Los KPIs de agentes de IA en atención al cliente deben medir si el agente de IA resolvió el problema correctamente, no si un humano se quedó al margen. El conjunto principal: tasa de resolución correcta, precisión auditada, cumplimiento de políticas, calidad de la derivación, recontacto en 7 días, tasa de acciones automáticas indebidas y coste por resolución correcta. La contención y la deflexión siguen en el dashboard como datos de volumen.
Las métricas de calidad del servicio con IA miden si un agente de IA resolvió de verdad el problema del cliente: calidad de resolución, precisión factual, calidad del escalamiento, recontactos, abandonos silenciosos, cumplimiento de políticas y coste por contacto resuelto. La tasa de contención y el CSAT posterior a la IA, las dos métricas de IA en atención al cliente que más equipos reportan, son también las más engañosas. Evalúe en su lugar cada conversación, con cada nota vinculada a la evidencia, como hace el QA de agentes de IA.
En resumen
- La contención cuenta un abandono frustrado como un éxito.
- El CSAT posterior a la IA nunca escucha a los clientes que se rindieron.
- Los recontactos y los abandonos silenciosos detectan lo que la contención oculta.
- Cada nota debe poder rastrearse hasta la evidencia de la transcripción.
- La tasa de resolución correcta debe ser el KPI principal del agente de IA, con el coste por resolución correcta como su equivalente financiero.
- Cada proveedor define “resuelto” a su manera, así que traduzca cada cifra de proveedor a su propia definición antes de comparar.
Por qué engañan las dos métricas de IA en atención al cliente más usadas
Todo responsable de atención al cliente que despliega IA recibe la misma pregunta de su consejo de dirección: demuestre que funciona. Las dos cifras a las que se recurre primero son la tasa de contención y el CSAT posterior a la IA, porque ambas son fáciles de obtener y ambas parecen subir si no se mira con mucho detalle. También son las dos cifras con menos probabilidades de describir lo que realmente les pasó a sus clientes.
El problema es estructural, no una cuestión de ajuste. La contención mide un resultado de enrutamiento: si un humano intervino en esta conversación. El CSAT posterior a la IA mide una opinión, pero solo la de quienes decidieron darla. Ninguna de las dos mira el contenido de la conversación, que es el único lugar donde está la respuesta. Es un problema muy distinto del que resuelve el método estándar para medir el rendimiento de agentes de IA, y muy distinto de elegir cuáles de los indicadores generales de atención al cliente deben estar en su dashboard. Aquí se trata de qué números le están mintiendo sin hacer ruido.
Esta es la versión corta del argumento, métrica por métrica, antes de entrar en el detalle de cada una.
| Métrica | Lo que afirma mostrar | Por qué engaña | Qué medir en su lugar |
|---|---|---|---|
| Tasa de contención / deflexión | La IA gestionó la conversación con éxito | Cuenta el abandono y el bloqueo como éxito, porque no intervino ningún humano | Calidad de resolución más tasa de abandono silencioso |
| CSAT posterior a la IA | Los clientes están contentos con la IA | Lo responde una minoría autoseleccionada, y los clientes más enfadados simplemente se van | Tasa de recontacto y calidad de resolución en el 100% de las conversaciones |
| Tiempo medio de atención en conversaciones con IA | La IA es rápida | Una respuesta incorrecta rápida es más rápida que una correcta lenta | Precisión factual y coste por contacto realmente resuelto |
| Tasa de escalamiento | Menos escalamientos significa que la IA da abasto | Suprimir escalamientos es fácil y dañino; el momento y el traspaso importan más | Calidad del escalamiento: el momento adecuado, el contexto completo |
| Volumen gestionado por la IA | Escala y ROI | No dice nada de lo que pasó dentro de ese volumen | Cumplimiento de políticas evaluado según su rúbrica |
Tasa de contención: la métrica que premia el bloqueo
La tasa de contención, a veces llamada tasa de deflexión, es la proporción de conversaciones que terminaron sin que interviniera un agente humano. Se convirtió en la métrica de IA por defecto porque encaja directamente con el caso de negocio: cada conversación contenida es un contacto por el que no pagó a un humano.
El fallo está en la definición. La contención no pregunta si el cliente obtuvo lo que vino a buscar. Pregunta si hubo que involucrar a alguien más. Eso significa que varios resultados muy distintos se cuentan todos igual, como un éxito:
- La resolución real: el cliente preguntó, la IA respondió correctamente y el cliente se fue satisfecho. Es el resultado para el que se diseñó la métrica.
