Contexto del problema

Las cafeterías universitarias concentran picos de demanda en ventanas muy cortas (entrada, recesos, salida), lo que genera filas, esperas de 8 a 15 minutos en hora pico y errores de comunicación — sobre todo cuando el cliente tiene alergias o restricciones alimentarias.

En paralelo, los modelos de lenguaje (LLM) y las plataformas low-code de agentes permiten construir interfaces conversacionales que reemplazan formularios y apps móviles dedicadas.

Área: IA conversacional · Sistemas inteligentes · Hospitalidad universitaria · Low-code.

Aquí conviene responder: ¿Qué problema existe en la realidad? Filas largas, alergias mal comunicadas y cero canales digitales de pre-pedido en la cafetería del campus.

Planteamiento del problema

¿Cómo ofrecer un canal de pre-pedido conversacional a la comunidad universitaria, integrado a un backend transaccional y desplegable sin licencias Power Platform premium?

Problema específico: ausencia de un canal digital que permita ordenar antes de llegar a la barra y registrar alergias de manera estructurada.

A quién afecta: estudiantes y personal de La Salle Nezahualcóyotl, en especial personas con restricciones alimentarias.

Limitaciones actuales: apps nativas (Starbucks, Tim Hortons) requieren equipo iOS/Android y presupuesto sostenido — inviables a escala universitaria. Custom Connectors de Power Platform no están habilitados en el tenant educativo.

Justificación: se requiere una arquitectura reproducible basada en OpenAPI estándar y un agente generativo que corra sobre el tenant existente.

Objetivo general y objetivos específicos

Objetivo general: diseñar e implementar un agente especializado en pedidos de cafetería universitaria, integrado a un backend Node.js/Express/MySQL mediante OpenAPI directo en Microsoft Copilot Studio, que gestione el ciclo completo del pedido sin requerir licencias premium.

Objetivos específicos:

OE 01 · Diseñar el esquema relacional y los 6 endpoints REST (cafeterías, menús, creación, edición, consulta y cancelación de pedidos).
OE 02 · Modelar el contrato OpenAPI 2.0 con descripciones semánticas para que el LLM decida cuándo invocar cada herramienta.
OE 03 · Configurar el agente en Copilot Studio en modo generativo con prompt de sistema y herramientas API REST publicadas vía OpenAPI.
OE 04 · Evaluar el flujo end-to-end: listar → ordenar → agregar varios → consultar → cancelar, registrando alergias en notas.

Marco teórico o fundamentos

Conceptos necesarios para entender el trabajo:

LLM + tool calling: modelos de lenguaje a gran escala que invocan funciones externas mediante descripciones en lenguaje natural. Base de los agentes modernos (Copilot Studio, ChatGPT Actions, Claude tools).
OpenAPI 2.0 / Swagger: especificación neutral que describe rutas, parámetros y respuestas — permite que un agente generativo descubra las capacidades del backend sin acoplamiento manual.
REST · Node/Express · MySQL: patrón cliente-servidor con recursos uniformes, arquitectura MVC y persistencia relacional. Estándar de facto en backends transaccionales.
Microsoft Copilot Studio: plataforma SaaS para agentes generativos con tópicos, herramientas REST y canales (Teams, web).
Tunneling HTTPS · ngrok: dominio reservado desecrate-untwist-smoky.ngrok-free.dev que expone el backend local con TLS sin abrir puertos.
Hospitalidad inteligente: aplicación de sistemas inteligentes al consumo cotidiano — gestión de filas, personalización y accesibilidad alimentaria.

Metodología base: CRISP-DM adaptada al desarrollo de agentes conversacionales.

Trabajos relacionados o antecedentes

Starbucks "My Starbucks Barista" (2017): asistente conversacional dentro de la app nativa. Requiere SDK propietario y equipo iOS/Android. Validó el patrón conversacional para pedidos.

Domino's "Dom": chatbot multicanal (Facebook, Alexa, web) sobre pizza tracker. Demostró que la conversación puede sustituir la UI tradicional en pedidos repetitivos.

Chatbots educativos UNAM/IPN: bots informativos sobre Dialogflow y Rasa para admisiones y horarios. Centrados en consultas, no en operaciones transaccionales.

La idea es justificar que nuestro trabajo aporta algo diferente o necesario: sin app nativa (conversación en Teams), sin licencia premium (OpenAPI directo) y transaccional, no informativo (CRUD completo contra MySQL).

