Una empresa de servicios financieros metió un asistente de IA a su línea de atención. Funcionaba bien. Entendía la pregunta, daba la respuesta correcta, en segundos.
Las cancelaciones no bajaron. Subieron.
Fuimos a ver qué pasaba.
El caso
El asistente resolvía la pregunta que el cliente escribía. No la que traía de fondo.
Alguien preguntaba por qué le habían cobrado dos veces. El asistente explicaba el cargo, con el desglose correcto, en el tono correcto. Cerraba el ticket.
El cliente no quería el desglose. Quería saber si le iba a volver a pasar. Esa pregunta nunca llegó a nadie que pudiera contestarla.
El modelo no estaba fallando. Estaba resolviendo tickets, no dudas. Son cosas distintas y nadie se había puesto a separarlas antes de automatizar.
Lo que dice la presión, y lo que dice el cliente
El 91% de los líderes de atención y soporte dice sentir presión de su dirección para meter IA este año. Esa cifra la levantó Gartner entre 321 responsables del área.
La presión viene de arriba. La medición de si funcionó, casi nunca.
Del otro lado del mostrador la pregunta es otra: cuánta gente se va no por un mal producto, sino por sentir que nadie la escuchó.
Klarna es el ejemplo público que ya todos citan. En febrero de 2024 anunció que su asistente atendía un volumen equivalente al de setecientos agentes de tiempo completo. En mayo de 2025 volvió a contratar personas para atención, y su propio director lo explicó sin rodeos: habían recortado demasiado del lado humano.
No regresaron para todo. Regresaron para las disputas, los reembolsos complicados, los casos de gente en problemas de pago. Los casos donde equivocarse cuesta caro.
La pregunta que sí importa
Antes de meter IA a una línea de atención yo no preguntaría qué tan rápido responde. Preguntaría qué porcentaje de esos contactos es una pregunta con respuesta única, y qué porcentaje es una persona buscando que alguien le confirme que no está sola con el problema.
Automatizar la primera categoría ahorra tiempo. Automatizar la segunda sin darse cuenta de que lo es, convierte una mala experiencia en una mala experiencia rápida y consistente.
La velocidad no es el problema que resuelve la ia para empresas cuando se implementa bien. El problema que resuelve es saber, antes de automatizar, cuál de las dos preguntas está haciendo tu cliente.
Antes de automatizar atención al cliente
- Separa las preguntas de respuesta única de las que llevan una emoción detrás.
- Mide abandono de marca, no solo tiempo de respuesta.
- Define qué pasa cuando el modelo detecta que la pregunta escrita no es la pregunta real.
Nadie hace esa separación por accidente. Se hace revisando, ticket por ticket, cuántos de los que ya se automatizaron eran en realidad la segunda categoría disfrazada de la primera. Es trabajo aburrido, y es exactamente el trabajo que ahorra la mala prensa de un chatbot que “sí contestó, pero mal”.
Si no sabes en cuál de esas dos categorías cae la mayoría de tus contactos, ese es justo el diagnóstico que buscamos antes de tocar cualquier automatización de atención al cliente.