- El abandono: el cliente preguntó tres veces, recibió una variante de la misma respuesta inútil y cerró la ventana. No intervino ningún humano, así que cuenta como contenida.
- El bloqueo: la IA no podía o no quería traspasar la conversación, seguía ofreciendo artículos del centro de ayuda, y el cliente se rindió y acudió a las redes sociales o a la sección de reseñas de la tienda de aplicaciones.
- El contacto desplazado: el cliente cerró el chat y llamó a la línea telefónica, o envió un correo electrónico, o abrió un ticket nuevo al día siguiente. Contenido en un canal, le sigue costando en otro.
Tres de esos cuatro son fracasos, y el bloqueo es activamente peor que no hacer nada. Aun así, una cifra de contención no puede distinguirlos, porque la información que los distingue está dentro de la conversación y la contención nunca mira ahí.
Esto no es un argumento para abandonar la contención. Es un dato útil de capacidad y coste. Es un argumento en contra de reportarla como métrica de calidad, porque optimizar directamente la contención significa dificultar que los clientes lleguen a un humano, que es exactamente el comportamiento que nadie pretende y que todos reconocen cuando son clientes.
La deflexión tiene el mismo defecto, más la respuesta equivocada dicha con seguridad
La tasa de deflexión, la proporción de contactos que nunca llegan a una cola humana, tiene el mismo punto ciego, y ninguna de las dos ve la respuesta equivocada que el cliente se cree. Un cliente al que se le da un plazo de reembolso equivocado da las gracias y se va: contenido, desviado y, en la mayoría de los informes de proveedores, resuelto. Consulte cómo medir la contención con honestidad.
CSAT posterior a la IA: la métrica que nunca escucha a quienes se fueron
El CSAT (en inglés) es una buena métrica en su contexto original: una conversación con un humano, una tasa de respuesta razonable, una población estable que responde. Aplicado a una conversación con IA, desarrolla un punto ciego concreto y grave.
Autoselección en el peor momento
Las respuestas a las encuestas proceden de una minoría de clientes, y esa minoría nunca es aleatoria. Quienes tienen una opinión lo bastante fuerte como para responder tienden a situarse en los dos extremos. Pero el modo de fallo de la IA que más importa, el cliente que concluye en silencio que esto no va a ninguna parte y se desconecta, es precisamente el cliente con menos probabilidades de rellenar una encuesta después. No se quedó para que lo encuestaran. Es de los que abandonan en silencio, y el CSAT posterior a la IA es estructuralmente sordo ante ellos.
La encuesta pregunta por lo que no es
Incluso entre quienes sí responden, una nota de satisfacción mezcla si la respuesta fue correcta, si el tono fue agradable y si el resultado era el que el cliente quería oír. Una IA encantadora y equivocada con total seguridad puede obtener buena nota. Una IA que da correctamente una respuesta de política que al cliente no le gusta puede obtener mala nota. Ninguno de los dos resultados le dice si el sistema funciona.
La comparación es injusta en ambos sentidos
Los equipos suelen comparar el CSAT de la IA con el CSAT de los agentes humanos y sacar conclusiones. Esas dos poblaciones no son comparables: la IA suele quedarse primero con los contactos sencillos, de alto volumen y fáciles de satisfacer, y escala los difíciles. Un CSAT de la IA halagador puede significar simplemente que a la IA le tocó la cola fácil. Uno malo puede significar que le entregaron la cola en la que nadie podía salir bien parado.
Conserve el CSAT. Solo deje de tratarlo como evidencia sobre su IA. Trátelo como una señal entre varias, ponderada sabiendo que solo escucha a quienes se quedaron.
¿Qué KPIs de agentes de IA deben sustituir a la contención como cifra principal?
Siete KPIs de agentes de IA deben encabezar el informe: tasa de resolución correcta, precisión auditada, cumplimiento de políticas, calidad de la derivación, recontacto en 7 días, tasa de acciones automáticas indebidas y coste por resolución correcta. Cada uno lee la conversación o los sistemas que hay detrás, así que ninguno puede subir dificultando el acceso a un humano.
La contención, la deflexión, el CSAT y el tiempo de gestión quedan un nivel por debajo, como datos de capacidad y de opinión. Las secciones siguientes explican cada KPI, y la tabla de definiciones más abajo da las fórmulas. Para la métrica principal en profundidad, consulte la tasa de resolución correcta.
¿Cómo definen “resuelto” los distintos proveedores?
