La gestión de políticas para agentes de IA es la forma en que un equipo de soporte mantiene las reglas que sigue un agente de IA (qué puede hacer, sus límites, sus excepciones y cuándo debe derivar) escritas una sola vez, con un responsable, versionadas y alineadas con lo que se indica a sus agentes humanos. Una base de conocimiento le da al agente los hechos. Un centro de políticas le dice qué puede hacer con ellos.
En resumen
- Los artículos de ayuda están escritos para personas que suplen los huecos con su criterio; un agente de IA repite a gran escala sus excepciones implícitas, sus versiones antiguas y sus contradicciones.
- Separe el conocimiento (hechos), la política (qué puede hacer el agente, límites, excepciones, escalamiento) y el procedimiento (los pasos): cada uno falla de forma distinta y tiene un responsable distinto.
- Mantenga una ficha de política por regla, con responsable, versión, fecha de revisión, artículos vinculados y casos de prueba, y haga que tanto la macro de las personas como la instrucción del agente de IA apunten a ella.
- Trate cada cambio de política como una nueva versión: un aprobador con nombre según el nivel de riesgo, una fecha de entrada en vigor, una nueva ejecución de los casos de prueba vinculados y una semana de revisión más estrecha.
- Cierre el ciclo: clasifique por causa cada conversación de IA fallida, envíe las causas de política al responsable de la ficha y vuelva a evaluar después de la corrección.
Esta guía es el eje de políticas y conocimiento de nuestra serie sobre gobernanza de agentes de IA, escrita para el Head of Support o el responsable de IA cuyo agente de IA sigue dando respuestas que “técnicamente estaban en el centro de ayuda”.
¿Por qué una base de conocimiento escrita para personas falla con los agentes de IA?
Una base de conocimiento escrita para personas falla con los agentes de IA porque las personas leen entre líneas y un agente de IA no. Los agentes humanos saben qué artículo está desactualizado, qué excepción permite el team lead y qué dos páginas se contradicen. El agente recupera lo que mejor encaja y lo afirma con seguridad, cada vez.
Cuatro patrones de fallo cubren la mayor parte de lo que sale mal:
| Patrón | Qué hace un agente humano | Qué hace el agente de IA | Corrección |
|---|---|---|---|
| Excepciones implícitas (“normalmente hacemos una excepción para…”) | Aplica la excepción no escrita cuando el caso lo merece | No la aplica nunca, o aplica a todos una versión supuesta | Escriba la excepción en la ficha de política, con sus condiciones y su límite |
| Versiones desactualizadas (el antiguo plazo de devolución sigue en un artículo) | Sabe que la política cambió el mes pasado | Cita el primer artículo que recupera | Un responsable por política, retirar los artículos antiguos de las fuentes del agente, versionar cada cambio |
| Artículos contradictorios (dos páginas, dos cifras) | Pregunta a un compañero cuál es la correcta | Elige una, o mezcla ambas | Una única fuente de verdad por política; las demás páginas enlazan con ella en lugar de repetirla |
| Conocimiento tácito (reglas que viven en Slack, en la cabeza de los team leads, en macros) | Lo aprendió en la incorporación o de la persona de al lado | No tiene ningún acceso a ello | Pase a una ficha cada regla que cambie un resultado antes de que el agente atienda esa intención |
La propia guía de Intercom sobre bases de conocimiento para chatbots (en inglés) expone el riesgo sin rodeos: un agente de IA recuperará fielmente un artículo desactualizado y dará una respuesta segura y errónea. El coste no es abstracto. En el caso Moffatt v. Air Canada (2024 BCCRT 149), un chatbot sugirió a un cliente en duelo que podía solicitar una tarifa por fallecimiento después del viaje. Air Canada argumentó que la información correcta estaba en su propia página sobre tarifas por fallecimiento, enlazada en esa misma respuesta, y que el chatbot era una entidad jurídica independiente responsable de sus propios actos. El tribunal de la Columbia Británica rechazó ese argumento, como explica este resumen de WeirFoulds (en inglés). La empresa respondía de la respuesta.
Muchas “alucinaciones” en soporte son problemas de contenido. Nuestra guía sobre alucinaciones de los agentes de IA muestra cómo distinguir una respuesta inventada de una respuesta errónea repetida fielmente, y por qué fallan las conversaciones con IA desglosa más las causas.
¿Qué diferencia hay entre conocimiento y política para un agente de IA?
