La tasa de contención es la parte de las conversaciones que un agente de IA o un chatbot termina sin derivar a un humano. Cuenta las conversaciones que nunca llegaron a una persona, así que un cliente que se rindió cuenta igual que uno cuyo problema se resolvió.
En resumen
- La tasa de contención mide deflexión, no resolución.
- Una tasa de contención alta puede ocultar una mala experiencia del cliente.
- La forma honesta de leerla es junto a una comprobación de cuántas conversaciones contenidas se resolvieron de verdad.
- Esa comprobación es una tarea de control de calidad: leer la conversación y evaluarla con una rúbrica.
Cómo se calcula la tasa de contención
La tasa de contención se calcula dividiendo las conversaciones que la automatización terminó sin escalar a un humano entre todas las conversaciones que entraron en el canal automatizado en el mismo periodo. El resultado es un porcentaje. Es fácil de obtener de un registro de enrutamiento, y por eso suele ser la primera cifra que reporta un despliegue de bot.
Tasa de contención = conversaciones resueltas sin escalamiento a un humano / total de conversaciones gestionadas por la automatización.
Así, si 1.000 conversaciones llegan a un agente de IA en una semana y 650 de ellas nunca pasan por un humano, la contención es del 65%. El atractivo es evidente: se traduce casi directamente en costes, porque una conversación contenida no consume tiempo de gestión de ningún agente. Por eso mismo suele convertirse en la cifra con la que se juzga un despliegue de bot, y por eso merece más escrutinio del que suele recibir.
Por qué la tasa de contención puede engañar
La tasa de contención puede engañar porque la mayoría de las mediciones no comprueban la resolución en absoluto. Comprueban la ausencia de un humano. Un cliente que se rindió, abandonó el chat o se fue con una respuesta incorrecta cuenta como contenido, exactamente igual que un cliente cuyo problema se resolvió. La brecha entre esos dos resultados es donde la métrica falla.
La debilidad está en la palabra “resueltas” de esa fórmula. Una conversación cuenta como contenida si el cliente obtuvo lo que necesitaba y se fue satisfecho. También cuenta como contenida si el cliente no encontró la vía de escalamiento y se rindió, si abandonó el chat a mitad de la conversación, si recibió una respuesta incorrecta y no se dio cuenta, o si el bot respondió a una pregunta que el cliente no había hecho y este cerró la ventana. Cada uno de esos casos es un fallo, y cada uno mejora la tasa de contención.
Esto crea un incentivo perverso. La forma más rápida de subir la contención es dificultar el escalamiento, y un bot que esconde el camino hacia un humano mostrará una cifra mejor que uno que ofrece ayuda en cuanto se atasca. La métrica premia justo el comportamiento que más daña la relación con el cliente. El mismo punto ciego afecta a la tasa de deflexión, que cuenta las conversaciones mantenidas lejos de los agentes sin preguntar si terminaron bien.
Tasa de contención vs. tasa de resolución
La tasa de contención cuenta las conversaciones que terminaron sin un humano, mientras que la tasa de resolución cuenta las conversaciones en las que el problema del cliente se resolvió de verdad. La primera es un indicador indirecto del coste evitado; la segunda, del trabajo hecho. Un cliente que se rinde es un éxito para la contención y un fallo para la resolución, por eso las dos cifras deben leerse juntas.
| Tasa de contención | Tasa de resolución | |
|---|---|---|
| Qué cuenta | Conversaciones que terminaron sin un humano | Conversaciones en las que el problema del cliente se resolvió de verdad |
| Un cliente que se rinde | Cuenta como éxito | Cuenta como fallo |
| De qué es indicador | Coste evitado | Trabajo hecho |
| Cómo se mide | Leyendo el registro de enrutamiento | Leyendo la conversación |
Cómo usar la tasa de contención con honestidad
Use la tasa de contención como señal de eficiencia, nunca por sí sola. Combínela con una comprobación de resolución: de las conversaciones contenidas, cuántas resolvieron realmente el problema del cliente y cuántas fueron abandonos o respuestas incorrectas con la etiqueta de contención. Reporte ambas cifras una al lado de la otra para que una subida de la contención no pueda ocultar una caída de la resolución.
Responder a eso exige mirar qué dijo el agente de IA y si era correcto, completo y adecuado, que es una pregunta de control de calidad, no de analítica. Es la misma disciplina que aplicaría a un agente humano, aplicada a un bot: leer la interacción, evaluarla con una rúbrica y vincular la nota con la evidencia. Nuestra guía para medir la tasa de contención sin engañarse (en inglés) explica cómo hacerlo, y cómo hacer control de calidad de agentes de IA y chatbots cubre el método de evaluación que hay debajo.
