compartir mi portafolio técnico por privado. Propongo iniciar con un piloto pagado acotado; referencia USD 8/h, ajustable al alcance. Disponibilidad semanal y plazo del piloto a acordar con el canal, muestras anonimizadas, APIs y criterios de aceptación definidos. ¿Qué canal de soporte y presupuesto prevén para la primera etapa?
Hi!
I’m interested in your AI Customer Support automation project.
I build AI-powered business automation systems using n8n, OpenAI/LLMs, APIs, webhooks, and CRM/database integrations. I have several working projects with video demonstrations that I’d be happy to share.
My portfolio:
1. AI WhatsApp Sales Manager An AI-powered WhatsApp automation system for handling customer conversations, managing leads, maintaining conversation context, and supporting human handoff.
Video demo: https://drive.google.com/file/d/1uk2YSh9OswCB-jIajfRXMOFq-acFgeO8/view?usp=drivesdk
2. AI SDR / Lead Generation System An automated lead generation and qualification system designed to streamline sales workflows and CRM processes.
Video demo: https://drive.google.com/file/d/1gRqjqbmwq0YiM8KYx533CSwkWv-lKFKw/view?usp=drivesdk
3. AI Social Media & Marketing Automation An AI-assisted content creation and marketing workflow with human review and approval.
Video demo: https://drive.google.com/file/d/1ZhED6O8AUJ1dSoYBRxlL6-Ox-aeLFiiu/view?usp=drivesdk
Your project is particularly interesting to me because it overlaps with my experience in conversational AI, API integrations, workflow orchestration, and human escalation.
I’d be happy to discuss your requirements and propose a clearly scoped, paid first milestone before moving on to the full implementation.
I’m based in Poland and available for remote, project-based collaboration.
You can contact me here or by email: faradei041994@gmail.com
Best regards, Oleg
Hi Timur,
Your list puts “execute actions automatically” right next to “escalate complex cases to operators”. For a payment processor, the line between those two is most of the design: an agent that reads a transaction status carries a very different risk from one that issues a refund.
How I’d build it: n8n on your own infrastructure, with the model classifying and drafting, read-only lookups against your APIs first, and every write action (refunds, account changes) behind a human approval until it has earned trust. Conversation context lives in Postgres, and every decision is logged so your team can audit what it did and why.
I spent four years in SaaS support and built an AI-native support platform from first commit to production, so escalation and context-keeping are problems I’ve already hit for real.
To start, one fixed-price milestone: classification and routing to operators on a sample of anonymized conversations, measured against your own team’s labels. $1,500, about 2–3 weeks. If the accuracy holds up, FAQ answering and API actions follow as a scoped second phase.
One question: which channel do conversations arrive through today (WhatsApp, email, or a helpdesk such as Zendesk)? That decides most of the architecture.
Hola,
Soy Samuel, trabajo con IA y automatización desde Austin (EE.UU.) y hablo español de forma nativa (soy de Venezuela).
Esto encaja con lo que hago. Mi experiencia con n8n + IA:
- Tengo n8n self-hosted en producción, con más de 170 workflows construidos y 15 activos.
- Construí un motor de outreach en n8n con clasificación por LLM (Claude): analiza leads, los califica y genera borradores con validación por pasos y revisión humana antes de cualquier acción.
- Desarrollé un recepcionista de voz con IA que atiende llamadas, consulta datos por API y deriva a un humano cuando la conversación sale de su alcance.
Para una procesadora de pagos separaría desde el día uno las consultas de solo lectura de las acciones que modifican datos o dinero. Propondría empezar con un piloto acotado y de precio cerrado: clasificación de conversaciones reales anonimizadas más escalado a operador con contexto, con revisión humana obligatoria en casos ambiguos o sensibles. Nada en producción sin métricas aceptadas primero.
Modalidad: contractor, part-time (10 a 15 horas por semana, tardes y fines de semana hora central de EE.UU.), trabajo async. Tarifa base $65 por hora; proyectos de alcance fijo desde $500. Puedo facturar y recibir transferencias bancarias.
Si les interesa, puedo compartir evidencia del workflow de clasificación o grabar un Loom corto. Mi WhatsApp: (786) 816-2220.
Saludos,
Samuel
Hola Timur — me interesa el proyecto.
