El control de calidad de la derivación de un chatbot a un agente humano evalúa el momento en que una conversación pasa de un agente de IA o chatbot a una persona, en cualquiera de los dos sentidos. La derivación a agente humano (y la vuelta a la IA) es donde la atención al cliente mixta se rompe con más frecuencia, y las notas por agente no lo ven, porque el fallo pertenece a la transición. Mídala con unas pocas métricas de traspaso y una scorecard que juzgue ambos lados.
En resumen
- El traspaso de la IA a la persona y el de la persona a la IA fallan de formas distintas.
- De la IA a la persona falla por un escalamiento tardío, por contexto perdido, por una petición de hablar con una persona ignorada o por no dejar un motivo útil.
- De la persona a la IA falla cuando un caso sin resolver vuelve a la automatización.
- La tasa de contención y el tiempo de gestión no lo ven. Mida la tasa de derivación por intención, las derivaciones tardías, el contexto transmitido, las preguntas repetidas y la resolución tras la derivación.
- Evalúe ambos lados del traspaso: la decisión del bot de derivar y la forma en que la persona retoma el caso.
Por qué el traspaso es un punto de fallo en sí mismo
Cuando usted evalúa a un agente humano y a un agente de IA, está evaluando dos mitades de una conversación que cada vez menos se compone de dos mitades. En un modelo mixto, un cliente puede empezar con un agente de IA (en inglés), ser escalado a una persona y volver a la automatización para un seguimiento, todo en un mismo hilo. Cada participante puede obtener una buena nota en su tramo mientras la conversación en conjunto es una mala experiencia, porque el daño ocurrió en la transición y no pertenece a ninguno de los dos.
Ese es el punto ciego. Una scorecard por agente evalúa lo que cada parte hizo con la conversación mientras la tenía. No dice nada del momento en que la pasó, que es justo donde la atención mixta tiende a romperse. El traspaso necesita evaluarse como algo en sí mismo, y es un paso de la práctica más amplia del QA del recorrido del cliente, que evalúa todo el camino que sigue un cliente entre bots y personas.
¿Qué sale mal en una derivación de chatbot a agente humano?
La mayoría de las malas derivaciones de chatbot a agente humano se reducen a unos pocos fallos: el bot escala demasiado tarde, se pierde el contexto y el cliente tiene que repetirse, se ignora una petición de hablar con una persona, el cliente queda en un bucle entre el bot y la cola, el traspaso es en frío o la persona prometida nunca llega.
Los reguladores se han dado cuenta. El informe sobre chatbots en las finanzas de consumo (en inglés) de la Consumer Financial Protection Bureau de Estados Unidos (junio de 2023) describe los “doom loops” (bucles sin salida) que aparecen cuando un problema queda fuera de lo que puede hacer el chatbot, cita una queja (“Me envían a un bucle sin fin, sin salida”) y advierte de que los chatbots que impiden acceder a un soporte humano en vivo pueden dar lugar a infracciones de la ley.
| Fallo | Qué vive el cliente | Cómo se ve en la transcripción | Métrica que lo detecta |
|---|---|---|---|
| Escalar demasiado tarde | Varias rondas de la misma respuesta inútil antes de que aparezca una persona | El bot repite o reformula la misma respuesta 3 o más veces, o el cliente pide ayuda dos veces | Tasa de derivaciones tardías |
| Contexto perdido | “¿Me da su número de pedido?” de la persona, después de habérselo dado al bot | La persona pide algo que ya está en el hilo | Tasa de contexto transmitido, tasa de preguntas repetidas |
| “Quiero hablar con una persona” ignorado | El bot responde a otra pregunta, o vuelve a ofrecer las preguntas frecuentes | Una petición explícita de una persona sin derivación en ese turno | Tasa de peticiones de una persona ignoradas |
| Bucles de derivación | Enviado a una cola, después de vuelta al bot, después otra vez a una cola | Más de una derivación por el mismo problema, o el bot retoma un caso sin resolver | Tasa de bucles de derivación |
| Traspaso en frío | Silencio, después un nombre nuevo, sin saber por qué ni cuánto esperar | Ningún mensaje que diga al cliente que una persona se hace cargo, por qué y cuándo | Tasa de traspasos en frío, tiempo hasta la persona |
| Callejón sin salida | “Le pongo en contacto con un agente” fuera del horario de atención, y después nada | Una derivación sin respuesta humana y sin alternativa ofrecida | Abandono durante la derivación |
El callejón sin salida es el más silencioso. La guía de Zendesk sobre flujos de escalamiento para agentes de IA (en inglés) coloca una comprobación de disponibilidad antes de un escalamiento por mensajería, con el email como alternativa fuera del horario laboral. Sin esa comprobación, la derivación promete una persona que nunca llega.