Los proveedores usan la misma palabra para pruebas distintas. Intercom cuenta a un cliente que se va sin pedir más ayuda, Zendesk añade una revisión por un modelo de lenguaje para su nivel verificado y Ada exige una respuesta pertinente, exacta y segura. Ninguna de estas definiciones, tal como están documentadas, comprueba los registros del backend ni el contacto por otros canales.
| Término del proveedor | Cuenta como resuelto cuando | ¿Comprueba que la respuesta era correcta? | Lo que no puede ver |
|---|---|---|---|
| Intercom Fin, resolución supuesta | El cliente “exits the conversation without requesting further assistance” (sale de la conversación sin pedir más ayuda) tras la última respuesta de Fin; se descuenta si el cliente reabre la misma conversación (Intercom) | No | Una respuesta equivocada que el cliente se creyó; una vuelta por otro canal |
| Intercom Fin, resolución confirmada | El cliente confirma que la respuesta le ayudó (“That helped”) | Solo la opinión del cliente | Si la opinión del cliente era acertada |
| Zendesk, resolución contenida | El agente de IA gestionó la interacción “without the customer requesting further assistance” (sin que el cliente pidiera más ayuda) (Zendesk) | No; también incluye conversaciones que no superaron la verificación | La corrección, los registros del backend |
| Zendesk, resolución verificada | Como la contenida, más un modelo de lenguaje que revisa el texto de la conversación y confirma que la solicitud se resolvió | A partir del texto de la transcripción | Si la acción ocurrió en sus sistemas; otros canales |
| Ada, resolución automatizada | Sin intervención humana, y la conversación se considera pertinente, exacta y segura | Sí, mediante la revisión de la conversación | El recontacto después de que termine la conversación |
Así que dos tasas de resolución de proveedores no son comparables hasta que las traduzca a una sola definición propia; la propia guía de KPIs de Fin dice que la definición “varies enormously across vendors” (varía enormemente de un proveedor a otro) (Fin). Intercom, además, factura cada resolución de Fin. Y la ventana es corta: Zendesk cierra por defecto una conversación de mensajería 2 horas después del primer mensaje y una conversación de correo electrónico 72 horas después del primer correo, así que un fallo que aflora el día 4 nunca toca la cifra del proveedor. Nuestra auditoría de la tasa de resolución de agentes de IA muestra cómo informar de una tasa corregida junto a la del proveedor.
Calidad de resolución: la métrica ancla
Si solo va a sustituir la contención por una cosa, sustitúyala por la calidad de resolución: ¿esta conversación resolvió realmente el problema del cliente? Es el ancla de todo el conjunto porque cada una de las demás métricas es o bien un insumo para ella o bien un control sobre ella.
Qué es. Un juicio, hecho sobre la transcripción, de si se atendió el problema de fondo del cliente. No si se cerró un ticket, no si se envió una respuesta, no si se reconoció la intención. Si ocurrió lo que el cliente necesitaba que ocurriera.
Cómo medirla. Como un criterio evaluado en su rúbrica de calidad, aplicado a las conversaciones gestionadas por la IA exactamente igual que a las gestionadas por humanos. El criterio debe redactarse de modo que un revisor y un evaluador automatizado lo lean igual: indique qué evidencia de la transcripción cuenta como resolución para cada tipo de contacto principal. Reembolso solicitado y reembolso confirmado. Dirección cambiada y cambio confirmado al cliente. Pregunta formulada y respuesta correcta dada, con el cliente dándose por enterado.
Cómo es una mala cifra. La señal que hay que vigilar no es un umbral absoluto, es la brecha entre la calidad de resolución y la contención. Si una gran parte de las conversaciones queda contenida pero una parte mucho menor se evalúa como resuelta, esa brecha es el tamaño de su problema, expresado en conversaciones. También es la cifra que vale la pena presentar al consejo, porque es la versión honesta de la que le enseñaron.
Tenga en cuenta que esto es deliberadamente más estricto que la resolución en el primer contacto (en inglés), que deduce la resolución de la ausencia de seguimiento. El FCR es un indicador aproximado útil. La calidad de resolución lee la transcripción en lugar de deducir a partir del silencio, y el silencio es exactamente lo que produce un cliente que abandona.
Precisión factual y tasa de alucinaciones
Un agente de IA (en inglés) que se inventa un plazo de reembolso, da mal una fecha de entrega o describe con seguridad una funcionalidad que usted no tiene no es un problema de calidad, es un problema de responsabilidad legal. La precisión factual es la métrica que lo detecta, y es la que la mayoría de los equipos no mide en absoluto.
Qué es. La proporción de respuestas de la IA que contienen una afirmación factual verificable con su base de conocimiento, sus documentos de políticas o sus datos de pedidos, y la proporción de esas afirmaciones que son correctas. La tasa de alucinaciones es lo inverso: afirmaciones hechas con seguridad que ninguna fuente respalda.
