Casos de uso de IA agéntica: qué automatizar primero

Los mejores casos de uso de IA agéntica en atención al cliente para empezar son intenciones de mucho volumen, con reglas escritas, poco riesgo en la acción y datos a los que el agente puede acceder: estado del pedido, ayuda con el inicio de sesión y consultas sencillas de cuenta. Intenciones que parecen igual de simples, como bajas, cambios de dirección, devoluciones y códigos promocionales, suelen esconder reglas de negocio no documentadas y pertenecen a una segunda ola, cuando esas reglas estén por escrito.

En resumen

• Elija las primeras intenciones de un agente de IA con una puntuación, no por intuición: volumen, complejidad de la resolución, claridad de la política, riesgo de la acción, acceso a los datos y emoción del cliente, cada uno de 1 a 5 y ponderado.
• Añada un control antes de que cualquier intención entre en producción: si no puede saber por la transcripción y el registro de acciones si el agente acertó, esa intención no va primero.
• Las bajas, los cambios de dirección, las devoluciones y los códigos promocionales parecen una sola acción, pero esconden decisiones que los agentes con experiencia toman de memoria, y que un agente de IA no conocerá.
• Encuentre las reglas ocultas antes del lanzamiento: lea 50 tickets resueltos por intención, entreviste a sus mejores agentes, enumere cada excepción y solo entonces puntúe la claridad de la política.
• Dividir una intención (devolución estándar dentro del plazo frente a todas las excepciones) suele convertir un mal primer candidato en uno bueno para la segunda ola.

Esta guía trata la primera decisión de alcance en la transición hacia la atención al cliente agéntica.

¿Qué intenciones de atención al cliente debe atender primero un agente de IA?

Un agente de IA debe atender primero las intenciones que plantean muchos clientes, que siguen reglas escritas con pocas excepciones y en las que una acción equivocada es barata de deshacer. Los primeros candidatos típicos son el estado del pedido, la ayuda con contraseñas e inicio de sesión, los horarios y la información de planes. Todo lo que mueve dinero, pone fin a un contrato o depende del criterio de una persona, espera.

Una intención es un motivo de contacto: lo que el cliente quiere conseguir, como “dónde está mi pedido” o “quiero cancelar mi suscripción”. La lista de motivos de contacto de su helpdesk, por desordenada que esté, es el inventario de partida.

El error habitual es elegir solo por volumen: el volumen muestra dónde está el ahorro, no si el agente de IA puede acertar, cuánto cuesta un error ni si alguien lo notaría. Muchas guías de proveedores colocan las devoluciones y la gestión de cuentas en el grupo seguro, y sin embargo es ahí donde viven las reglas no documentadas. El resto de esta guía convierte esa intuición en una puntuación que pueda defender.

¿Cuáles son los casos de uso típicos de la IA agéntica en atención al cliente?

Los casos de uso típicos de la IA agéntica en atención al cliente son el estado del pedido y de la entrega, la ayuda con la cuenta y el inicio de sesión, las devoluciones y los reembolsos, los cambios de dirección y de pedido, los cambios y bajas de suscripción, las consultas de facturación, la reserva de citas y la recepción y el enrutamiento de tickets. Se diferencian menos por la tecnología que por el riesgo: unos solo leen datos y otros mueven dinero.

Un agente de IA ejecuta la acción en sus sistemas, así que la acción importa tanto como la pregunta. La tabla agrupa los casos de uso habituales según el nivel de autonomía que suele necesitar la acción, con los niveles de nuestra guía sobre los niveles de autonomía de los agentes de IA.

La última columna es un resultado típico, no una regla; decide su propia puntuación.

¿Cómo se puntúan las intenciones de soporte para automatizarlas?

Puntúe cada intención de 1 a 5 en seis criterios (volumen, complejidad de la resolución, claridad de la política, riesgo de la acción, acceso a los datos y emoción del cliente), multiplique por las ponderaciones siguientes y divida el total entre 5 para obtener una puntuación de prioridad de 20 a 100. Después aplique el control de medibilidad y las reglas eliminatorias antes de que nada entre en producción.

En todos los criterios, 5 significa “mejor primer candidato”, así que una puntuación más alta siempre es más segura y más valiosa de automatizar pronto.

La scorecard de priorización de intenciones

Complete los valores intermedios de la forma obvia: volumen 4 es del 8% al 14% y volumen 2 es del 2% al 3%; claridad de la política 4 es 1 o 2 excepciones no escritas y 2 es de 6 a 10. El riesgo de la acción sigue el nivel de autonomía: el nivel 0 puntúa 5, el nivel 1 puntúa 4, el nivel 2 puntúa 3, el nivel 3 puntúa 2 y el nivel 4 puntúa 1. Si una intención abarca acciones de dos niveles (baja al final del periodo frente a baja inmediata con reembolso), puntúe la más arriesgada, o divida la intención.

