Agentes de IA en atención al cliente: qué funciona y qué es humo

Todo el mundo quiere un agente de IA en atención al cliente y casi nadie tiene claro qué está pidiendo. La demo siempre sale bien: alguien escribe "¿cuál es su horario?" y el bot contesta. El problema empieza en producción, cuando un cliente escribe "me cobraron dos veces la cuota de marzo, quiero que me devuelvan la plata" y el bot, con enorme seguridad, inventa una política de reembolsos que no existe.

Esa es la diferencia entre un chatbot y un agente que sirve. No es el modelo: es todo lo que hay alrededor.

Lo que no funciona

Un modelo genérico conectado a tu WhatsApp. Sin acceso a tus datos, un modelo solo puede hacer dos cosas: generalidades o invenciones. Y como está entrenado para sonar útil, prefiere inventar antes que decir "no sé". Es el modo de falla más caro que existe en atención, porque el cliente le cree.

Subir el PDF de preguntas frecuentes y listo. Mejor que nada, pero se rompe con la primera pregunta que no está redactada igual que en el PDF. Y las preguntas reales de los clientes nunca están redactadas como en el PDF.

Un bot que no sabe rendirse. Si no hay una salida clara a un humano, el cliente va a insistir tres veces, se va a enojar, y vas a haber convertido una consulta simple en un reclamo. El bot que no sabe decir "esto te lo resuelve una persona, te paso" destruye más valor del que crea.

Lo que sí funciona

1. Que responda sobre tu información, no sobre internet

El agente tiene que leer de tus fuentes reales: tu base de conocimiento, tus políticas, el historial del cliente, el estado de su pedido. Técnicamente esto se llama recuperación (RAG): antes de responder, el sistema busca en tus documentos y datos, y el modelo redacta solo con lo que encontró.

La consecuencia práctica es la que importa: si no encontró nada, no responde. Dice que no tiene esa información y deriva. Un agente que puede decir "no sé" es un agente que se puede poner en producción.

2. Que tenga límites explícitos

Antes de escribir una línea de código hay que definir tres listas, y esta conversación es más importante que la elección del modelo:

• Lo que puede responder solo. Horarios, estado de un pedido, cómo hacer un trámite, qué documentación hace falta.
• Lo que puede responder con datos del cliente. Su saldo, sus últimas compras, su próxima entrega — siempre después de verificar quién es.
• Lo que nunca contesta. Reclamos de dinero, bajas, temas legales, excepciones a la política, cualquier cosa que implique una promesa. Eso va a un humano, siempre, sin intentar resolverlo primero.

3. Que hable como tu empresa

Un agente que suena a manual traducido del inglés se nota en el primer mensaje y le baja la confianza a todo lo demás. El tono, el trato, el nivel de formalidad y el vocabulario del rubro se definen y se prueban con ejemplos reales de tus conversaciones pasadas. En Argentina esto incluye algo tan concreto como el voseo: un bot que trata de "tú" a un cliente de Mendoza está anunciando que es genérico.

4. Que esté integrado, no al costado

Si el agente no puede consultar el estado real de un pedido, solo puede hablar de generalidades. El valor aparece cuando se conecta al sistema donde vive el dato: el ERP, el e-commerce, la base de clientes. Ahí deja de ser un buscador de FAQ y pasa a resolver.

Y al revés: todo lo que atiende tiene que quedar registrado donde tu equipo ya trabaja. Si las conversaciones del bot viven en una consola aparte que nadie mira, perdiste la mitad del beneficio.

5. Que se mida

Las métricas que importan no son la cantidad de conversaciones ni el "tiempo ahorrado" que estima el proveedor. Son tres:

• Tasa de resolución sin humano, medida sobre casos que efectivamente se cerraron, no sobre "el cliente dejó de escribir".
• Tasa de derivación, que debería ser alta al principio. Un bot que deriva el 40% en el primer mes está funcionando bien; uno que deriva el 2% probablemente esté inventando.
• Casos donde se equivocó, revisados a mano todas las semanas. Es tedioso y es lo único que hace que el agente mejore.

Cuánto tarda y cuánto rinde

Un agente bien acotado —un canal, un conjunto claro de consultas, integrado a un sistema— se construye en cuatro a ocho semanas, contando la parte lenta, que es juntar y ordenar el material del que va a responder.

El retorno típico no es "reemplazamos al equipo de atención". Es que el 50–70% de las consultas repetitivas dejan de llegarle a una persona, y el equipo pasa a ocuparse de los casos donde hace falta criterio. Eso, además, suele mejorar la calidad de la atención humana: la persona que atiende deja de contestar por décima vez cuál es el horario.

Por dónde empezar

No por el modelo. Por el registro de tus últimas quinientas consultas.

Agrupalas, contá cuántas veces aparece cada tipo y vas a ver que el 60% son cinco o seis preguntas. Ese es el alcance de la primera versión. Todo lo demás —lo interesante, lo raro, lo que da orgullo mostrar en una demo— es la versión tres, y solo si la uno funcionó.

Si querés que miremos tus consultas reales y te digamos qué parte es automatizable con honestidad, escribinos. Es una conversación de media hora y suele ahorrar meses.