Por qué las llamadas al centro de atención no disminuyen pese a los chatbots de IA

Que el volumen de conversaciones de un chatbot de IA aumente considerablemente no significa que las llamadas al centro de atención o los costes de asistencia se reduzcan automáticamente. Responder a las preguntas y resolver por completo los problemas de los clientes son tareas distintas, y una automatización fallida puede acabar derivando a los agentes humanos consultas aún más complejas y cargadas de emoción.

La paradoja fundamental que se observa en las operaciones es la siguiente: aumenta el uso del chatbot, pero el volumen total de llamadas permanece casi igual, mientras crecen la dificultad de las consultas atendidas por los agentes y el tiempo medio de gestión. Para comprenderlo, hay que observar todo el recorrido de resolución del problema del cliente, no el volumen de uso de cada canal.

Por qué el uso del chatbot no coincide con la reducción de llamadas

El volumen de uso del chatbot se parece más a una medida de actividad en el punto de contacto que a un indicador de resultados. El número de conversaciones puede aumentar solo por el crecimiento de visitantes, una mayor exposición del chatbot, un cambio en su ubicación de acceso dentro de la aplicación o el traslado de los usuarios de las FAQ existentes a otro canal.

Por ejemplo, aunque las conversaciones del chatbot hayan aumentado un 300%, el volumen de llamadas no disminuirá en las siguientes situaciones.

• Los pedidos y los suscriptores aumentaron a la vez, incrementando la demanda total de consultas.
• Los usuarios de las búsquedas y FAQ existentes pasaron al chatbot, pero los usuarios del canal telefónico siguieron siendo los mismos.
• Un cliente utilizó el chatbot y después volvió a llamar por el mismo problema.
• El chatbot se convirtió en una nueva vía de entrada para las consultas, haciendo que incluso clientes que antes habrían desistido iniciaran una solicitud de asistencia.
• No disminuyó la proporción de problemas complejos que requieren una llamada.

Por tanto, durante el análisis deben separarse los siguientes indicadores, además del simple número de conversaciones.

Tres limitaciones estructurales por las que la IA puede responder sin resolver el problema

1. Diferencia entre la capacidad de explicar y la autorización para actuar

La IA generativa puede explicar rápidamente contenidos presentes en documentos, como políticas, instrucciones de uso e información sobre productos. Sin embargo, las necesidades reales del cliente suelen incluir procesos de gestión de varias etapas.

Por ejemplo, si un cliente solicita: «Cancelé la suscripción, pero me han vuelto a cobrar, así que quiero un reembolso», puede que el sistema tenga que realizar las siguientes tareas.

1. Autenticar al cliente y la cuenta.
2. Consultar la fecha de cancelación y el historial de pagos.
3. Determinar si se trata de un cobro duplicado o si se cumplen las condiciones de reembolso.
4. Comprobar la autorización de aprobación y las políticas de excepción.
5. Ejecutar el reembolso y registrar el resultado.

Si el chatbot no está conectado a los sistemas internos de pagos y pedidos o carece de autorización para actuar, solo puede proporcionar instrucciones. Si el cliente debe buscar el menú y volver a realizar la gestión por su cuenta, desde la perspectiva de la empresa puede considerarse una «respuesta completada», pero desde la del cliente sigue sin resolverse.

Conceder incondicionalmente permisos amplios para tareas sensibles tampoco es la solución. Funciones como los reembolsos, la modificación de datos personales y la recuperación de cuentas requieren verificación de identidad, privilegios mínimos, límites de importe, procedimientos de aprobación, registros de auditoría y mecanismos de recuperación en caso de fallo.

2. Falta del contexto que no aparece en la pregunta

Es difícil determinar un resultado adecuado solo con una frase como «Recomiéndame un destino vacacional para ir con mi hijo». Esto se debe a que restricciones como la edad del niño, el tiempo de desplazamiento, el presupuesto, las alergias alimentarias, la seguridad de la piscina y el acceso a atención médica pueden cambiar el resultado.

Entre los métodos para completar el contexto se incluyen los siguientes elementos.

• Preguntas de seguimiento para confirmar las condiciones necesarias
• Uso del historial de pedidos y consultas dentro del alcance autorizado por el cliente
• Un grafo de conocimiento que represente las relaciones entre productos, políticas, regiones, destinatarios y excepciones
• Una ontología que defina de forma coherente los términos y las relaciones
• Consulta de los documentos de políticas más recientes y de los sistemas reales de inventario y reservas

Las ontologías o los grafos de conocimiento son posibles métodos de implementación, no requisitos obligatorios para todos los chatbots. Para tareas sencillas, una API estructurada y un flujo conversacional claro pueden ser más eficientes. Lo importante es evitar que el modelo rellene los vacíos mediante suposiciones y hacer que solicite la información necesaria o la consulte en un sistema fiable.