El conocimiento es lo que es cierto: precios, plazos de devolución, tiempos de envío, cómo funciona una función. La política es lo que el agente de IA puede hacer al respecto: qué acciones puede ejecutar, hasta qué límite, con qué excepciones y cuándo debe derivar. El procedimiento es el orden de los pasos. Mezclar los tres en un mismo artículo es la raíz de la mayoría de las desviaciones.
| Conocimiento | Política | Procedimiento | |
|---|---|---|---|
| Responde a | ¿Qué es cierto? | ¿Qué puede hacer el agente y dónde se detiene? | ¿En qué orden se dan los pasos? |
| Ejemplo | “Los pedidos estándar pueden devolverse en un plazo de 30 días.” | “El agente puede reembolsar hasta 100 USD sin aprobación; por encima, deriva con el ID del pedido.” | “Verificar el pedido, comprobar la fecha de entrega, crear la etiqueta de devolución, confirmar por email.” |
| Responsable | Equipo de contenido o de conocimiento | Responsable de negocio (finanzas, legal, operaciones) | Operaciones de soporte |
| Cómo falla | Hecho erróneo o desactualizado | Acción no autorizada, excepción pasada por alto, escalamiento que no se hizo | Paso omitido o desordenado |
Las plataformas de agentes ya trazan esta línea. Intercom comprueba la guidance de Fin antes de que Fin busque una respuesta en su contenido de ayuda (en inglés), y sus Fin Procedures (en inglés) añaden condiciones y traspasos a un equipo. Decagon describe sus Agent Operating Procedures (en inglés) como instrucciones en lenguaje natural respaldadas por código, escritas de forma parecida a como se forma al personal humano con procedimientos operativos. Cada plataforma le da un lugar donde escribir instrucciones. Ninguna decide cuál es la regla vigente. Esa es la tarea de un centro de políticas.
¿Cómo se prepara una base de conocimiento para un agente de IA?
Para preparar una base de conocimiento para un agente de IA, empiece por las intenciones que atenderá el agente, no por todo el centro de ayuda. Para cada intención, localice todos los artículos que la tocan, elimine duplicados y contradicciones, escriba las condiciones de forma explícita y lleve cada regla que cambie un resultado a una ficha de política con la que enlace el artículo.
- Enumere las intenciones principales del primer trimestre del agente, ordenadas por volumen y riesgo (dinero, requisitos, redacción con implicaciones legales).
- Reúna todas las fuentes que responden a cada intención: artículos de ayuda, macros, páginas de la wiki, respuestas guardadas, mensajes fijados en Slack.
- Marque cada frase como conocimiento, política o procedimiento. Las frases de política contienen palabras como “puede”, “debe”, “hasta”, “solo si”, “excepto” y “contacte con nosotros”.
- Resuelva los conflictos antes del lanzamiento. Si dos fuentes no coinciden, decide el responsable de la política, una ficha registra la respuesta y la página descartada se reescribe o se retira de las fuentes del agente.
- Escriba las condiciones completas. “Si tiene el plan anual” es mejor que “según su plan”. La guía de Intercom recomienda una pregunta por artículo y condiciones explícitas por el mismo motivo.
- Delimite las variantes. Las variantes por región, plan y producto tienen cada una su propia ficha o su propia audiencia.
- Enlace, no copie. Los artículos de ayuda y las instrucciones del agente remiten a la ficha; nunca reformulan el límite con sus propias palabras.
Para el propio centro de ayuda, nuestra guía para crear una base de conocimiento de atención al cliente (en inglés) cubre la estructura y las reglas de redacción para lectores humanos.
¿Qué debe incluir una ficha de política para un agente de IA?
Una ficha de política para un agente de IA debe incluir la política en una frase, su alcance, las acciones permitidas y sus límites, las excepciones, la regla de escalamiento, un responsable, una fecha de revisión, los artículos de ayuda vinculados y los casos de prueba que demuestran que el agente la sigue. Añada una versión y una fecha de entrada en vigor para que las personas y el agente cambien a la vez.
