Hace dos años, nuestro equipo de soporte tardaba en promedio 4 horas en responder consultas de clientes. No porque no tuviéramos el conocimiento —sino porque el proceso de buscar la información correcta, redactar la respuesta y hacer seguimiento consumía demasiado tiempo. Era trabajo operativo que le quitaba tiempo al trabajo real.
Hoy ese promedio bajó a menos de 1 hora. Y el 65% de las consultas se resuelven automáticamente sin intervención humana. Acá está el recorrido completo.
El problema que teníamos (y que probablemente tenés vos también)
Nuestro soporte recibía diariamente preguntas del tipo: "¿Cómo agrego un usuario en Google Workspace?", "¿Cuánto cuesta subir de plan?", "Mi correo no está llegando, ¿qué hago?". Preguntas válidas, necesarias, pero que en el 80% de los casos tenían respuestas estándar.
El costo real no era el tiempo de cada respuesta individual. Era el costo de contexto: cada vez que un técnico interrumpe su trabajo para responder una consulta rutinaria, le lleva varios minutos volver a concentrarse. Multiplicado por 15-20 interrupciones diarias, estamos hablando de horas perdidas por persona.
Lo que construimos: la arquitectura en tres capas
Diseñamos un sistema con tres niveles de respuesta. Cada capa tiene responsabilidades claras y sabe cuándo derivar al siguiente nivel.
Capa de IA propia (primera respuesta)
Un modelo entrenado con nuestra base de conocimiento: documentación, respuestas históricas de tickets, preguntas frecuentes y procedimientos internos. Responde automáticamente el 65% de las consultas en menos de 2 minutos.
Asistente de contexto para el equipo humano
Cuando la IA detecta que la consulta requiere intervención humana, no la descarta: prepara un resumen de la situación del cliente, su historial de tickets anteriores y las posibles soluciones relevantes. El técnico llega a la consulta ya informado.
Automatización de seguimiento
Después de resolver un ticket, el sistema envía automáticamente encuesta de satisfacción, archiva la solución como nuevo caso de entrenamiento y actualiza el estado en nuestro CRM. Sin intervención manual.
Los números después de 18 meses
El dato que más nos sorprendió: La satisfacción del cliente subió, no bajó. Los clientes no prefieren hablar con un humano per se —prefieren obtener su respuesta rápido y con precisión. La IA bien implementada cumple eso mejor en muchos casos.
Las herramientas que usamos
No hace falta construir todo desde cero. Nuestro stack combina herramientas propias con plataformas existentes:
- Modelo de IA propio — entrenado con nuestra base de conocimiento específica. Es la inversión principal, pero también el mayor diferenciador.
- Google Workspace — la capa de comunicación. Todos los tickets entran por acá y el sistema se integra nativamente.
- Make (ex Integromat) — el pegamento que conecta las piezas: cuando llega un ticket, Make lo clasifica, lo envía al modelo correcto y ejecuta las acciones de seguimiento.
- Google Cloud — donde corre la infraestructura del modelo. Escalable y confiable.
Lo que aprendimos en el proceso
1. El entrenamiento inicial es todo
Un modelo de IA es tan bueno como la información con la que lo entrenás. Dedicamos las primeras 6 semanas exclusivamente a documentar, organizar y categorizar nuestro conocimiento. Fue el trabajo más importante del proyecto y el menos glamoroso.
2. Los límites tienen que estar bien definidos
La IA tiene que saber cuándo no sabe. Configuramos umbrales claros: si la confianza de la respuesta está por debajo del 85%, la consulta va automáticamente a un humano. Es mejor derivar que dar una respuesta incorrecta.
3. El equipo humano ganó, no perdió
El miedo inicial del equipo era "la IA nos va a reemplazar". Lo que pasó fue lo opuesto: el equipo técnico ahora trabaja en implementaciones, mejoras y casos complejos. El trabajo operativo repetitivo desapareció. La satisfacción del equipo subió también.
Conclusión práctica: Lo que hicimos nosotros no requiere ser una empresa de tecnología para replicarlo. Cualquier empresa con procesos de atención al cliente puede implementar el mismo enfoque. La diferencia es saber por dónde empezar.
¿Por dónde puede empezar tu empresa?
Si querés replicar algo similar, el camino más práctico es este:
- Mapeá las consultas más frecuentes — revisá los últimos 3 meses de tickets/correos de soporte y categorizá. El 20% de los tipos de consulta probablemente represente el 80% del volumen.
- Documentá las respuestas estándar — antes de implementar IA, asegurate de que el conocimiento está escrito y organizado. La IA no puede inventar lo que no existe.
- Empezá con automatizaciones simples — Make o Zapier conectando tu correo o CRM con respuestas automáticas para las preguntas más repetidas. Sin IA todavía, solo automatización.
- Evaluá si tiene sentido el paso a IA — si el volumen lo justifica y las automatizaciones simples ya dan resultado, el siguiente paso es un modelo más sofisticado.
El error más común es querer empezar con el paso 4 sin haber hecho el 1, 2 y 3.