Las ventajas de la automatización con agentes para el Servicio de Asistencia al Cliente, capítulo 3

Su hoja de ruta para el Servicio de Asistencia al Cliente autónomo

El Servicio de Asistencia al Cliente autónomo no es algo que simplemente se activa. Es una habilidad que se va desarrollando con el tiempo. El objetivo no es automatizar cada caso desde el primer día, ni eliminar la experiencia humana del soporte. El objetivo es ampliar de manera constante la parte del soporte que se puede gestionar de manera autónoma, al mismo tiempo que se enfoca al equipo en los casos en los que su experiencia aporta mayor valor.

Para la mayoría de las organizaciones, eso significa comenzar con tareas de soporte relativamente deterministas, sentar las bases de conocimiento y evaluación que los agentes de IA necesitan para tener éxito y, luego, ampliar progresivamente su autonomía a casos más complejos. Estos son los cinco pasos para lograrlo:

Paso 1: establezca su punto de referencia de soporte

Antes de decidir qué automatizar, es importante entender en qué invierte su tiempo y dinero su equipo de soporte en la actualidad. Comience con las métricas que ya está siguiendo: volumen de tickets, tiempo promedio de gestión (AHT), tiempo promedio de resolución (ART), tasas de escalamiento, desvío y costo por solicitud. Luego, analice esas métricas teniendo en cuenta la complejidad de cada caso.

Una solicitud de nivel 1 que tarda horas en resolverse representa una oportunidad de automatización muy diferente a un problema de nivel 3 que requiere conocimientos especializados de ingeniería. Desglosar el volumen, el tiempo de resolución y el costo por tipo de caso ayuda a identificar en qué áreas la autonomía puede generar el mayor impacto inicial.

Busque específicamente casos de gran volumen en los que se conozca bien el proceso de resolución. Estos suelen ser los mejores candidatos para una resolución autónoma temprana, ya que son más deterministas y requieren menos criterio.

Pero no limite su evaluación únicamente a tickets individuales. Examine todo el proceso de resolución. ¿A cuántos sistemas accede un agente? ¿Dónde se realizan las transferencias? ¿Cuánto tiempo se dedica a buscar información? ¿Qué pasos requieren criterio humano y cuáles son simplemente manuales?

El objetivo es establecer un punto de referencia que pueda utilizar para medir algo más importante que la automatización en sí: cuánta intervención humana se requiere para resolver cada caso.

Paso 2: prepare la base de conocimientos

Dar acceso a un agente de IA a su base de conocimientos no es lo mismo que proporcionarle el conocimiento que necesita para resolver los problemas del cliente. Las empresas suelen contar con años de documentación de soporte, casos cerrados, documentación de productos, guías de resolución de problemas, notas de ingeniería y conocimientos implícitos. Esa historia puede ser increíblemente valiosa, pero también puede contener instrucciones obsoletas, información duplicada, resoluciones contradictorias y contenido escrito para productos o versiones que ya no son relevantes.

Es necesario preparar ese conocimiento para que sirva de apoyo autónomo. Las organizaciones deben identificar el contenido relevante, eliminar la información irrelevante, estructurar la información de manera adecuada y asegurarse de que los agentes puedan acceder al conocimiento correcto en el contexto de un cliente, producto, configuración o problema específicos. Y esta no es una migración de una sola vez.

Esta base también debería mejorar continuamente a través de cada escalamiento y resolución de caso por parte de un agente humano. Evalúe el caso resuelto e identifique brechas o falta de orientación en la base de conocimiento existente, de modo que el sistema genere de manera autónoma un nuevo artículo de conocimiento. Posteriormente, el artículo podrá ser revisado y publicado de acuerdo con el proceso de gobernanza de la organización. Cuando otro cliente plantea el mismo problema, el agente de IA puede utilizar el conocimiento recién creado para resolverlo sin requerir otro escalamiento. Esto crea un sistema de ciclo cerrado en el que los escalamientos fortalecen la base de conocimientos y mejoran las tasas de resolución futuras.