Lo que describes tiene una parte fácil (responder FAQs) y una difícil que decide si el sistema sirve o estorba: **cuándo NO responder y escalar**. En soporte de pagos, un falso «ya está resuelto» cuesta un cliente; un falso escalado solo cuesta tiempo. Eso se diseña primero; no se arregla después con prompts.
Cómo lo abordaría:
1. Inventario de los 10-15 intents reales y su coste de error, con vuestros tickets (2-3 días).
2. n8n como orquestador: clasificador → respuesta con contexto de vuestra base → consulta a APIs/Postgres para ejecutar acciones → escalado al operador con el contexto ya resumido.
3. Registro de cada decisión (intent, fuentes, acción) para medir y corregir sin tocar código.
Vengo de construir pipelines de datos y scrapers con API (salida a Sheets/Excel, integración con Xero). El trabajo difícil es el mismo: decidir qué se automatiza y qué se deja visible. n8n es la herramienta, no el problema.
Si te encaja, mándame por DM 2-3 conversaciones reales anonimizadas y te devuelvo una propuesta por fases, con precio fijo y plazo, antes de que decidas nada.
Hola. Soy Sol, CMO de ODC.
El proyecto encaja con sistemas que ya construimos internamente para clasificar entradas, mantener contexto persistente, escalar decisiones a una persona y conservar un registro auditable de cada acción. Nuestro foco no es solamente conectar un LLM: diseñamos el flujo para que los errores, duplicados, reintentos y casos de baja confianza no terminen en respuestas o acciones incorrectas.
Propongo empezar con un primer hito cerrado usando conversaciones anonimizadas:
- clasificación por motivo y prioridad;
- derivación a operadores con contexto resumido;
- registro de decisión, confianza, ruta y resultado;
- pruebas de duplicados, fallas y reintentos;
- entrega del flujo exportable y una guía breve de operación.
Precio del primer hito: USD 350. Plazo estimado: 5 días desde que acordemos las categorías, los casos de prueba y el criterio de aceptación. No necesitaríamos credenciales de producción para esta etapa.
Como referencia honesta, nuestra evidencia actual es infraestructura propia operativa con cola persistente, control humano, deduplicación, auditoría y pruebas; no la presentamos como un despliegue previo para una empresa de pagos.
Antes de confirmar el alcance final, necesito saber: ¿qué canal de soporte quieren integrar primero, cuántas categorías iniciales esperan y qué resultado consideran suficiente para aprobar el piloto?
Saludos,
Sol — CMO de ODC
Hi Timur — I’ll keep this in English because that’s the language I can support professionally.
I’m Evan, an automation & integration engineer working primarily with n8n, APIs, webhooks, PostgreSQL/Supabase, and AI-assisted workflows.
For the support system you described, I would separate AI interpretation from business-critical actions rather than letting the model control the whole workflow.
My first implementation would look roughly like:
Message → Intent/Priority Classification → Context Retrieval → Validation → Business Rules/API Action → Human Escalation when confidence or permissions are insufficient → Audit Log
I’d also design for the cases that usually cause support automations to fail in practice: duplicate events, retries, stale context, API failures, low-confidence classification, and actions that should never run without human approval.
A public example of how I approach reliability, validation, retries, testing, and failure recovery:
I don’t have a previous payment-support deployment that I can honestly claim, so I’d suggest proving the fit through one small paid pilot first.
Pilot scope I’d propose:
one support channel → initial intent categories → context-aware routing → operator escalation with conversation summary → decision/audit logging → test cases for duplicates, failures, and retries.
I’d want to agree on the sample conversations, categories, allowed actions, and acceptance criteria before quoting the full system.
Indicative pilot: USD 300 fixed
Estimated delivery: 4–6 business days after scope and test cases are agreed
Availability: up to 30 hours/week
Timezone: UTC+7, Indonesia
If the pilot performs as expected, I’d be interested in extending it into the broader support system rather than treating this as a one-off build.
Which support channel would you want to prove first, and what actions should the AI be allowed to execute without a human?
— Evan
GitHub: naraya07pedro-spec (Evan Naraya) · GitHub
LinkedIn: https://www.linkedin.com/in/evannaraya
Corrección: retiro las referencias a AxonHex, Agent Habitat y RelevaFinales, así como la afirmación sobre integraciones con WhatsApp Cloud API; no puedo respaldarlas. Mi experiencia verificable relevante incluye automatización de soporte con IA en AMS/Eva y el desarrollo de Lana, un SaaS de agendamiento con IA por WhatsApp en producción.