Derivación a agente humano: qué evaluar cuando la IA escala
Cuando un agente de IA escala a una persona, evalúe tres cosas: el momento (derivó cuando dejó de avanzar), el contexto (recibió la persona el historial y el diagnóstico) y el motivo (puede actuar la persona a partir de él). Cada modo de fallo merece su propio criterio.
Momento: ¿escaló en el momento adecuado?
Demasiado tarde es lo habitual. Un agente que sigue intentándolo cuando está claramente atascado hace dar vueltas al cliente antes de traspasar a un cliente ya frustrado. Escalar demasiado pronto desperdicia la automatización y el tiempo de la persona. El criterio es si el escalamiento ocurrió en el punto en que el agente dejó de avanzar, algo que usted puede ver en la transcripción.
Contexto: ¿recibió la persona lo que necesita?
El peor traspaso obliga al cliente a empezar de cero. Evalúe si el escalamiento llevó consigo el historial, el diagnóstico hasta ese momento y lo que el cliente realmente quiere, para que la persona abra el caso informada y no en frío. Un traspaso que pierde el contexto convierte una conversación en dos.
Motivo: ¿se entendía el escalamiento?
Un escalamiento etiquetado solo como «escalado a humano» no le dice nada a la persona. Evalúe si el motivo del traspaso quedó registrado de forma que quien lo recibe pueda actuar. Es uno de los criterios de una scorecard de agentes de IA, pero solo se hace visible cuando se lee a ambos lados del traspaso.
¿Cómo se diseña una derivación de chatbot a agente humano?
Diseñe la derivación en torno a ocho reglas: atender la petición de una persona a la primera, escalar cuando no hay avance, enviar directamente a una persona los temas de la lista roja, comprobar la disponibilidad, transmitir un paquete de contexto, decir al cliente qué va a pasar, no devolver nunca un caso sin resolver y registrar el motivo.
- Atienda “quiero hablar con una persona” a la primera. La documentación de Intercom sobre las pautas de escalamiento (en inglés) enumera tres disparadores por defecto para Fin: el cliente pide claramente una persona, una frustración o un enfado fuertes, y un cliente atascado en un bucle repetitivo. Sus propias pautas y reglas pueden anular ese comportamiento por defecto, así que compruebe que las suyas no han desactivado ninguno.
- Escale cuando no hay avance. Escriba una regla que pueda comprobar en una transcripción, como la misma respuesta dada dos veces.
- Mantenga una lista roja. Algunas intenciones van siempre a una persona: disputas, reclamaciones legales, clientes vulnerables, cualquier cosa fuera de las acciones que el bot puede ejecutar solo (una decisión de niveles de autonomía).
- Compruebe la disponibilidad. Fuera del horario de atención, ofrezca una llamada de vuelta, un email o un ticket, y diga cuándo responderá una persona.
- Transmita un paquete de contexto. Como mínimo: un resumen breve, el objetivo del cliente, los pasos ya probados, la identidad verificada y el motivo de la derivación. La documentación de Copilot Studio de Microsoft sobre la transferencia a un agente en vivo (en inglés) indica que el agente puede compartir todo el historial de la conversación y todas las variables pertinentes, además de un mensaje privado opcional para el agente en vivo. Su QA comprueba que llegó y que fue útil.