Puntuación de prioridad = (volumen × 20 + complejidad × 15 + claridad × 20 + riesgo × 20 + datos × 10 + emoción × 15) ÷ 5.

Franjas: 80 o más va en la primera ola. De 65 a 79 va en la segunda ola, una vez corregido el criterio más débil. Por debajo de 65 se queda con las personas, o el agente de IA asiste a una persona, hasta que vuelva a puntuar.

El control de medibilidad de la calidad

Antes de que una intención entre en producción, pregúntese: ¿podría un revisor, o un evaluador automático, saber por la transcripción y el registro de acciones si el agente de IA acertó? Debe poder escribir el resultado correcto como criterios de la scorecard, como “dio el estado del transportista que coincide con los datos de seguimiento” o “detuvo la renovación y no canceló de inmediato salvo que se le pidiera”. Si no puede, la intención no pasa sea cual sea su puntuación, porque sus errores siguen invisibles hasta que los clientes se quejan. Consulte cómo hacer el control de calidad de los agentes de IA para redactar esos criterios.

Reglas eliminatorias

Tres resultados impiden que una intención vaya primero, aunque tenga un total alto:

1. Claridad de la política 1: las reglas se contradicen o la mayoría de los casos usa reglas no escritas, así que el agente improvisará.
2. Riesgo de la acción 1: las acciones de nivel 4 (borrar datos personales, cambiar datos bancarios) se quedan con una persona.
3. Un control de medibilidad no superado.

Ejemplo práctico: cómo ordenar 8 intenciones de soporte

El ejemplo práctico siguiente es una ilustración, no datos de clientes: un equipo de comercio electrónico por suscripción con 40.000 contactos al mes puntúa ocho intenciones. El estado del pedido y la ayuda con el inicio de sesión quedan en la primera ola, el cambio de plan en la segunda, y las cuatro intenciones que “parecen simples” puntúan por debajo de 65 hasta que sus reglas ocultas estén por escrito.

Para comprobar una fila: el estado del pedido es (5 × 20 + 5 × 15 + 4 × 20 + 5 × 20 + 5 × 10 + 4 × 15) ÷ 5 = 465 ÷ 5 = 93.

Lo que la clasificación le dice a este equipo:

• La primera ola cubre el 31% de los contactos (12.400 al mes) con dos intenciones: un arranque más pequeño que “todo lo que dure menos de cinco minutos”, y uno que se puede medir.
• Las devoluciones tienen el segundo volumen más alto pero puntúan 62. El problema es la claridad de la política: en 50 tickets de devolución resueltos, el equipo encontró 7 decisiones que ningún artículo de ayuda describía.
• Los códigos promocionales quedan eliminados. Nadie supo poner por escrito cuándo un agente acepta un código caducado, así que ningún evaluador podría juzgar tampoco la respuesta del agente de IA.
• Las bajas puntúan por su acción más arriesgada. Cancelar ya con reembolso necesita aprobación (nivel 3), así que el riesgo de la acción es 2, no el 4 de una simple detención de la renovación.

Ahora divida la intención de devolución. “Devolución estándar dentro del plazo, artículo admitido” es el 10% de los contactos. Con sus reglas por escrito, la complejidad y la claridad suben a 4: (4 × 20 + 4 × 15 + 4 × 20 + 3 × 20 + 4 × 10 + 3 × 15) ÷ 5 = 365 ÷ 5 = 73. Eso la lleva a la segunda ola. El 4% restante (dañado, personalizado, fuera de plazo, gesto comercial) se queda con las personas y se traspasa con contexto.

¿Qué intenciones “simples” esconden reglas de negocio?

Las intenciones que con más frecuencia esconden reglas de negocio son las bajas, los cambios de dirección, las devoluciones, los códigos promocionales, los reembolsos por entregas tardías y la actualización del método de pago. Cada una parece una sola acción, pero sus mejores agentes toman por el camino varias decisiones basadas en la experiencia, y ninguna de ellas está escrita donde un agente de IA pueda leerla.

Algunas reglas ocultas son legales. En la UE, el consumidor dispone en general de 14 días para desistir de un contrato a distancia “sin indicar los motivos” (Directiva 2011/83/UE, artículo 9), y el artículo 16 enumera 13 excepciones, como los bienes confeccionados conforme a las especificaciones del consumidor, los bienes que se deterioran con rapidez y los bienes precintados por motivos de higiene que se han desprecintado tras la entrega. Un agente que dice “no se admiten devoluciones” o “puede devolver cualquier cosa” se equivoca en ambos casos. Compruebe sus mercados con su asesor legal y escriba el resultado en la regla.