Cada lanzamiento de un nuevo producto, cada caso de soporte técnico y cada resolución exitosa generan nuevos conocimientos. Para mantener un desempeño autónomo, es necesario actualizar constantemente esa información, de modo que los agentes no basen su razonamiento en el conocimiento que tenían del producto ayer. La calidad de la resolución autónoma dependerá, en última instancia, en gran medida de la calidad del conocimiento que la respalda.

Paso 3: comience con nivel 1, pero prepárese para el nivel 2

El soporte rutinario de nivel 1 es un buen punto de partida. Estos casos suelen caracterizarse por un mayor volumen, un menor riesgo y un carácter más determinista, lo que los convierte en candidatos idóneos para una resolución autónoma e integral. Pero eso no significa que las organizaciones deban crear un entorno de automatización de nivel 1 aislado y preocuparse por todo lo demás más adelante.

Los límites entre los niveles 1, 2 y 3 no siempre son claros. Un agente de IA necesita suficiente contexto para comprender el caso, clasificar su complejidad, determinar si puede resolverlo de manera segura y derivarlo a un nivel superior cuando no pueda hacerlo. Un enfoque más eficaz consiste en comenzar a desarrollar capacidades tanto en el nivel 1 como en el nivel 2, al mismo tiempo que se buscan distintos niveles de autonomía dentro de cada uno de ellos.

Impulse los casos deterministas de nivel 1 hacia una resolución integral. En los casos más complejos de nivel 2, permita que los agentes de IA se encarguen de las partes del proceso de resolución que están capacitados para completar e incorpore la experiencia humana al proceso cuando sea necesario. Esto sienta las bases para la siguiente etapa: aprender de esas intervenciones humanas.

Paso 4: cree un ciclo de evaluación y aprendizaje

Para pasar de un soporte asistido a uno autónomo, es necesario comprender exactamente en qué aspectos y por qué los agentes de IA aún necesitan ayuda. Por eso, la evaluación es una parte fundamental del modelo operativo. Las organizaciones necesitan una forma de evaluar de manera continua las acciones de los agentes, la calidad de la resolución, la recuperación de conocimientos, las decisiones de escalamiento y los resultados. Cuando un agente no puede resolver un caso de forma autónoma, el objetivo no es simplemente transferir el ticket a una persona y continuar con otra cosa.

En cambio, analice lo que ocurrió. ¿En qué necesitaba ayuda el agente? ¿Qué información faltaba? ¿Qué hizo la persona? ¿El agente recuperó la información incorrecta, tomó una decisión equivocada o se enfrentó a una situación que no había visto antes? La resolución humana exitosa se convierte entonces en un nuevo conocimiento valioso.

Captúrelo, incorpórelo a la base de conocimientos, evalúe al agente con la información actualizada y utilice el resultado para mejorar cómo se gestionan casos similares en el futuro. Esto genera un ciclo continuo. En lugar de considerar la intervención humana como un fracaso de la autonomía, las organizaciones exitosas la utilizan para ampliar lo que sus agentes de IA podrán gestionar en el futuro.

Paso 5: siga ampliando los límites de la autonomía

El objetivo no es necesariamente lograr una resolución 100% autónoma. Se trata de la mejora continua en el porcentaje de tareas de soporte que se pueden completar sin intervención humana. Consideremos un caso de nivel 2 que, inicialmente, requiere la intervención humana en el 60% de su proceso de resolución. Es posible que un agente de IA ya sea capaz de clasificar el problema, recabar información sobre el contexto del cliente, consultar la información relevante, analizar los registros y recomendar una acción antes de que un ingeniero se haga cargo del caso.