- Hágala en caliente. Diga al cliente que una persona se hace cargo, por qué y cuánto durará aproximadamente la espera.
- Sin devoluciones. El bot no retoma una conversación que una persona no ha resuelto; una segunda derivación por el mismo problema va a una cola de nivel superior.
- Registre el motivo como un campo. “Pidió una persona”, “fuera de alcance”, “política”, “frustración”, “acción fallida”. Sin él no puede calcular la tasa de derivación por motivo.
¿Cómo se mide la calidad de la derivación de la IA a la persona?
Mida la calidad de la derivación de la IA a la persona por intención: tasa de derivación, derivaciones tardías, peticiones de una persona ignoradas, contexto transmitido, preguntas repetidas tras la derivación, tiempo hasta la persona, bucles de derivación y resolución tras la derivación. Las métricas de volumen salen de su helpdesk; las de calidad necesitan evaluar la transcripción.
Los umbrales siguientes son puntos de partida que debe ajustar con sus propios datos, no referencias del sector.
| Métrica | Definición | Fuente de datos | Alerta inicial |
|---|---|---|---|
| Tasa de derivación por intención | Derivaciones a una persona ÷ conversaciones con IA, por intención | Evento de derivación del helpdesk más la etiqueta de intención | Se mueve más de 5 puntos de una semana a otra en una intención |
| Tasa de derivaciones tardías | Derivaciones que llegaron después del punto de escalamiento (el cliente pidió ayuda dos veces, o el bot se repitió 3 o más veces) ÷ todas las derivaciones | Evaluación de la transcripción | Por encima del 10% |
| Tasa de peticiones de una persona ignoradas | Peticiones explícitas de una persona no atendidas a la primera ÷ peticiones explícitas | Evaluación de la transcripción | Por encima del 2% |
| Tasa de contexto transmitido | Derivaciones en las que el resumen, el objetivo, los pasos probados y la identidad verificada llegaron a la persona ÷ derivaciones | Contenido de la derivación o campos del ticket, comprobados en la transcripción | Por debajo del 90% |
| Tasa de preguntas repetidas tras la derivación | Derivaciones en las que la persona pidió información ya dada ÷ derivaciones | Evaluación de la transcripción | Por encima del 10% |
| Tasa de traspasos en frío | Derivaciones sin ningún mensaje que diga al cliente quién se hace cargo y cuándo ÷ derivaciones | Evaluación de la transcripción | Por encima del 5% |
| Tiempo hasta la persona | Tiempo desde la derivación hasta la primera respuesta humana, como mediana y percentil 90 | Marcas de tiempo del helpdesk | Percentil 90 por encima de su nivel de servicio en chat |
| Abandono durante la derivación | Clientes que se van antes de la primera respuesta humana ÷ derivaciones | Marcas de tiempo del helpdesk | En aumento durante 2 semanas |
| Tasa de bucles de derivación | Conversaciones con más de una derivación por el mismo problema, o una vuelta al bot sin resolver ÷ derivaciones | Registro de la conversación más evaluación | Por encima del 3% |
| Resolución tras la derivación | Derivaciones resueltas sin nuevo contacto sobre el mismo problema en 7 días ÷ derivaciones | Helpdesk más historial de contactos | En descenso durante 2 semanas |
Dos de estas métricas reparten la responsabilidad con claridad. Cuando el contexto no llegó, la corrección está en el bot o en la integración. Cuando el contexto llegó y la persona preguntó de todos modos, la corrección es de coaching (consulte coaching de personas frente a corregir agentes de IA). Para dashboards y alertas, consulte monitorización de agentes de IA; para el conjunto más amplio de métricas, métricas de IA en atención al cliente.