Esta es la plantilla, rellenada para el reembolso de un artículo dañado. Cópiela en una hoja de cálculo o en una wiki, una ficha por política.
| Campo | Qué escribir | Ejemplo: artículo dañado a la llegada |
|---|---|---|
| ID y versión de la política | ID estable, número de versión, fecha de entrada en vigor | RF-DMG-02 · v3 · en vigor desde el 1 de diciembre |
| Política | Una frase que un cliente pueda entender | Los artículos que llegan dañados se sustituyen o se reembolsan si se comunica en los 14 días siguientes a la entrega |
| Alcance | Canales, regiones, planes, productos, intenciones que cubre | Chat y email · Estados Unidos y Canadá · todos los planes · intenciones “artículo dañado”, “roto a la llegada” |
| Acciones permitidas y límites | Qué puede hacer el agente solo, con límites numéricos | Consultar el pedido: sí. Pedir una foto: sí. Crear una sustitución: sí. Reembolso: hasta 100 USD por pedido. Saldo en tienda: no |
| Excepciones | Cada excepción con su condición y su propio límite | Aviso entre los días 15 y 30 con foto: solo sustitución, sin reembolso. Productos perecederos: reembolso sin foto |
| Regla de escalamiento | Cuándo derivar, a quién, con qué contexto | Reembolso de más de 100 USD, tercera reclamación en 90 días o un problema de seguridad: derivar al equipo de Reclamaciones con el ID del pedido, la foto y la fecha de entrega |
| Nunca | Promesas que el agente no debe hacer | Ninguna compensación por encima del valor del pedido; ninguna promesa sobre reclamaciones al transportista |
| Responsable | Un rol con nombre, más un suplente | Head of Customer Operations (suplente: responsable de Reclamaciones) |
| Fecha de revisión | Próxima revisión programada y el motivo para adelantarla | 1 de marzo, o cualquier cambio en las condiciones del transportista |
| Artículos de ayuda vinculados | Las páginas para clientes que exponen la política | “Artículos dañados o que faltan”, “Plazos de reembolso” |
| Instrucción del agente | Dónde está la instrucción en la plataforma del agente, por referencia | La regla de guidance “Artículos dañados” apunta a RF-DMG-02 v3 |
| Macro para personas | La macro o el guion que usa su equipo | Macro “Artículo dañado: sustitución o reembolso” |
| Casos de prueba | IDs de los casos que deben superarse tras cualquier cambio | RF-014 (día 15, sin foto), RF-015 (perecedero), RF-016 (tercera reclamación) |
| Registro de cambios | Fecha, cambio, aprobador | 12 de noviembre: plazo de 30 a 14 días, aprobado por el Head of Customer Operations |
Dos reglas mantienen honesta la ficha. Cada límite aparece en un único lugar, la ficha, y el artículo, la macro y la instrucción del agente apuntan a ella. Y una ficha sin casos de prueba no está terminada. Nuestra guía de pruebas de agentes de IA incluye la plantilla de caso de prueba que corresponde a los últimos campos de esta ficha.
¿Cómo se mantienen los procedimientos humanos y las instrucciones del agente de IA en una única fuente de verdad?
Haga que la ficha de política sea el único lugar donde se define una regla y vincule con ella tanto la macro de las personas como la instrucción del agente de IA. Cuando cambia la ficha, ambas cambian en la misma versión, y nadie modifica un límite directamente dentro de un prompt o de una macro.
La fuente de verdad no es una herramienta nueva. Es una disciplina sobre dónde vive cada texto:
| Capa | Contiene | No debe contener |
|---|---|---|
| Ficha de política | La regla, los límites, las excepciones, el escalamiento, el responsable, la versión | Redacción para el cliente, clics paso a paso |
| Artículo de ayuda | La explicación para el cliente, vinculada a la ficha | Un límite o una excepción distintos de los de la ficha |
| Macro e incorporación de las personas | El guion y los pasos para su equipo | Su propia copia del límite |
| Instrucción del agente de IA (guidance, procedimiento, AOP) | Cómo aplica el agente la ficha: tono, pasos, traspaso | Una copia pegada del texto de la política que nadie actualiza |
Dos hábitos hacen que funcione. Nombre las instrucciones con el ID de la ficha, de modo que una búsqueda de “RF-DMG-02” encuentre todos los lugares que dependen de ella. Y compare resultados, no textos: una vez al mes, compruebe que un agente humano y el agente de IA llegan al mismo resultado en el mismo tipo de caso. Si no es así, uno de los dos trabaja con una versión antigua.
Las instrucciones por sí solas no retiran una fuente. La guía de Intercom señala que Fin puede seguir mostrando contenido que sus reglas de Guidance le indican evitar, y recomienda eliminar ese contenido o restringirlo por audiencia. Retirar un artículo antiguo de las fuentes del agente forma parte de cada cambio de política.