Cómo medirla. Cada afirmación factual de una conversación se contrasta con la fuente de verdad de referencia. Esto solo es viable de forma automática y a gran volumen, lo que es uno de los argumentos más sólidos para evaluar todas las conversaciones en lugar de una muestra: una alucinación en una conversación que nadie leyó cuesta exactamente lo mismo que una en una conversación que alguien sí leyó. Haga el seguimiento por separado por tipo de contacto, porque la precisión rara vez es uniforme. Las preguntas de facturación y las de envíos suelen comportarse de forma muy distinta.
Cómo es una mala cifra. Cualquier tasa distinta de cero en afirmaciones con peso legal, financiero o de seguridad es una mala cifra, por pequeña que sea. En las afirmaciones de menor riesgo, lo que importa es la tendencia: una tasa de alucinaciones que sube tras un cambio en la base de conocimiento o una actualización del modelo le está diciendo algo concreto y urgente sobre ese cambio.
Una advertencia: la confianza de un agente de IA en su propia respuesta no demuestra que la respuesta fuera cierta. La precisión debe comprobarse frente a su base de conocimiento y sus políticas, mostrando la evidencia de cada veredicto, que es el principio de una evaluación bien hecha con LLM as a judge (en inglés).
Calidad del escalamiento: no cuántas veces, sino cómo
La tasa de escalamiento se reporta como si más baja fuera mejor. No lo es. El escalamiento es una funcionalidad, y una IA que nunca escala no es una IA sólida, es un cliente atrapado. Lo que importa es la calidad del escalamiento: si el traspaso se produjo en el momento adecuado y llegó con el contexto adecuado.
El momento
Los dos modos de fallo están a cada lado del punto correcto. Escalar demasiado pronto desperdicia por completo la automatización e irrita a un cliente que tenía una pregunta sencilla. Escalar demasiado tarde, tras tres o cuatro bucles fallidos, significa que el humano hereda un cliente ya enfadado y una conversación que hay que empezar de nuevo. Evalúe el momento: ¿hubo un turno identificable en el que debería haberse producido un traspaso competente, y se produjo ahí?
La transferencia del contexto
El fallo de escalamiento más caro es aquel en el que el agente humano abre la conversación y tiene que pedirle al cliente que vuelva a explicarlo todo. Ese único comportamiento deshace la buena voluntad de toda la interacción con la IA. Evalúe si el traspaso incluyó el problema expresado por el cliente, lo que ya se había intentado y cualquier contexto de cuenta o pedido que la IA ya hubiera recuperado.
La pertinencia
¿Era escalar la decisión correcta? Una IA que escala cada mensaje ambiguo genera carga de trabajo humana para nada, y eso aparece en el coste por contacto resuelto y no en las notas de calidad. Hay que evaluar ambos sentidos, o acabará optimizando uno a costa del otro.
Como KPI único, evalúe cada derivación como aprobada o suspendida en momento adecuado, contexto completo y decisión correcta; la calidad de la derivación es la proporción que aprueba los tres. Consulte cómo evaluar la derivación de la IA a una persona.
Cómo es una mala cifra. Una tasa de escalamiento que baja junto con una nota de calidad de resolución que también baja es la señal negativa más clara de todo este artículo. Significa que la IA se aferra a conversaciones que no puede terminar.
Tasa de recontacto y tasa de abandono silencioso
Estas dos van juntas porque son sus detectores de mentiras más baratos. Ambas detectan fracasos que la contención cuenta como éxitos, y ninguna exige que el cliente rellene nada.
Tasa de recontacto tras una conversación con IA
Qué es. La proporción de clientes que vuelven dentro de un plazo definido, por cualquier canal, por el mismo problema de fondo después de una conversación gestionada por la IA.
Cómo medirla. Vincule los contactos por cliente y por problema, no por ticket, y mire específicamente entre canales. Un cliente que abandonó un chat y luego llamó por teléfono es el caso más importante que hay que detectar, y una vista por canal lo pasará por alto por completo. Ajuste el plazo a su producto: el mismo día para un problema de entrega, una semana o más para una disputa de facturación. Para el KPI principal, fije una sola ventana de 7 días, para que la cifra sea comparable de una semana a otra; las ventanas por tema siguen siendo útiles para el diagnóstico.
Cómo es una mala cifra. Una tasa de recontacto que sube tras la gestión por IA en comparación con los contactos equivalentes gestionados por humanos es una señal de alarma, sea cual sea su valor absoluto. Significa que la contención trasladó el trabajo en lugar de eliminarlo.