A medida que la organización recopila resultados y mejora el agente, ese equilibrio puede cambiar. Lo que antes era un 40% autónomo y un 60% asistido podría llegar a ser, con el tiempo, un 60% autónomo y un 40% asistido. Con el paso del tiempo, la parte del proceso que depende de los seres humanos sigue reduciéndose.

Una vez que ese ciclo de aprendizaje funcione de manera confiable para los casos de nivel 2, las organizaciones pueden comenzar a extender el mismo modelo a escenarios seleccionados de nivel 3 según su tolerancia al riesgo, los requisitos comerciales y el desempeño de los agentes. El resultado es una organización de soporte en la que la experiencia humana se aplica de manera diferente.

Los agentes de IA se encargan de una parte cada vez mayor de las investigaciones de rutina, la interacción con los sistemas y la resolución de problemas. Los ingenieros de soporte se centran en problemas novedosos, ambiguos y de alto valor. Y cada intervención humana exitosa crea una oportunidad para que la siguiente interacción sea más autónoma.

Así es como se amplía el Servicio de Asistencia al Cliente autónomo: no mediante un solo salto de lo manual a lo autónomo, sino moviendo continuamente el límite entre lo que requiere experiencia humana y lo que ya no la necesita.

Poner en práctica la hoja de ruta

El camino hacia el soporte autónomo será diferente para cada organización. La complejidad del producto, el volumen de casos, el conocimiento disponible, la tolerancia al riesgo y los sistemas existentes influyen en el punto de partida y en la rapidez con la que debe expandirse. Pero la progresión se vuelve más fácil de entender cuando se analizan escenarios de soporte específicos.

Los siguientes tres casos de uso muestran cómo las organizaciones pueden aplicar niveles cada vez mayores de autonomía, desde solicitudes de nivel 1 altamente deterministas hasta la resolución de problemas técnicos y, en última instancia, la orquestación a lo largo de todo el ciclo de vida del caso.

Gestión del acceso de usuarios: comience con tareas predecibles y de gran volumen

Consideremos una solicitud de nivel 1 común: un cliente ha contratado a un nuevo empleado que necesita acceso al portal del cliente para enviar y gestionar casos de soporte. Por lo general, esa solicitud genera un ticket que un empleado de soporte o administrativo debe revisar y resolver. Aunque el trabajo en sí mismo pueda parecer sencillo, cada solicitud consume recursos humanos y aumenta el volumen de tickets.

En cambio, un agente de IA puede comprender la solicitud, recopilar la información necesaria, validar la elegibilidad y los permisos del usuario, ejecutar el flujo de trabajo de acceso adecuado en todos los sistemas conectados y confirmar que el acceso se ha configurado con éxito. Este es el tipo de caso determinista y de menor complejidad que ofrece un punto de partida natural para la resolución autónoma. Los casos de nivel 1 pueden alcanzar niveles muy altos de resolución autónoma integral, ya que, por lo general, las acciones correctas se comprenden bien y son repetibles.

La lección no consiste simplemente en automatizar las solicitudes de acceso. El objetivo es utilizar estos casos predecibles para establecer las capacidades subyacentes (conocimiento, integraciones, pruebas, evaluación y gobernanza) que luego puedan respaldar resoluciones autónomas más complejas.

Fallo en la implementación de bots: amplíe la autonomía en la resolución de problemas técnicos

Ahora consideremos un escenario más complejo. Un cliente se está preparando para la puesta en marcha cuando un bot no se implementa y muestra una pantalla negra. A diferencia de una solicitud de acceso, puede que no exista un único camino determinista para llegar a una resolución. La causa podría deberse a los registros, la configuración, la versión del producto, el entorno del cliente, casos anteriores u otros factores técnicos.

Un agente de IA puede iniciar la investigación al comprender el problema reportado, recopilar información contextual relevante, analizar los registros disponibles, consultar la información pertinente sobre el producto y determinar la solución más probable. Siempre que la confianza y las barreras de seguridad establecidas lo permitan, el agente puede llevar a cabo las medidas correctivas aprobadas y verificar si la implementación se realiza con éxito. Cuando se requiera experiencia adicional, puede remitir el caso a un ingeniero de soporte con la información que ya ha recopilado, incluido un resumen del caso, los resultados del diagnóstico, el conocimiento relevante y los siguientes pasos recomendados.

