El problema
Una empresa de e-commerce con 12 agentes de soporte procesa 200 consultas de clientes al día. El análisis muestra: el 80% de ellas son consultas estándar — estado del pedido, devoluciones, plazos de entrega, enlaces de seguimiento. Aun así, todos los tickets se gestionan manualmente.
El resultado: tiempo de respuesta medio de 36 horas. Satisfacción del cliente en el 78%. El equipo de soporte, saturado de trabajo repetitivo, mientras las consultas complejas esperan. Coste anual de soporte: unos 50.000 euros.
- 200 tickets/día — de los cuales 160 (80%) son consultas estándar
- 36h de tiempo de respuesta medio — los clientes esperan casi dos días
- 3 ETC dedicados por completo a consultas estándar repetitivas
- 78% de satisfacción del cliente — por debajo de la media del sector
La solución
Implementación de una cadena de agentes de IA en tres partes que procesa toda la entrada de tickets:
- Agente clasificador: Analiza cada ticket entrante y lo clasifica en categorías (estado del pedido, devolución, pago, reclamación, otros). Decide: ¿respuesta automática posible o se necesita escalado a una persona?
- Agente de respuesta: Genera una respuesta personalizada para las consultas estándar clasificadas — incluyendo la consulta del estado del pedido vía API, la generación automática del enlace de seguimiento y una redacción acorde a la marca.
- Agente de escalado: Los tickets complejos (reclamaciones, excepciones de devolución, disputas de pago) se reenvían con el contexto completo al agente humano responsable.
Stack técnico: API de Claude para la clasificación y la generación de respuestas, Python para la orquestación, integración vía webhook con el sistema de tickets existente, Firestore para el registro de auditoría.
Resultados
| Métrica | Antes | Después | Mejora |
|---|---|---|---|
| Tasa de automatización | 0% | 70% | +70 puntos porcentuales |
| Tiempo de respuesta medio | 36 horas | 2 horas | 94% más rápido |
| Costes de soporte/mes | 4.167 € | 2.083 € | reducidos en un 50% |
| Satisfacción del cliente | 78% | 91% | +13 puntos porcentuales |
| Capacidad liberada | — | 140 h/mes | para trabajo de mayor valor |
Cronograma de implementación
- Semana 1Configurar el acceso a la API, analizar los datos de tickets de los últimos 3 meses, definir categorías
- Semana 2–3Desarrollar y probar el agente clasificador y el agente de respuesta — primero con tickets históricos, sin despliegue en producción
- Semana 4Lanzamiento suave: el 20% de los tickets entrantes pasan por el sistema. Los agentes generan propuestas, las personas las aprueban inicialmente
- Semana 5–6Monitorización, análisis de errores, optimización de prompts. La tasa de error baja del 30% a menos del 5%
- Semana 7Despliegue completo: el 70% de los tickets se responden de forma totalmente automática
Aprendizajes y mejores prácticas
- Humano en el bucle al principio: Durante las dos primeras semanas del lanzamiento suave, todas las respuestas de la IA fueron revisadas por una persona. Esto generó confianza y permitió correcciones específicas.
- La iteración es decisiva: La primera semana tuvo una tasa de error del 30% (categorización incorrecta, respuestas imprecisas). Tras optimizaciones específicas de los prompts, la tasa bajó a menos del 5%.
- Reglas de escalado claras: Todo ticket que contenga una reclamación va siempre a una persona — sin excepción. Esto protege la relación con el cliente.
- Transparencia con el cliente: En el pie de la respuesta: "Esta respuesta se generó con apoyo de IA. Si tienes preguntas, responde a este correo." — los clientes reaccionan positivamente a la transparencia.
La automatización no ha sustituido puestos de trabajo — ha liberado al equipo de 160 tareas repetitivas al día. El tiempo liberado se invierte en el cuidado de la relación con los clientes y en la optimización del producto.
Este caso de estudio es ilustrativo. Las métricas presentadas se basan en experiencias típicas de implementación y en promedios del sector. No se trata de un proyecto real de cliente ni de datos reales de clientes.