Tasa de abandono silencioso
Qué es. La proporción de conversaciones con IA que el cliente abandona sin resolución y sin escalar. Sin encuesta, sin queja, sin seguimiento. Estas conversaciones parecen idénticas a los éxitos en todas las métricas basadas en el enrutamiento.
Cómo medirla. Identifique las conversaciones que terminaron con un turno del cliente, o en las que el último mensaje de la IA quedó sin respuesta, y evalúe si el problema estaba resuelto en ese momento. Separar las salidas satisfechas de los abandonos silenciosos es un juicio sobre la transcripción, y precisamente por eso esta métrica no existe en la mayoría de los dashboards: no se puede contar, hay que leerla.
Cómo es una mala cifra. Cualquier tasa de abandono silencioso que sea una fracción significativa de su tasa de contención significa que su cifra de contención está inflada exactamente en esa medida. Reportar la contención sin ella es reportar una cifra que usted sabe que es errónea.
Tasa de acciones automáticas indebidas: el KPI para agentes de IA que realizan acciones
La tasa de acciones automáticas indebidas es la proporción de acciones que un agente de IA realizó por su cuenta, como reembolsos, cancelaciones, abonos o cambios en la cuenta, que incumplieron una regla: por encima de un límite, sin una comprobación obligatoria, en el registro equivocado, una acción que nadie pidió, o una acción anunciada pero nunca ejecutada en el backend. La precisión evalúa el texto; este KPI evalúa lo que hizo el agente.
Cómo medirla. Concilie cada acción ejecutada, no una muestra, con los límites de la política y la conversación que la desencadenó. Siga junto a ella la tasa de anulación (acciones que bloqueó una persona): una tasa de acciones indebidas que baja con una tasa de anulación que sube significa que las personas están deteniendo el problema, no que haya desaparecido. Cualquier acción indebida sobre pagos, acceso a la cuenta o datos personales es un incidente con un responsable con nombre. Las reglas pertenecen a sus guardrails para agentes de IA.
Cumplimiento de políticas y coste por contacto realmente resuelto
Las dos últimas cierran el círculo entre la calidad y el caso de negocio.
Cumplimiento de políticas
Qué es. Si la IA siguió las reglas que debe seguir: verificar la identidad antes de revelar datos de la cuenta, dar los avisos obligatorios, rechazar descuentos fuera de política, gestionar correctamente a un cliente vulnerable o la manifestación de una queja, y ceñirse al lenguaje regulatorio cuando corresponda.
Cómo medirlo. Son criterios binarios, verificables con evidencia, lo que los convierte en lo más fácil de evaluar automáticamente de esta lista y en lo más perjudicial de muestrear. Aplíquelos como controles de aprobado o suspenso en cada conversación, y trate cada suspenso como un incidente que revisar, no como un porcentaje que diluir en una media. Es la misma lógica de rúbrica con la que ya se evalúa a su equipo humano, y de eso se trata: su puntaje de calidad interno debe cubrir también la IA, o tendrá dos estándares y ninguna comparación.
Cómo es una mala cifra. En la verificación de identidad y los avisos regulados, un solo suspenso es una mala cifra. No los promedie.
Coste por contacto realmente resuelto
Qué es. El coste total de las conversaciones con IA dividido entre el número de conversaciones realmente resueltas, no entre el número de conversaciones contenidas.
Cómo medirlo. Tome su nota de calidad de resolución, aplíquela a su volumen contenido y use el recuento resultante como denominador. Incluya el coste posterior que generó la IA: los recontactos, el tiempo de atención adicional en los escalamientos que llegaron sin contexto y el tiempo humano dedicado a arreglar lo que quedó mal.
Cómo es una mala cifra. Si el coste por contacto realmente resuelto no es claramente mejor que el equivalente gestionado por humanos, el despliegue no se amortiza, por bien que se vea el gráfico de contención. Es la cifra que convierte un argumento de calidad en un argumento financiero, que suele ser el argumento que consigue presupuesto.