Una prueba rápida: si dos agentes con experiencia gestionarían el mismo ticket de forma distinta, la intención tiene una regla no escrita, y el agente de IA aplicará una sola versión a todo el mundo.

¿Cómo se descubren las reglas ocultas antes del lanzamiento?

Descubra las reglas ocultas en cuatro pasos: lea 50 tickets resueltos por intención y anote cada decisión tomada, entreviste a dos o tres de sus mejores agentes sobre los casos en que se apartan de la respuesta estándar, escriba cada excepción como una regla con un responsable y convierta cada una en un caso de prueba. Puntúe la claridad de la política solo después de este trabajo.

1. Lea 50 tickets resueltos por intención. No los 50 más recientes, sino una mezcla: unos 20 normales, 10 reabiertos, 10 escalados y 10 con baja satisfacción o con el mayor tiempo de gestión. En cada uno, anote la decisión, los datos usados y si la regla aplicada está escrita en algún sitio. El número de decisiones no escritas fija la puntuación de claridad de la política.

2. Entreviste a dos o tres de sus mejores agentes, treinta minutos cada uno, con preguntas que saquen a la luz las excepciones:

• “¿Cuándo no hace lo que dice el artículo de ayuda?”
• “¿Qué comprueba antes de hacer esto?”
• “¿A qué clientes se les trata de forma distinta, y por qué?”

3. Enumere las excepciones y asigne un responsable a cada una. Escriba cada excepción como una regla con un desencadenante, una acción y un límite, y decida si el agente de IA la aplica o traspasa el caso. La plantilla de ficha de política de la gestión de políticas de agentes de IA hace que la macro de las personas y la instrucción del agente de IA apunten a la misma regla.

4. Convierta las excepciones en casos de prueba: un mensaje del cliente, la acción esperada y la respuesta esperada, ejecutados antes del lanzamiento y después de cada cambio. Consulte las pruebas de chatbot para las conversaciones con guion y las pruebas de agentes de IA para las acciones y el uso de herramientas.

Calcule medio día por intención para los tickets, más las entrevistas: más barato que descubrir las reglas por las quejas.

¿Debe una intención funcionar como flujo determinista o generativo?

Use un flujo determinista, con pasos fijos y reglas en código, cuando la decisión sigue criterios claros como plazos de admisión, límites y verificaciones de identidad. Deje al modelo generativo lo que el código no puede hacer: entender la solicitud del cliente, pedir los datos que faltan y explicar el resultado. La mayoría de las buenas intenciones combina ambos.

Anthropic describe los flujos de trabajo como “sistemas en los que los LLM y las herramientas se orquestan mediante rutas de código predefinidas”, y los agentes como sistemas en los que los modelos “dirigen de forma dinámica sus propios procesos y el uso de herramientas”, y recomienda “buscar la solución más sencilla posible y aumentar la complejidad solo cuando sea necesario” (Anthropic, Building effective agents, en inglés).

Un reparto práctico para las intenciones de soporte: las verificaciones de identidad, las consultas de pedidos, la admisibilidad (plazos, exclusiones, límites), la llamada a la API con sus límites aplicados, las fórmulas exigidas por ley y los desencadenantes fijos de traspaso van en el código o en la herramienta. Entender la solicitud, pedir los datos que faltan, elegir qué acción aprobada encaja, el tono y detectar la frustración corresponden al modelo. La admisibilidad en temas de dinero o de contratos nunca la decide el modelo solo.

Hay una tensión. La guía de OpenAI para crear agentes cita la aprobación de reembolsos en atención al cliente como ejemplo de “toma de decisiones compleja” en la que los agentes encajan, y dice que, si no, “puede bastar una solución determinista” (OpenAI, A practical guide to building agents, en inglés). La misma guía dice que “cancelar pedidos de usuarios, autorizar reembolsos elevados o realizar pagos” debe activar la supervisión humana hasta que crezca la confianza en el agente. Ambas cosas son ciertas: las intenciones que exigen criterio son donde los agentes aportan más valor y donde más evidencias se necesitan antes. Llegan más tarde, no nunca.

¿Cómo saber cuándo añadir la siguiente intención?

Añada la siguiente intención cuando las actuales se mantengan estables durante varias semanas: las resoluciones correctas se mantienen en su objetivo, los escalamientos ocurren en el momento adecuado y los fallos revisados tienen causas conocidas con correcciones aplicadas. Vuelva a puntuar al mismo tiempo las intenciones en espera, porque las reglas escritas y el nuevo acceso a los datos cambian sus puntuaciones.