3. Consultas de alta dificultad que quedan tras el fallo de la automatización

Cuando el chatbot gestiona las consultas sencillas, los agentes reciben proporcionalmente más casos excepcionales y complejos. Esto puede considerarse un cambio en la composición de los casos. Aunque el número de llamadas se mantenga igual o disminuya ligeramente, si las llamadas restantes se prolongan, es posible que no se reduzcan ni el tiempo total de atención ni los costes.

Si el cliente debe repetir al agente desde el principio la misma explicación que ya proporcionó al chatbot, también aumenta la carga emocional. Un problema que originalmente consistía en una simple comprobación de pago puede convertirse en una reclamación que incluya además la frustración por el fallo de la automatización.

Sin embargo, no debe concluirse que el aumento del tiempo medio de gestión sea culpa del chatbot. También influyen factores como las incidencias de los productos, los cambios de políticas, la proporción de agentes nuevos y la estacionalidad. Al comparar los periodos anterior y posterior a la implantación, hay que controlar los tipos de consultas y los grupos de clientes, y analizar por separado al grupo que llamó después de utilizar el chatbot y al que llamó directamente.

La solución no es evitar las consultas, sino realizar una transferencia fluida

La transferencia es el proceso por el que una conversación que la IA no ha podido resolver pasa a un agente humano. El objetivo de una buena transferencia no es retener al cliente durante mucho tiempo dentro del chatbot, sino detectar rápidamente los límites de la automatización y permitir que el siguiente responsable de la resolución continúe el trabajo sin interrupciones.

Se puede proponer la conexión con un agente humano cuando aparezcan señales como las siguientes.

• El cliente solicita explícitamente hablar con un agente.
• Se repite la misma pregunta o una similar.
• La confianza de la respuesta está por debajo del umbral o no se ha encontrado un documento que la sustente.
• Existe un riesgo elevado, como en disputas de pagos, robo de cuentas, amenazas legales o problemas de seguridad.
• La emoción negativa persiste o el cliente rechaza la respuesta.
• Una acción ejecutada por el chatbot falla o entra en un estado excepcional.

En la pantalla del agente debe mostrarse información estructurada y directamente utilizable para el trabajo, en lugar de limitarse a una transcripción de la conversación.

Como los resúmenes generados por la IA pueden contener errores, también debe ser posible consultar la conversación original. La información de autenticación y los datos personales sensibles solo deben transferirse dentro del alcance necesario, y deben gestionarse los permisos de acceso y el periodo de conservación.

Modelo operativo de 3 niveles para repartir las funciones entre la IA y las personas

Es más seguro dividir el nivel de automatización según el riesgo de la tarea, la frecuencia de las excepciones y la responsabilidad de la decisión.

El criterio de clasificación no debe ser «si la IA redacta bien», sino el daño que puede causar una gestión incorrecta y hasta qué punto puede revertirse. En las tareas con grandes riesgos financieros, legales o de seguridad, o con excepciones frecuentes, conviene mantener las fases de revisión y aprobación humanas.

Pasar de la tasa de contención a la tasa de finalización del recorrido como KPI

La tasa de contención o de resolución automatizada suele utilizarse como la proporción de sesiones que no se transfieren a un agente. Sin embargo, el indicador también puede mejorar si se dificulta la vía de conexión o si el cliente renuncia a resolver su problema. Por tanto, utilizarlo como único KPI puede inducir una optimización contraria a la experiencia del cliente.

Un sistema de medición centrado en el recorrido debe responder a las siguientes preguntas.

1. ¿Se completó realmente la tarea que quería el cliente?
2. ¿Volvió a contactar por el mismo problema?
3. ¿Cuántos canales y pasos atravesó hasta resolverlo?
4. ¿Cuántas veces tuvo que repetir el cliente la misma información o autenticación?
5. ¿Cuánto tiempo transcurrió desde el primer contacto hasta la resolución definitiva?
6. ¿Los errores de automatización provocaron pérdidas económicas o incumplimientos de políticas?

El panel recomendado puede componerse de cuatro niveles: resultados, esfuerzo, operaciones y riesgo.

• Resultados: tasa de finalización del recorrido, tasa de resolución en el primer contacto, tasa de nuevas consultas
• Esfuerzo del cliente: tiempo total de resolución, número de explicaciones repetidas, número de cambios de canal, puntuación de esfuerzo del cliente
• Operaciones: tasa de contacto telefónico, tiempo medio de gestión, tiempo de espera, tasa de ocupación de los agentes
• Calidad y riesgo: tasa de respuestas incorrectas, tasa de acciones sin aprobación, exposición de información sensible, número de objeciones y recuperaciones

Los costes tampoco deben calcularse únicamente a partir del número de llamadas. Hay que comparar el coste total por recorrido, incluidos el coste de inferencia de la IA, la integración de sistemas, la evaluación de calidad, los controles de seguridad, el tiempo de revisión humana y los costes de recuperación de errores.