La tabla de definiciones de KPIs de agentes de IA (cópiela)
Cada KPI principal necesita una fórmula y una fuente de datos, o dos equipos lo calcularán de dos maneras. Los objetivos son puntos de partida para un primer trimestre, no referencias del sector: sustitúyalos por su propia línea de base tras cuatro semanas de evaluación.
| KPI | Fórmula | Fuente de datos | Objetivo de ejemplo (punto de partida) |
|---|---|---|---|
| Tasa de resolución correcta | Conversaciones de IA con una respuesta correcta, la acción realizada, la política respetada y sin recontacto en 7 días, divididas entre todas las conversaciones gestionadas por la IA | Evaluación de QA de las transcripciones, registros del backend, historial de contactos | A menos de 10 puntos de la tasa de resolución del proveedor, y subirla cada trimestre |
| Precisión auditada | Afirmaciones factuales confirmadas como correctas, divididas entre las afirmaciones factuales comprobadas | Evaluación frente a la base de conocimiento, los documentos de políticas y los datos de pedidos | 98% en conjunto; 100% en afirmaciones sobre dinero, legales y de seguridad |
| Cumplimiento de políticas | Conversaciones que superan cada control obligatorio aplicable, divididas entre las conversaciones en las que se aplicó un control | Criterios de aprobado o suspenso de la scorecard (identidad, avisos, límites de reembolso) | 100% en identidad y avisos regulados; cada suspenso revisado |
| Calidad de la derivación | Derivaciones que superan momento, contexto y pertinencia, divididas entre todas las derivaciones | Criterios de escalamiento de la scorecard más los eventos de traspaso del helpdesk | El 90% de las derivaciones aprueba; menos del 5% de los clientes tiene que repetir lo que dijo |
| Recontacto en 7 días | Clientes que vuelven por el mismo problema por cualquier canal en 7 días, divididos entre las conversaciones de IA marcadas como resueltas | Historial de contactos vinculado por ID de cliente entre canales | Igual o por debajo de la tasa de las conversaciones gestionadas por humanos del mismo tipo de contacto |
| Tasa de acciones automáticas indebidas | Acciones ejecutadas por la IA que incumplieron una regla, divididas entre todas las acciones ejecutadas por la IA | Registros de acciones conciliados con los límites de la política y la conversación que las desencadenó | Cero en pagos y acceso a la cuenta; menos del 0,1% en el resto, cada caso revisado |
| Coste por resolución correcta | Coste de la IA más el coste de los seguimientos humanos que causó, dividido entre las resoluciones correctas | Facturas de la plataforma, coste de personal, historial de contactos | Por debajo de su coste por resolución humana correcta para el mismo tipo de contacto |
Desglose cada fila por tipo de contacto, porque una media global oculta la única intención que está rota. Use las mismas definiciones para su equipo humano, para que las filas de la IA y de las personas quepan en un solo dashboard; cuando un KPI no tiene equivalente humano, como la tasa de acciones automáticas indebidas, muestre el control más cercano (reembolsos y abonos de agentes fuera de política).
Ejemplo práctico: un mes, dos cifras principales
Una ilustración con cifras redondas, no una referencia. Un agente de IA gestiona 10.000 conversaciones en un mes. El dashboard del proveedor muestra un 70% de contención (7.000 conversaciones) y un 65% de resolución (6.500).
El equipo audita 400 de las conversaciones “resueltas”. El 14% dio una respuesta equivocada o anunció una acción que nunca ocurrió, y otro 8% volvió por el mismo problema en 7 días. Eso deja un 78% de correctas.
| Cifra | Cálculo | Resultado |
|---|---|---|
| Resoluciones correctas | 6.500 x 78% | 5.070 |
| Tasa de resolución correcta | 5.070 / 10.000 | 50,7% (el proveedor dice 65%) |
| Seguimientos causados por la IA | 6.500 x 22% | 1.430 |
| Coste por resolución según el proveedor | 13.000 $ de coste de IA / 6.500 | 2,00 $ |
| Coste por resolución correcta | (13.000 $ + 1.430 x 6 $ de seguimiento humano) / 5.070 | 4,26 $ |
El mismo mes, las mismas conversaciones. Un informe dice que la IA resuelve el 65% de los contactos a 2,00 $; el otro dice que resuelve la mitad a más del doble de coste. Con una muestra de 400, el 78% tiene un margen de unos 4 puntos arriba o abajo (95% de confianza); evaluar todas las conversaciones elimina ese margen.
Qué paneles muestran la tasa de contención, el CSAT y el tiempo de gestión
La mayoría de los helpdesks y plataformas de agentes de IA ya muestran la tasa de contención, el CSAT y el tiempo medio de gestión en su analítica integrada. Lo que esos paneles rara vez muestran es si cada conversación se resolvió de verdad, fue correcta y cumplió las normas.