¿Quién aprueba un cambio de política y cómo llega al agente de IA?
Un cambio de política lo aprueba el responsable de negocio de esa política, con más aprobadores a medida que aumenta el riesgo. Llega al agente de IA en la misma versión que la macro de las personas y el artículo de ayuda: ficha actualizada, fuentes retiradas, instrucción actualizada, casos de prueba ejecutados de nuevo, fecha de entrada en vigor fijada y, después, una semana de revisión más estrecha.
Vincule el circuito de aprobación a lo que el cambio hace con el resultado para el cliente:
| Nivel | Qué cambia | Aprobador | Antes de entrar en producción | Después |
|---|---|---|---|---|
| A. Redacción | Texto más claro, mismo resultado | Responsable de conocimiento | Volver a ejecutar los casos de prueba de la ficha | Revisión normal |
| B. Límites o requisitos | Un plazo, un importe, quién tiene derecho | Responsable de la política más operaciones de soporte | Todos los casos de prueba de la ficha, personas informadas, fecha de entrada en vigor fijada en el agente | Revisar todas las conversaciones de la intención durante 7 días |
| C. Nueva acción o autoridad | El agente puede ahora reembolsar, cancelar, abonar o modificar una cuenta | Responsable de la política, responsable de IA, riesgos o cumplimiento normativo | Pruebas más un periodo supervisado en el que una persona aprueba la acción | Ampliar solo cuando la revisión muestre que se sostiene |
| D. Emergencia | Retirada de producto, caída del servicio, orden legal | Responsable de guardia | Vía rápida: restringir o derivar primero, afinar después | Revisión retrospectiva en 48 horas |
En el nivel C la política se encuentra con la autonomía. Decidir qué acciones puede ejecutar un agente solo se trata en nuestra guía sobre niveles de autonomía de los agentes de IA, y los límites estrictos que se mantienen sean cuales sean las instrucciones, en nuestra guía de guardrails para agentes de IA.
Esto refleja la práctica general de gestión de riesgos de la IA: el AI Risk Management Framework del NIST pide políticas y procedimientos transparentes, revisiones periódicas planificadas y roles claramente definidos (en inglés). Una ficha de política con responsable, fecha de revisión y registro de cambios aplica eso a una regla de reembolso.
El paso que la mayoría de los equipos omite es la fecha de entrada en vigor. Una política que cambia el 1 de diciembre debe llegar al agente el 1 de diciembre, no el 20 de noviembre ni el 5 de diciembre, en el mismo momento en que cambia el equipo humano.
¿Cómo se convierten las conversaciones fallidas en correcciones de las políticas?
Las conversaciones fallidas se convierten en correcciones de las políticas cuando cada fallo se clasifica por causa, las causas de política se envían al responsable de la ficha y la corrección se comprueba evaluando de nuevo la misma intención después. Sin clasificación, cada error parece un problema de la IA, y el equipo ajusta prompts mientras la causa real está en un artículo desactualizado. El ciclo:
- Evalúe las conversaciones del agente de IA con criterios que separen los tipos de fallo: exactitud frente a su contenido, fidelidad a la política, alcance y escalamiento.
- Clasifique la causa de cada fallo: versión desactualizada de la política, excepción que falta, fuentes contradictorias, instrucción no seguida, falta de acceso a una herramienta o a datos, o un error del producto. Nuestra guía sobre error del agente o error del proceso (en inglés) ofrece la misma distinción para los agentes humanos.
- Envíe cada causa a su responsable: las causas de política al responsable de la ficha, las causas de instrucción al responsable de IA, las causas de acceso a ingeniería.
- Corrija primero la ficha y después los artículos, la macro y la instrucción que apuntan a ella.
- Añada un caso de prueba a partir de la conversación que reveló el fallo y vincúlelo a la ficha.
- Vuelva a evaluar la intención durante la semana siguiente y compare la tasa de fallo con la de la semana anterior.
Corregir un agente de IA no es lo mismo que hacer coaching a una persona; consulte coaching de personas frente a corregir agentes de IA.