La scorecard de la derivación: criterios para el bot y para la persona
Evalúe una derivación en dos bloques: la decisión del bot (disparador, momento, petición atendida, paquete de contexto, cliente informado, disponibilidad) y la forma en que la persona retoma el caso (lee antes de responder, no vuelve a preguntar, responde a tiempo, se hace cargo hasta la resolución). Cada criterio es aprobado o suspenso, con una evidencia que un segundo revisor pueda señalar en la transcripción. Cópiela en su scorecard como una sección que solo se aplica a las conversaciones con derivación.
| Lado | Criterio | Aprobado | Ejemplo de suspenso | Fuente de datos |
|---|---|---|---|---|
| Bot | Disparador correcto | Escaló por una regla que usted escribió (petición, falta de avance, intención de la lista roja), y nunca se quedó con el caso cuando se cumplía una regla | Se quedó con una disputa de la lista roja, o escaló una consulta rutinaria del estado de un pedido que podía responder | Transcripción más el campo de motivo de la derivación |
| Bot | Momento correcto | Derivó en el primer punto en que se cumplió la regla | El cliente pidió ayuda dos veces y recibió el mismo artículo tres veces | Transcripción |
| Bot | Petición atendida | “Quiero hablar con una persona” atendido a la primera | “¡Puedo ayudarle con eso!” seguido otra vez de las preguntas frecuentes | Transcripción |
| Bot | Paquete de contexto | El resumen, el objetivo, los pasos probados, la identidad verificada y el motivo llegaron a la persona | El ticket solo muestra “escalado a agente” | Campos del ticket o contenido de la derivación |
| Bot | Cliente informado | El cliente sabía que una persona se hacía cargo, por qué y cuánto esperaría | Silencio durante 9 minutos y después “Hola, ¿en qué puedo ayudarle?” | Transcripción |
| Bot | Disponibilidad comprobada | Derivación en vivo solo cuando hay alguien conectado; si no, una alternativa con un plazo de respuesta | “Le paso ahora mismo” a las 2 de la madrugada, sin respuesta hasta la mañana | Transcripción más marcas de tiempo |
| Persona | Lee antes de responder | La primera respuesta hace referencia a lo que el cliente ya dijo | “Hola, ¿cuál es el problema?” | Transcripción |
| Persona | No vuelve a preguntar | No pide información que ya está en el hilo | Pide el número de pedido que el bot ya verificó | Transcripción |
| Persona | Responde a tiempo | Primera respuesta humana dentro de su nivel de servicio en chat | El cliente esperó más allá del objetivo y se fue | Marcas de tiempo del helpdesk |
| Persona | Se hace cargo | Lo resolvió, o fijó un siguiente paso claro, sin devolverlo al bot sin resolver | Cerrado con “el asistente puede ayudarle con el resto” | Transcripción más historial de contactos |
| Persona | Señala una mala derivación | Etiquetó la derivación cuando el contexto faltaba o era erróneo | Sorteó un resumen roto sin decírselo a nadie | Etiqueta del ticket |
Dos reglas de evaluación lo mantienen honesto. Trate “petición atendida” y “se hace cargo” (sin devoluciones) como criterios de error crítico: un cliente que pidió una persona y no la obtuvo es una conversación fallida, por muy educado que fuera el bot. Y atribuya cada criterio suspendido a su lado, de modo que el bloque del bot alimente al responsable del agente de IA y el bloque de la persona alimente el coaching. Para el ticket escalado una vez que lo tiene una persona, consulte cómo evaluar un ticket escalado.
Un ejemplo práctico: lo que muestran las métricas de derivación y las muestras no ven
Ilustración: las cifras son inventadas para mostrar el cálculo. Un equipo tiene 20.000 conversaciones con agentes de IA al mes; 3.000 terminan en una derivación, una tasa de derivación del 15%. Evalúa cada derivación con la scorecard de arriba.
- Derivaciones tardías: 480 de 3.000, es decir, el 16%, sobre todo en reembolsos y disputas de entrega.
- Contexto transmitido: 2.550 de 3.000, es decir, el 85%. 450 derivaciones llegaron a la persona sin el resumen.