| Métrica | De dónde suele salir | Lo que no puede decirle |
|---|---|---|
| Tasa de contención o desvío | La plataforma del agente de IA o la analítica del helpdesk | Si el cliente recibió ayuda o se rindió |
| CSAT | Encuestas tras la conversación en el helpdesk | Qué vivieron los clientes que no respondieron |
| Tiempo medio de gestión | Informes del helpdesk o del contact center | Si una respuesta rápida fue una respuesta correcta |
| Calidad de resolución, precisión, cumplimiento de políticas | Una plataforma de QA que evalúa las transcripciones | (Es la capa que les falta a las otras tres) |
En la práctica son dos capas. Mantenga las cifras operativas de las herramientas que las producen y añada una capa de calidad que lea cada conversación, tanto de agentes humanos como de IA. Kaizo está hecho para esa segunda capa: evalúa las conversaciones de agentes de IA con la misma scorecard que las de su equipo, para que vea la calidad por equipo y por semana, personas e IA lado a lado. Para profundizar en la contención, consulte qué es la tasa de contención y por qué puede engañar.
Por qué las métricas de calidad de la IA necesitan cada conversación
Repase las métricas anteriores y verá que hay algo cierto para cada una: exige leer la conversación. La calidad de resolución es un juicio sobre la transcripción. La tasa de alucinaciones es una comprobación de afirmaciones frente a fuentes. La calidad del escalamiento es la valoración de un turno concreto. El abandono silencioso es la ausencia de una señal, lo que significa que solo se encuentra mirando conversaciones en las que no pasó nada.
Eso tiene dos consecuencias que la mayoría de los programas de medición aún no han asimilado.
El muestreo no funciona aquí
El control de calidad tradicional revisa un pequeño porcentaje de las conversaciones, y para un equipo humano de tamaño conocido es un compromiso estadístico defendible. Para la IA no lo es, por dos razones. Primero, los fallos de la IA son sistemáticos, no dispersos: un artículo de conocimiento erróneo o un caso límite de una política produce el mismo fallo cada vez que se activa, así que una muestra o capta todo el grupo o lo pierde por completo. Segundo, la IA gestiona mucho más volumen, así que la misma muestra pequeña es una ventana más pequeña sobre una operación más grande. Evaluar todas las conversaciones (en inglés) es la condición previa y no el objetivo: elimina el sesgo de selección que vuelve inútiles las demás cifras. No se trata de vigilar a nadie, se trata de no dejar que una regla de muestreo decida lo que dicen sus métricas.
No debería tener que aceptar una nota por fe
Exija que cada nota remita a la evidencia exacta de la transcripción que la produjo, que cualquier nota pueda ser impugnada y resuelta por un humano, y que el evaluador pueda ejecutarse sobre un conjunto de conversaciones que sus propios revisores ya evaluaron, para que vea la tasa de concordancia criterio por criterio antes de reportar nada hacia arriba. Una nota que puede rastrear es una nota que puede impugnar. Una nota que no puede rastrear es una afirmación de marketing con un número pegado.
Kaizo evalúa a los agentes de IA y a su equipo humano con una única rúbrica que usted define, con cada nota rastreable hasta la transcripción y comprobable frente a su propio conjunto de referencia. Kaizo aplica esa rúbrica a todas sus conversaciones en lugar de a una porción elegida. En la práctica, significa que el control de calidad de agentes de IA y el control de calidad de las personas dejan de ser dos programas separados que producen dos conjuntos de cifras imposibles de comparar.
Cómo medir el rendimiento de la IA en atención al cliente
Mida el rendimiento de la IA en atención al cliente en cinco pasos: defina la resolución por tipo de contacto, evalúe cada conversación de IA con una scorecard, añada las señales silenciosas, compare con su equipo humano e informe de la diferencia.
- Defina la resolución por tipo de contacto. Anote qué evidencia de la transcripción cuenta como resuelto en sus principales motivos de contacto: reembolso confirmado, cambio de dirección verificado, respuesta correcta reconocida.
- Evalúe cada conversación de IA con una sola scorecard. Use los mismos criterios que para su equipo humano, más los propios de un bot: precisión factual, fidelidad a la política, no salirse del alcance y escalar en el momento adecuado.
- Añada las señales silenciosas. Siga los recontactos entre canales y los abandonos silenciosos, porque ninguno aparece en la contención ni en el CSAT.
- Compare con su equipo humano. Ponga la calidad de la IA y la humana en el mismo gráfico, por tipo de contacto, para no comparar la cola fácil con la difícil.
- Informe de la diferencia. Muestre a la dirección la contención junto a la calidad de resolución, y el coste por contacto realmente resuelto junto al coste por contacto contenido.
Pruebe la propia evaluación antes de informar: aplíquela a conversaciones que sus revisores ya calificaron y compruebe la concordancia por criterio. Nuestra guía para medir el rendimiento de los agentes de IA explica el método con más detalle.