Metodología

Enfoque iterativo en seis fases — adaptación de CRISP-DM al desarrollo de agentes conversacionales:

Fase 01 · Modelado de dominio: entidades cafetería, menú, producto y pedido. Esquema MySQL y relaciones.
Fase 02 · API REST: implementación MVC en Express (rutas, controladores, modelos) con mysql2 pool.
Fase 03 · Contrato OpenAPI: YAML con 6 operaciones y descripciones orientadas al LLM (cuándo llamar cada una).
Fase 04 · Exposición segura: túnel ngrok con dominio reservado HTTPS, sin abrir puertos institucionales.
Fase 05 · Agente Copilot Studio: modo generativo, 6 herramientas API REST, prompt de sistema con reglas de negocio.
Fase 06 · Pruebas E2E: descubrir → pedir → agregar → consultar → cancelar.

Herramientas: Node.js 18+ · Express 5 · MySQL 8 · mysql2 · OpenAPI 2.0 · Copilot Studio · ngrok · Microsoft Teams.

Desarrollo de la propuesta o modelo

Arquitectura: Usuario (Teams) → Copilot Studio (LLM generativo) → ngrok HTTPS → Express API (Node.js · MVC) → MySQL. El contrato OpenAPI es compartido entre el agente y el backend.

Entradas: mensajes en lenguaje natural; el LLM extrae intención y entidades (cafetería, productos, cantidades, alergias).

Procesamiento: tool calling generativo — el agente decide cuándo invocar cada endpoint según el contexto; el prompt de sistema codifica reglas (un pedido a la vez, notas obligatorias si hay alergia).

Salidas: confirmaciones en lenguaje natural + persistencia en MySQL (pedido creado, productos agregados, estado consultado, cancelado).

Algoritmos aplicados: tool calling sobre LLM generativo · pool mysql2 con TLS local · validación JSON Schema desde OpenAPI.

¿Qué hicimos? Diseñamos el esquema, codificamos la API en Express, escribimos el OpenAPI con descripciones que el LLM entiende, configuramos el agente y validamos el flujo completo.

Resultados principales

6 / 6 endpoints REST · 100 % flujo E2E · 0 USD licencias · < 2 s latencia. Tiempo de pedido conversacional ≈ 15 s frente a 8-15 min en fila.

Da click en una tarjeta para ver la animación en vivo del sistema.

Análisis e interpretación

El bot responde correctamente a las consultas del usuario y los resultados concuerdan con los hallazgos esperados: lista cafeterías, muestra el menú, crea el pedido con sus notas/alergias y refleja en tiempo real cada cambio de estado en el dashboard del cafetero.

Conclusiones

01. Se cumplió el objetivo general: el agente Coffee Nezzi gestiona el ciclo completo de pedido en cafetería universitaria mediante conversación natural.

02. La integración OpenAPI → Copilot Studio es una ruta viable para tenants educativos sin licencias premium, eliminando la dependencia de Custom Connectors.

03. El tool calling generativo permitió eliminar tópicos rígidos: las descripciones semánticas del contrato bastaron para que el LLM orquestara las llamadas.

04. El patrón es escalable y reproducible: aplica a bibliotecas, laboratorios químicos, agenda de citas y cualquier backend REST documentado.

05. La conversación reduce la fricción para capturar información sensible (alergias) que un formulario tradicional rara vez registra.

Aportaciones, limitaciones y trabajo futuro

Aportaciones: patrón reproducible OpenAPI → Copilot Studio sin premium · manejo estructurado de alergias por conversación · documentación operativa replicable a otras facultades.

Limitaciones: dependencia de ngrok-free — un único túnel HTTPS reservado expone el backend local; sin alta disponibilidad ni dominio institucional propio.

Trabajo futuro: que el chatbot envíe una notificación al usuario en cuanto su pedido cambie a estado "listo", cerrando el ciclo conversacional sin que el usuario tenga que volver a preguntar.

Referencias

[01] Microsoft. Microsoft Copilot Studio documentation — Generative agents and REST API tools. learn.microsoft.com, 2025.

[02] OpenAPI Initiative. OpenAPI Specification v2.0 (Swagger). spec.openapis.org, 2014.

[03] Brown, T. et al. Language Models are Few-Shot Learners. NeurIPS, 2020.

[04] Schick, T. et al. Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761, 2023.

[05] Fielding, R. Architectural Styles and the Design of Network-based Software Architectures. PhD Dissertation, UC Irvine, 2000.

[06] Node.js Foundation. Express.js Reference Guide. expressjs.com, 2025.

[07] Oracle. MySQL 8.0 Reference Manual — Connector/Node.js (mysql2). dev.mysql.com, 2025.

[08] ngrok Inc. Secure tunnels to localhost — Reserved Domains. ngrok.com/docs, 2025.

[09] Adamopoulou, E. & Moussiades, L. An Overview of Chatbot Technology. IFIP AICT, vol. 584, 2020.

[10] Chapman, P. et al. CRISP-DM 1.0 Step-by-step Data Mining Guide. SPSS Inc., 2000.