La automatización puede quitar trabajo repetitivo al equipo de soporte sin convertir cada conversación en una respuesta impersonal. El objetivo no es automatizar por automatizar, sino ayudar al cliente a resolver su problema y permitir que un agente intervenga cuando haga falta.
Este artículo adapta el original de Make del 17 de marzo de 2020. Sus ejemplos pertenecen a ese contexto: no son pruebas realizadas por este sitio ni garantías de resultados actuales. Las previsiones de adopción de IA que el original hacía para 2020 no describen el presente.
1. Navegación compartida para entender el problema
A veces, explicar por teléfono dónde pulsar resulta más difícil que resolver la consulta. La navegación compartida permite acompañar al cliente dentro de una interfaz y comprender qué está viendo. El artículo la presentaba como complemento del chat, no como sustituto de la conversación.
Make recogía el caso de HDFC Life Insurance: los clientes encontraban dificultades para completar formularios de seguros y las instrucciones telefónicas no bastaban. Según el relato, la compañía recurrió a una herramienta de chat con navegación compartida para guiar el proceso. Es un ejemplo de cómo eliminar una fricción concreta; los porcentajes de mejora citados entonces no predicen el resultado de otra implantación.
Criterio editorial: antes de adoptar una herramienta de este tipo, define qué puede ver el agente, cómo autoriza el cliente la sesión y qué datos deben quedar fuera. Compartir una pantalla no demuestra por sí mismo que el tratamiento de datos sea seguro.
2. Organizar los datos antes de distribuirlos
El segundo enfoque del original era reducir el trabajo de preparar y trasladar información. Un flujo puede partir de una solicitud, organizar sus campos y entregar los datos necesarios al sistema donde el equipo atiende al cliente.
La cuestión importante es saber qué se recoge, dónde se guarda y quién lo utiliza. Si el nombre, el número de pedido y la descripción del problema llegan separados o duplicados, un agente tiene que reconstruir el contexto antes de poder ayudar.
No conservamos la afirmación del original de que los datos están «siempre seguros» por usar una herramienta de recogida. Recomendación editorial: revisa permisos, destinos y necesidades de conservación con las personas responsables de los datos. La automatización del traslado no equivale a una evaluación de seguridad.
3. Chatbots para preguntas repetidas
Las consultas frecuentes son un punto de partida razonable para estudiar un asistente: horarios, pasos de una reserva o información que ya figura en una base de ayuda. La utilidad está en responder lo repetitivo y dejar los casos complejos a una persona.
Make citaba en 2020 la experiencia de Sephora con bots para simplificar reservas. Debe leerse como un caso atribuido al artículo, no como una promesa de que cualquier bot aumentará las citas o resolverá una proporción fija de consultas.
Recomendación editorial: define cuándo escalar la conversación. Una respuesta automática que se repite sin entender la pregunta puede empeorar la experiencia. La derivación debe conservar el contexto para que el cliente no tenga que empezar de nuevo.
4. Correos pertinentes, no envíos masivos indiscriminados
El original relacionaba la automatización del correo con mensajes oportunos: por ejemplo, un recordatorio sobre un carrito abandonado, en lugar de enviar la misma promoción a toda la lista. También mencionaba una campaña de Ralph Lauren como ejemplo histórico de incentivo para retomar una compra.
La lección es vincular el mensaje con una situación real. Un correo de soporte debería aclarar el siguiente paso; un recordatorio comercial tiene otra finalidad. No hay motivo para confundir ambos ni para trasladar al presente los porcentajes de conversión de campañas antiguas.
Criterio editorial: comprueba destinatario, momento y pertinencia antes de activar el envío, y evita recordatorios cuando el problema ya esté resuelto.
5. Atención por voz con salida hacia una persona
El quinto enfoque era utilizar lenguaje natural para mejorar los menús telefónicos tradicionales. El artículo distinguía entre una respuesta de voz rígida y un asistente que intenta interpretar la consulta y dirigirla al lugar adecuado.
Make mencionaba Observe.ai como ejemplo de apoyo a los agentes. Esa referencia no acredita el catálogo actual de un proveedor ni implica que Make incluya de forma nativa todas las funciones descritas.
Recomendación editorial: ensaya solicitudes que el sistema no entienda y confirma que existe una salida clara hacia atención humana. No evalúes solamente la rapidez de las respuestas correctas.
Cómo elegir por dónde empezar
Escoge una dificultad observable: formularios que se completan mal, información dispersa, consultas repetidas o seguimientos olvidados. Define qué debe mejorar y qué excepciones seguirá atendiendo el equipo.
La idea central del artículo sigue siendo útil: la tecnología debe apoyar el servicio. Liberar tiempo tiene sentido si ese tiempo se traduce en una atención más clara y resolutiva, no si simplemente aumenta el número de respuestas automáticas.