¿Cuándo no le conviene este conjunto de KPIs?
Si su agente de IA gestiona unos cientos de conversaciones al mes, solo responde preguntas frecuentes y no realiza acciones, siete KPIs son una carga: lea una muestra semanal y siga los recontactos.
Sin una scorecard escrita, redáctela primero (scorecard de agentes de IA). Una IA que solo redacta respuestas que envía una persona es asistencia al agente, así que se aplican los KPIs del equipo humano. Para empezar, evalúe 100 conversaciones “resueltas” al azar del mes pasado en respuesta correcta, acción realizada, política respetada y recontacto en 7 días, e informe del resultado junto a la tasa del proveedor (margen de unos 10 puntos). Para los umbrales de alerta, consulte la monitorización de agentes de IA.
Mida lo que sus agentes de IA hicieron realmente
Vea en una demo en vivo, con datos de ejemplo realistas, cómo se sitúa la calidad de resolución junto a la contención, evaluada con una rúbrica como la suya. Cada nota remite a la evidencia de la transcripción y, en su propia implantación, la contrasta con conversaciones que sus revisores ya evaluaron.
Hablemos Ver el QA de agentes de IA Ver Kaizo Insights
Preguntas frecuentes
¿Cuáles son las métricas de IA en atención al cliente más importantes?
La tasa de resolución correcta, la precisión auditada, el cumplimiento de políticas, la calidad de la derivación, el recontacto en 7 días, la tasa de acciones automáticas indebidas y el coste por resolución correcta, con la tasa de abandono silencioso como diagnóstico. Describen lo que realmente pasó en la conversación y en sus sistemas. La tasa de contención y el CSAT posterior a la IA, las dos que más se reportan, describen en cambio el enrutamiento y una opinión autoseleccionada, y por eso engañan.
¿Qué diferencia hay entre tasa de resolución, deflexión y contención?
La contención es la proporción de conversaciones que terminaron sin un humano. La deflexión es la proporción de contactos que nunca llegaron a una cola humana. La tasa de resolución es la prueba propia de cada proveedor, desde “el cliente se fue sin pedir más ayuda” hasta una revisión automatizada de la transcripción. Ninguna comprueba los registros del backend ni otros canales, y por eso la tasa de resolución correcta está por encima de ellas.
¿Qué es la tasa de contención y por qué engaña?
La tasa de contención, también llamada tasa de deflexión, es la proporción de conversaciones que una IA gestionó sin que interviniera un humano. Engaña porque mide si hubo que involucrar a alguien más, no si se ayudó al cliente. Un cliente que preguntó tres veces, no llegó a ninguna parte y cerró la ventana frustrado cuenta como contenido, y también uno que se rindió y llamó por teléfono.
¿Cómo medir el CSAT de agentes de IA y chatbots?
Trate el CSAT como una señal entre varias, no como el veredicto. El CSAT posterior a la IA lo responde un grupo pequeño y autoseleccionado, y los clientes a los que su IA falló más son los que menos probabilidades tienen de quedarse a responder una encuesta. Además mezcla la corrección con el tono, así que una IA equivocada con total seguridad puede obtener buena nota. Compárelo con medidas basadas en la transcripción en lugar de tratarlo como evidencia por sí solo.
¿Cómo se mide si un agente de IA resolvió realmente un problema?
Evalúe la resolución como un criterio de su rúbrica de QA, aplicado a la transcripción en lugar de deducido del estado del ticket. Defina, por tipo de contacto, qué evidencia de la conversación cuenta como resolución: el reembolso confirmado, el cambio confirmado al cliente, la respuesta correcta reconocida. Después compare esa proporción resuelta con su tasa de contención. La brecha entre ambas es el tamaño del problema.
¿Qué es la tasa de abandono silencioso?
Es la proporción de conversaciones con IA que un cliente abandona sin resolución y sin escalar: sin queja, sin encuesta, sin seguimiento. Estas conversaciones son invisibles para todas las métricas basadas en el enrutamiento porque no intervino ningún humano, así que inflan la contención. Encontrarlas exige leer las conversaciones que terminaron con un turno del cliente y juzgar si el problema se había atendido realmente.
¿Qué tasa de resolución puede lograr la IA en atención al cliente?
No existe una referencia fiable del sector, porque los proveedores llaman igual a cosas distintas: muchos cuentan como resuelta cualquier conversación contenida. La tasa que importa es la proporción de conversaciones de IA que una revisión de la transcripción califica como realmente resueltas para sus tipos de contacto. Mídala primero y compárela después con la contención; la diferencia muestra cuánto exagera la cifra de titular a la real.