- Preguntas repetidas: 690 derivaciones, el 23%: 400 en las que el contexto nunca llegó y 290 en las que llegó y la persona preguntó de todos modos.
- Peticiones ignoradas: 900 clientes pidieron una persona; 90 de ellos, el 10%, no fueron derivados a la primera.
- Resolución tras la derivación: 2.340 de 3.000, es decir, el 78%, sin nuevo contacto en 7 días.
El desglose indica al equipo dónde actuar. Las 400 preguntas repetidas sin contexto son una corrección de la integración. Las 290 con el contexto presente son un tema de coaching. Las 90 peticiones ignoradas van al responsable de las reglas de escalamiento del bot, esta misma semana.
Compárelo ahora con una muestra aleatoria del 2%: 400 conversaciones, unas 60 con derivación (15%), aproximadamente 10 derivaciones tardías y unas 2 peticiones ignoradas (90 de 20.000 es el 0,45%; el 0,45% de 400 es 1,8). Dos casos se leen como una anécdota. Noventa, agrupados por intención, se leen como una regla rota.
Véalo con sus propias conversaciones. Kaizo evalúa el 100% de sus conversaciones de atención al cliente y convierte los resultados en coaching. Reserve una demo.
De la persona a la IA: el sentido que nadie evalúa
Un traspaso de la persona a la IA falla cuando una persona devuelve un caso a la automatización antes de resolverlo, delega una tarea que la IA no puede retomar o activa un seguimiento que contradice lo que la persona acaba de hacer. El traspaso inverso es más reciente, está menos examinado y es fácil de pasar por alto.
| Traspaso de la persona a la IA | Cómo se ve cuando sale bien | El fallo que hay que evaluar |
|---|---|---|
| Devolver un caso a la automatización para el seguimiento | La IA tiene la resolución y el siguiente paso es realmente rutinario | La persona devuelve un caso sin resolver para vaciar su cola |
| Delegar una subtarea a mitad de la conversación | La IA puede completar la tarea concreta y devolver el caso sin problemas | La IA no logra retomar el hilo y el cliente pierde la continuidad |
| Seguimiento automatizado tras la resolución | El seguimiento coincide con lo que realmente se resolvió | La automatización contradice u olvida lo que la persona acaba de hacer |
Cuando los agentes de IA también se traspasan casos entre ellos, los mismos puntos de unión se multiplican; nuestra guía de orquestación de agentes de IA trata los traspasos entre agentes.
Cómo evaluar un traspaso en la práctica
Para evaluar un traspaso en la práctica, evalúe el hilo completo a través de la transición, cubra cada traspaso en lugar de una muestra y atribuya cada fallo al lado que lo causó.
Evalúe el hilo completo
Evalúe la continuidad a través del traspaso: ¿sobrevivió el contexto, evitó el cliente repetirse, retomó la segunda parte donde lo dejó la primera? Es imposible si su control de calidad mira la parte de IA y la parte humana como registros separados, que es como los guardan la mayoría de las herramientas.
Cubra cada traspaso: escasos entre dos agentes, frecuentes en conjunto
Puede que dos agentes concretos se traspasen conversaciones pocas veces, así que una muestra por agente pierde los traspasos casi por definición. En el conjunto de la operación están en todas partes. Evaluar el 100% de las conversaciones (en inglés) es lo que hace visibles los fallos de traspaso como un patrón y no como la queja ocasional. En UiPath, Kaizo automatizó el 100% del QA con un ROI del 200% y una mejora del 8% en la nota de calidad.
Atribuya cada fallo a un lado
¿Fue culpa de la IA por escalar mal, o de la persona por devolver un caso enredado? Evalúe el bloque del bot y el bloque de la persona como criterios separados, y haga que cada hallazgo señale los turnos exactos en los que se rompió la continuidad, para corregir la regla de enrutamiento, el paquete de contexto o el tema de coaching. El flujo completo está en cómo hacer control de calidad de agentes de IA y chatbots.