Use evidencias, no fechas del calendario:

• Resolución correcta, no contención. Una conversación cerrada no es una conversación resuelta; consulte la tasa de resolución correcta para medir la diferencia.
• Calidad del traspaso. El agente traspasa con el desencadenante adecuado y con contexto, para que el cliente no tenga que repetirse (derivación a agente humano).
• Causas de los fallos. Cada conversación fallida recibe una causa: regla que falta, datos erróneos, acción equivocada, tono. Corrija una causa recurrente antes de ampliar.
• Un responsable que revise cada semana cada intención en producción; consulte el rol de responsable de agentes de IA.

También importa su nivel en el modelo de madurez del soporte agéntico: al principio, añada las intenciones de una en una; un equipo que evalúa todas las conversaciones de la IA y tiene un proceso de cambios que funciona puede añadir un pequeño grupo a la vez.

¿Cuándo esta scorecard no es para usted?

Esta scorecard es más de lo que necesita si gestiona unos cientos de contactos al mes, solo tiene tres o cuatro motivos de contacto o su agente de IA solo responde con contenido aprobado y no ejecuta acciones. En esos casos, lea una muestra de tickets, escriba las reglas y pruebe las respuestas a mano.

Tampoco sustituye a una lista limpia de motivos de contacto (unas etiquetas poco fiables dan puntuaciones de volumen erróneas) ni a la revisión legal: la scorecard le dice que una intención tiene reglas legales, no cuáles son.

Dónde encaja Kaizo

Kaizo revisa cada conversación de soporte, humana o de IA, con su propia rúbrica, y le muestra qué corregir. AutoPilot evalúa cada conversación cuando se resuelve, para que vea dónde aciertan el agente de IA y su equipo y dónde se rompe la calidad: las evidencias para decidir cuándo añadir la siguiente intención. Vea cómo funciona el QA de agentes de IA, o reserve una demo para verlo en sus propias conversaciones.

Cómo empezar esta semana

Puede puntuar sus primeras intenciones en una semana con un analista, un jefe de equipo, una exportación del helpdesk y una hoja de cálculo. El viernes tendrá una lista ordenada, una lista de excepciones de los mejores candidatos y una primera ola acordada de dos o tres intenciones.

1. Lunes: exporte los contactos del mes pasado por motivo de contacto y elija los 10 primeros por volumen.
2. Martes: puntúe el volumen, la complejidad, el riesgo de la acción (a partir de los niveles de autonomía), el acceso a los datos y la emoción.
3. Miércoles y jueves: para los 4 primeros, lea 50 tickets resueltos de cada uno, cuente las decisiones no escritas para fijar la claridad de la política y entreviste a dos de sus mejores agentes.
4. Viernes: aplique el control y las reglas eliminatorias, calcule las puntuaciones, acuerde la primera ola con el responsable de su agente de IA y pase las excepciones a fichas de política.

Después, compruebe los controles que necesita antes de la puesta en producción en la guía de atención al cliente agéntica.

Preguntas frecuentes

¿Qué ejemplos reales hay de agentes de IA en atención al cliente?

Agentes de IA que consultan el estado de entrega de un pedido y explican un retraso, restablecen una contraseña, reservan o cambian una cita, tramitan una devolución estándar y emiten la etiqueta, o cambian el plan de una suscripción. Son agentes y no chatbots porque ejecutan la acción en sus sistemas, no se limitan a describirla.

¿Qué diferencia hay entre un chatbot de atención al cliente y un agente de IA?

Un chatbot basado en reglas sigue intenciones fijas y respuestas con guion, normalmente con botones o palabras clave. Un agente de IA entiende texto libre, decide qué pasos dar y actúa mediante sus herramientas, por ejemplo reembolsando un pedido. Esa libertad es la razón por la que la elección de las intenciones y sus reglas importa más.

¿Qué tan acotado debe ser el alcance del primer agente de IA?

Lo bastante para poder comprobar cada resultado. Dos o tres intenciones con reglas escritas y poco riesgo en la acción encajan con la mayoría de los equipos de empresa; en la ilustración anterior, dos intenciones cubrían el 31% de los contactos.

¿Puede un agente de IA gestionar reembolsos desde el primer día?

Rara vez. Los reembolsos pequeños dentro de una política escrita pueden funcionar dentro de un límite una vez que existen las reglas y los casos de prueba, pero los reembolsos combinan dinero, excepciones y emoción, así que suelen puntuar para la segunda ola o más tarde. Los reembolsos mayores y las disputas necesitan la aprobación de una persona.

¿Cómo pueden los agentes de IA mejorar la atención al cliente sin perjudicar la calidad?

Cuando resuelven por completo las intenciones simples y traspasan todo lo demás a una persona con contexto. La calidad se resiente cuando los equipos automatizan intenciones con reglas no escritas o miden la contención en lugar de la resolución correcta; evaluar las conversaciones de la IA con el mismo estándar de su equipo mantiene eso a la vista.