Un ejemplo práctico (ilustración, no datos de clientes)
Un agente de IA atiende 20.000 conversaciones al mes, 3.000 de ellas sobre reembolsos y devoluciones. Al evaluarlas todas aparece una tasa de fallo del 3% en fidelidad a la política para esa intención: 90 conversaciones. La responsable de QA las clasifica:
| Causa | Conversaciones | Proporción | Responsable |
|---|---|---|---|
| Versión desactualizada (el antiguo plazo de 30 días en unas preguntas frecuentes retiradas que siguen en las fuentes del agente) | 38 | 42% | Responsable de conocimiento |
| Excepción que falta (las personas reembolsan los perecederos sin foto, nunca se puso por escrito) | 27 | 30% | Responsable de la política |
| Artículos contradictorios (dos páginas, dos plazos de reembolso) | 14 | 16% | Responsable de conocimiento |
| Instrucción no seguida (el agente ofreció saldo en tienda, algo que la ficha prohíbe) | 7 | 8% | Responsable de IA |
| Herramienta o datos (falló la consulta del pedido y el agente supuso) | 4 | 4% | Ingeniería |
| Total | 90 | 100% |
Dos correcciones de contenido (retirar las antiguas preguntas frecuentes y escribir en la ficha la excepción de los perecederos) resuelven 65 de los 90 fallos, es decir, el 72%. Añadir la corrección de los artículos contradictorios eleva la cifra a 79 de 90, el 88%. Solo 7 fallos, el 8%, son un problema del prompt: un equipo que hubiera empezado por reescribir el prompt habría tocado la parte más pequeña. Las notas de la semana siguiente muestran si las correcciones se mantuvieron.
¿Cómo se detecta la desviación de las políticas antes que los clientes?
La desviación de las políticas se detecta comprobando, con una frecuencia fija, que cada política está definida una sola vez, tiene responsable, está al día y la aplican igual las personas y el agente de IA. La desviación aparece como un aumento lento de los escalamientos marcados como “no está claro” o como personas y agente llegando a resultados distintos en el mismo caso.
Copie este checklist de desviaciones en su revisión mensual de políticas:
| # | Comprobación | Señal de desviación | Frecuencia |
|---|---|---|---|
| 1 | Cada política que aplica el agente tiene una ficha con responsable y una fecha de revisión futura | Fichas con la fecha de revisión vencida | Mensual |
| 2 | La versión que figura en la instrucción del agente coincide con la de la ficha | La instrucción cita una versión anterior | Cada cambio |
| 3 | Ningún par de artículos de ayuda indica valores distintos para el mismo límite | Una búsqueda de la cifra devuelve dos valores | Mensual |
| 4 | Los artículos retirados también se eliminan de las fuentes del agente | Una página retirada sigue citada en respuestas de la IA | Cada cambio |
| 5 | Las instrucciones del agente remiten a fichas en lugar de pegar el texto de la política | Un límite aparece dentro de un prompt | Trimestral |
| 6 | Las excepciones que conceden las personas están escritas en la ficha | Gestos comerciales o excepciones en una intención sin ninguna excepción registrada | Mensual |
| 7 | Los escalamientos etiquetados como “política poco clara” se mantienen estables | Aumento semana a semana en una intención | Semanal |
| 8 | Los fallos de fidelidad a la política por ficha se mantienen estables | Los fallos de una ficha suben tras un cambio | Semanal |
| 9 | Las personas y el agente de IA llegan al mismo resultado en el mismo tipo de caso | Resultados distintos en una muestra emparejada | Mensual |
| 10 | Los casos de prueba de cada ficha se superaron tras el último cambio | Cambio publicado sin ejecutar las pruebas | Cada cambio |
| 11 | Las fechas de entrada en vigor futuras están programadas en el agente | Una política está en vigor para las personas pero no para el agente, o al revés | Cada cambio |
| 12 | Las variantes por región, plan y producto están bien delimitadas | El agente responde con la regla de otro producto o de otra región | Trimestral |
Las comprobaciones 7, 8 y 9 necesitan datos de conversaciones, no una revisión de documentos: una desviación que afecta al 2% de una intención es invisible en una muestra de 50 y evidente en una semana completa de notas. Nuestra auditoría de la tasa de resolución de los agentes de IA explica cómo comprobar si las conversaciones “resueltas” se resolvieron de verdad correctamente.
Dónde encaja Kaizo
Kaizo cubre la parte de las evidencias del ciclo: la evaluación, los patrones de fallo y la nueva evaluación tras una corrección. AutoPilot evalúa cada conversación resuelta con su propia scorecard.