Cuándo no le conviene evaluar las derivaciones
Prescinda de una scorecard específica de derivaciones cuando su bot deriva unas pocas decenas de conversaciones al mes: léalas todas a mano. También es prematuro cuando el bot no tiene reglas de escalamiento escritas, porque “disparador correcto” y “momento correcto” necesitan una regla con la que evaluar, o cuando la derivación es un enlace a un formulario de contacto: no hay punto de unión hasta que el bot y la persona comparten una conversación.
Cómo empezar a medir la calidad de las derivaciones esta semana
Empiece con una revisión manual: cuente las derivaciones del mes pasado por intención, lea 30 de principio a fin, etiquete cada una con la scorecard de arriba y separe las preguntas repetidas por causa. En unas pocas horas tendrá una línea base antes de automatizar nada.
- Extraiga las derivaciones del mes pasado de su helpdesk y cuéntelas por intención.
- Lea 30 conversaciones con derivación de principio a fin y etiquete cada una con la scorecard de arriba.
- Separe las preguntas repetidas en “faltaba el contexto” y “el contexto estaba”. Envíe la primera lista al responsable del bot y la segunda a sus team leads.
- Ponga por escrito sus reglas de escalamiento y añada un campo de motivo a la derivación.
Cuando la revisión manual confirme el patrón, automatícela. El QA para agentes de IA de Kaizo evalúa las conversaciones de los agentes de IA con la misma scorecard que las de su equipo y comprueba la derivación como criterios de esa scorecard: ¿escaló el agente de IA con el disparador correcto, transmitió el contexto y retomó el caso el agente humano? AutoPilot evalúa cada conversación en cuanto se resuelve. Para evaluar todo el camino, consulte el QA del recorrido del cliente.
Preguntas frecuentes
¿Qué es el control de calidad del traspaso?
El control de calidad del traspaso consiste en evaluar el momento en que una conversación pasa de un agente de IA a una persona, en cualquiera de los dos sentidos. Trata la transición como una unidad de evaluación propia, porque un traspaso puede fallar (contexto perdido, escalamiento tardío, un caso sin resolver devuelto) aunque tanto la persona como la IA obtengan buenas notas en sus propios segmentos.
¿Qué debe evaluar en un escalamiento de la IA a un agente humano?
Tres cosas: el momento (escaló en el punto en que dejó de avanzar, y no demasiado tarde ni demasiado pronto), el contexto (recibió la persona el historial y el diagnóstico, para que el cliente no empiece de cero) y el motivo (quedó registrado el escalamiento de forma que quien lo recibe pueda actuar).
¿Qué falla en un traspaso de la persona a la IA?
Los fallos principales son una persona que devuelve un caso sin resolver a la automatización para vaciar su cola, delegar en una IA que no puede retomar el hilo y por eso rompe la continuidad, y seguimientos automatizados tras la resolución que contradicen u olvidan lo que la persona acaba de hacer. Este sentido es más reciente y casi nunca se evalúa.
¿Por qué las notas de QA por agente no detectan los problemas de traspaso?
Porque el fallo está entre los registros. Una scorecard por agente evalúa lo que hizo cada parte mientras tenía la conversación, no lo que ocurrió en la transición. Evaluar el traspaso exige leer el hilo completo a ambos lados del traspaso, y por eso la conversación debe guardarse y evaluarse como una sola unidad y no como dos.
¿Qué diferencia hay entre una derivación en caliente y una en frío?
En una derivación en caliente, se dice al cliente que una persona se hace cargo, por qué y cuánto durará la espera, y la persona recibe un resumen antes de responder. En una derivación en frío, la conversación cae en una cola: el cliente espera sin saber qué pasa y la persona empieza desde cero.
¿Cuál es una buena tasa de derivación de chatbot a agente humano?
No hay una única tasa buena, porque depende de la intención: un 40% puede ser adecuado para las disputas de facturación y alarmante para el restablecimiento de contraseñas. Siga la tasa por intención, vigile los cambios y júzguela junto con las derivaciones tardías y la resolución tras la derivación.