Canalización de inferencia de contexto, orquestación y transferencia

Una IA práctica para la atención al cliente se parece más a una canalización que conecta varios sistemas que a una única ventana de conversación.

1. Inferencia de contexto

Identifica la intención del cliente y las condiciones necesarias, y consulta la información del cliente autorizada y los datos operativos más recientes. No debe depender únicamente de la memoria del modelo, sino utilizar fuentes autorizadas como documentos de políticas, sistemas de pedidos y estados de cuentas.

2. Orquestación

Decide a qué herramienta o responsable debe enviarse la solicitud. Antes de ejecutarla, comprueba el estado de autenticación, los permisos, los límites de importe y el nivel de riesgo. Si falla, no lo intenta de nuevo indefinidamente, sino que cambia a un procedimiento de recuperación o a la atención humana.

3. Transferencia

Resume el objetivo del cliente, los hechos confirmados, las acciones realizadas, la causa del fallo y la siguiente acción recomendada, y los transmite al agente. El agente revisa el texto original y las fuentes antes de continuar con la gestión.

4. Registro de resultados y aprendizaje

Guarda si el problema se resolvió definitivamente y las correcciones realizadas por el agente. Ante fallos repetidos, no basta con volver a entrenar el modelo: hay que distinguir si la causa está en los documentos de políticas, la API, los permisos operativos o el flujo de la interfaz, y mejorarlos.

Diseño experimental para verificar los efectos de la implantación

Si solo se compara el volumen total de llamadas antes y después de la implantación, resulta difícil separar los efectos del crecimiento del negocio y la estacionalidad. Cuando sea posible, debe realizarse un despliegue gradual dividiendo grupos de clientes o tipos de consultas similares y observar conjuntamente los siguientes elementos.

• Número de llamadas por cada 1,000 pedidos o clientes activos
• Nuevas consultas por el mismo motivo dentro de las 24 horas o los 7 días posteriores al uso del chatbot
• Tasa de finalización y tiempo medio de gestión por tipo de consulta
• Esfuerzo y satisfacción del cliente antes y después de la conexión con una persona
• Proporción de resúmenes de IA corregidos por los agentes
• Tasa de errores de la ejecución automática y tiempo necesario para que una persona los resuelva
• Carga cognitiva, agotamiento emocional y satisfacción laboral de los agentes

Además, hay que definir previamente qué significa «resolución». Que se muestre una respuesta, que el cliente cierre la conversación, que la tarea del backend se complete correctamente y que el cliente confirme el resultado son estados diferentes. En tareas que requieren una gestión posterior, como los reembolsos, debe comprobarse incluso el estado real de la transacción.

Lista de comprobación para equipos de producto

• ¿Se han diferenciado las tareas que el chatbot puede responder de las que puede ejecutar realmente?
• ¿Se verifican las condiciones de éxito de cada tarea mediante resultados del backend?
• ¿Puede el cliente solicitar claramente atención humana en cualquier momento?
• ¿Se utilizan las preguntas repetidas, la baja confianza y las expresiones de riesgo como señales de transferencia?
• ¿Puede el agente ver no solo el resumen de la conversación, sino también el texto original y sus fundamentos?
• ¿Se evita que el cliente tenga que repetir la autenticación y las explicaciones?
• ¿Existen límites y procedimientos de aprobación para los importes y permisos que la IA puede ejecutar?
• ¿Se miden la tasa de nuevas consultas y el tiempo total de resolución por tipo de consulta?
• ¿Los comentarios de los agentes se traducen en mejoras de los documentos de conocimiento, las herramientas y los procedimientos operativos?
• ¿Los responsables de las operaciones reales prueban periódicamente de principio a fin el recorrido del chatbot como si fueran clientes?

Conclusión

El éxito de un chatbot de IA no puede juzgarse únicamente por el volumen de conversaciones o la tasa de contención de la atención humana. Si el objetivo del cliente no se completa realmente, el chatbot deja de ser un canal de resolución y se convierte en un paso adicional que hay que atravesar antes de llamar.

Un diseño eficaz no oculta los límites de la IA. Automatiza las tareas estructuradas y de bajo riesgo, ayuda a los agentes en las tareas que requieren criterio y transfiere rápidamente las situaciones de alto riesgo a personas experimentadas. Cuando esto se combina con una transferencia que comunica conjuntamente la conversación y el estado de la tarea, la IA puede convertirse no en una barrera para contener las llamadas al centro de atención, sino en una herramienta para reducir el tiempo de resolución de los clientes.