Un ejemplo práctico de rúbrica: añada un criterio a la scorecard que ya usa para las conversaciones de agentes de IA, “¿Terminó la conversación con el problema del cliente resuelto?”, con tres resultados: resuelto, abandonado o respuesta incorrecta. Cada conversación contenida recibe esa nota, y cada nota apunta a la línea de la conversación que la justifica. Así la contención se divide en la parte que ahorró costes y la parte que solo trasladó el problema a otro sitio.
Dónde fallan las conversaciones contenidas: la derivación
Las conversaciones contenidas suelen fallar en el punto en que el agente de IA debía derivar a una persona y no lo hizo. Una derivación tardía, una vía de escalamiento inexistente o una derivación que pierde el contexto aparecen como contención o como un cliente frustrado, nunca como un error evidente en el registro de enrutamiento.
Por eso comprobar la contención y comprobar la derivación son el mismo trabajo. Nuestra guía para evaluar la derivación de un agente de IA a un agente humano cubre qué evaluar en ambos sentidos de la transición, y las métricas de IA en atención al cliente muestra qué cifras reportar junto a la contención.
Kaizo evalúa el 100% de las conversaciones de agentes humanos y de IA con la scorecard que usted define, y cada nota enlaza con la evidencia en la conversación, de modo que las conversaciones contenidas pueden comprobarse para distinguir la resolución real del abandono. En UiPath, Kaizo automatizó el 100% del QA con un ROI del 200% y una mejora del 8% en la nota de calidad.
Véalo en sus propias conversaciones. Kaizo evalúa el 100% de sus conversaciones de atención al cliente y convierte los resultados en coaching. Reservar una demo.
Cuándo una comprobación de la contención no es para usted
Una comprobación de resolución de las conversaciones contenidas no compensa cuando la automatización solo gestiona un puñado de conversaciones a la semana: con ese volumen, alguien puede leerlas todas. También es prematura si todavía no tiene una scorecard para sus agentes humanos, porque el agente de IA debe juzgarse con el mismo estándar. Empiece por ahí y luego extiéndalo al bot.
Preguntas frecuentes
¿Cuál es una buena tasa de contención?
No hay un único benchmark que valga la pena citar, porque la tasa de contención por sí sola no dice si se ayudó a los clientes. Una cifra alta conseguida escondiendo la vía de escalamiento es peor que una cifra más baja en la que cada conversación contenida se resolvió de verdad. Juzgue la contención con una comprobación de resolución, no con una media del sector.
¿Cuál es la diferencia entre tasa de contención y tasa de deflexión?
Se usan a menudo como sinónimos. Ambas describen conversaciones mantenidas lejos de un agente humano. La deflexión a veces se refiere específicamente a dirigir al cliente al autoservicio antes de que empiece una conversación, mientras que la contención suele referirse a una conversación que la automatización gestiona hasta el final. Ambas comparten el mismo punto ciego: por defecto, ninguna comprueba si el problema del cliente se resolvió.
¿Una tasa de contención alta significa que el agente de IA funciona bien?
No por sí sola. La contención cuenta la ausencia de un humano, no la presencia de una resolución, así que un cliente que abandona el chat cuenta como contenido. Para saber si el agente de IA funciona, combine la contención con una comprobación de resolución que lea las conversaciones reales y evalúe si cada una resolvió el problema.
¿Cómo se mide si una conversación contenida se resolvió de verdad?
Evaluando la propia conversación, no el resultado del enrutamiento. Eso significa evaluar lo que dijo el agente de IA con una rúbrica: si la respuesta fue correcta, completa y adecuada, y si el problema del cliente terminó resuelto en lugar de abandonado. Es el mismo enfoque de control de calidad que se usa con los agentes humanos, aplicado a las conversaciones automatizadas.
¿Qué significa la tasa de contención en un call center?
En un call center, la tasa de contención suele describir la parte de los contactos que un sistema automatizado, como un menú telefónico (IVR) o un chatbot, completa sin transferir al cliente a un agente. El cálculo y el punto ciego son los mismos: un cliente que cuelga o se rinde cuenta como contenido.
¿Una tasa de contención baja es siempre mala señal?
No. Una tasa de contención más baja puede significar que el agente de IA deriva rápido cuando se atasca, que a menudo es la mejor experiencia para el cliente. Lo que importa es si las conversaciones contenidas se resolvieron y si las escaladas llegaron a tiempo a una persona con el contexto intacto.
¿Las conversaciones de agentes de IA deben usar la misma scorecard que los agentes humanos?
En gran medida, sí. La exactitud, el tono y la resolución se aplican a ambos, así que un único estándar hace comparables las cifras. Los bots suelen necesitar algunos criterios adicionales, como respetar los límites de las políticas y derivar en el momento adecuado, que cubre nuestra guía sobre una sola scorecard para agentes humanos y de IA.