Con el QA para agentes de IA, usted añade los criterios en los que falla un bot (exactitud de los hechos, fidelidad a la política, alcance y escalamiento), redactados con sus propias palabras, y conecta su base de conocimiento para que la IA juzgue frente a su contenido. Cada nota enlaza con la evidencia en la conversación. El análisis de causa raíz agrupa los fallos que hay detrás de una caída, de modo que diez respuestas erróneas de un mismo artículo se convierten en una sola corrección. Vuelva a evaluar después de cada cambio para confirmar que la corrección se mantiene.
Véalo con sus propias conversaciones. Reserve una demo y traiga una intención en la que su agente de IA y su equipo no coincidan.
¿Cuándo un centro de políticas es más de lo que necesita?
Un centro de políticas completo no es para usted todavía si su agente de IA solo responde preguntas a partir de un centro de ayuda pequeño, no ejecuta acciones y atiende unos cientos de conversaciones al mes. En ese caso basta con un responsable por artículo, una fecha de revisión y una lectura mensual de las conversaciones del agente. Las señales de que esa configuración ligera se le ha quedado pequeña:
- El agente ejecuta acciones (reembolsos, cancelaciones, cambios en cuentas) en lugar de solo responder.
- Sus políticas varían por región, plan o producto.
- Las políticas cambian más de una vez por trimestre, o en una fecha de entrada en vigor fija.
- Los agentes humanos conceden excepciones que después los clientes piden al agente de IA.
- Más de un agente de IA atiende a los mismos clientes. Todos deben apuntar a la misma ficha, parte del paso seguro a la atención al cliente agéntica.
Cómo empezar esta semana
Empiece por una intención, no por todo el centro de ayuda. Una semana basta para escribir una ficha de política, limpiar las fuentes que la rodean y empezar a medir si el agente de IA la sigue.
- Elija una intención con dinero de por medio, normalmente reembolsos o cancelaciones.
- Reúna todas las fuentes que responden a ella: artículos, macros, páginas de la wiki, mensajes fijados en Slack, las instrucciones del agente.
- Escriba una ficha de política con la plantilla de arriba y pida al responsable de negocio que firme los límites y las excepciones.
- Retire o reescriba cada fuente que contradiga la ficha y elimine las páginas retiradas de las fuentes del agente.
- Convierta tres conversaciones fallidas anteriores en casos de prueba vinculados a la ficha.
- Evalúe esa intención durante dos semanas, clasifique cada fallo por causa y aplique el checklist de desviaciones antes de empezar la segunda ficha.
Preguntas frecuentes
¿Qué es una base de conocimiento en atención al cliente?
Una base de conocimiento es una biblioteca de respuestas en la que pueden buscar sus clientes y sus agentes, como un centro de ayuda con artículos del tipo “¿Cómo devuelvo un artículo?”. Se convierte en la base de conocimiento de un agente de IA cuando el agente recupera esos artículos para responder a los clientes, y por eso los artículos desactualizados o contradictorios se convierten en respuestas erróneas a gran escala. Las reglas que hay detrás corresponden a fichas de política con las que enlazan los artículos.
¿Las políticas del agente de IA deben estar en el prompt o en la base de conocimiento?
Ninguna de las dos cosas por sí sola. Los hechos van en la base de conocimiento, las reglas en una ficha de política con responsable y versión, y la instrucción del agente debe remitir a esa ficha en lugar de pegar su texto. Un límite copiado en un prompt es lo primero que se queda desactualizado.
¿Es responsable una empresa cuando su chatbot se equivoca con una política?
Puede serlo. En el caso Moffatt v. Air Canada (2024 BCCRT 149), un tribunal de la Columbia Británica declaró a la aerolínea responsable de lo que su chatbot dijo a un cliente y rechazó el argumento de que el chatbot era una entidad jurídica independiente. Trate cada respuesta de un agente de IA como una declaración de su propia política y busque asesoramiento jurídico para su mercado.
¿Con qué frecuencia deben revisarse las políticas de un agente de IA?
Revise cada ficha en una fecha fija según su riesgo (mensual para las reglas de dinero y de requisitos, trimestral para el resto) y de inmediato cuando cambie la regla de negocio. Cada semana, compruebe por ficha los fallos de fidelidad a la política y los escalamientos marcados como “política poco clara”.
¿Qué diferencia hay entre un chatbot y un agente de IA que ejecuta acciones?
Un chatbot responde preguntas a partir de su contenido. Un agente de IA también actúa: consulta el pedido, aplica la política, emite el reembolso. Por eso un agente necesita políticas con límites, excepciones y reglas de escalamiento, no solo artículos exactos.