Esto ilustra un principio importante de la hoja de ruta autónoma: un caso no tiene que ser completamente autónomo para generar valor. Una organización podría automatizar inicialmente el 40% de este proceso de resolución, mientras que para el 60% restante recurriría a una persona. Al evaluar en qué momentos el agente necesitó ayuda, registrar la solución exitosa del ingeniero e incorporar ese conocimiento al sistema, la organización puede aumentar progresivamente el grado de autonomía en casos futuros.

El objetivo es reducir continuamente la distancia entre el punto en que termina el trabajo autónomo y el punto en que comienza la intervención humana.

Gestión del ciclo de vida de los casos: orqueste el soporte desde la recepción hasta la resolución

La gestión del ciclo de vida de los casos representa el objetivo final más amplio del Servicio de Asistencia al Cliente autónomo. En lugar de automatizar una tarea específica o un escenario de resolución de problemas, los agentes de IA participan en todo el proceso de soporte, desde el momento en que un problema llega a la organización hasta su resolución y cierre.

El proceso comienza con la clasificación. El agente de IA analiza el problema del cliente y determina si cuenta con los conocimientos y las capacidades necesarios para intentar resolverlo de manera autónoma. A partir de ahí, puede recopilar información de distintos sistemas de soporte, obtener conocimientos relevantes, analizar posibles soluciones y llevar a cabo las acciones adecuadas. Durante la interacción, también puede evaluar indicadores como la opinión del cliente y el desempeño del agente para determinar si el caso debe seguir gestionándose de manera autónoma o si debe transferirse a un experto humano.

Cuando se requiere asistencia humana, el objetivo no es simplemente desviar el ticket a otra lista de prioridad. El ingeniero recibe el contexto ya recopilado por la IA, lo que le permite continuar con la resolución del problema en lugar de tener que empezar la investigación desde cero. Esa intervención humana también alimenta el ciclo de aprendizaje continuo. La resolución exitosa puede registrarse, incorporarse al conocimiento de la organización y utilizarse para mejorar la forma en que el agente gestiona situaciones similares en el futuro.

Con el tiempo, cada vez más etapas del ciclo de vida de un caso se vuelven autónomas.

Es aquí también donde resulta fundamental eliminar los cambios entre sistemas. La resolución de un caso de soporte técnico puede requerir información y acciones que abarquen un sistema de tickets, un sistema de gestión de relaciones con los clientes (CRM), una base de conocimientos, un portal de clientes y una plataforma de comunicación. La gestión autónoma de casos requiere que los agentes razonen y actúen en todo ese entorno, en lugar de obligar al cliente o al ingeniero de soporte a navegar manualmente por cada aplicación.

El resultado es un modelo de soporte fundamentalmente diferente: los casos se clasifican de manera dinámica, se resuelven de forma autónoma cuando es apropiado, se escalan sin interrupciones cuando se requiere la experiencia humana y se utilizan continuamente para mejorar la resolución en el futuro.

Pasar de los casos de uso individuales a un modelo de soporte autónomo

Estos ejemplos no deben considerarse como tres proyectos de automatización aislados.

La gestión del acceso de los usuarios muestra cómo las organizaciones pueden establecer autonomía en torno a las tareas de soporte deterministas. El fallo en la implementación de bots demuestra cómo esa misma base puede extenderse a casos más complejos en los que la resolución autónoma y la asistida funcionan en conjunto. La gestión del ciclo de vida de los casos muestra lo que sucede cuando esas capacidades se coordinan a lo largo de todo el proceso de soporte.

El hilo conductor es la expansión continua. Las organizaciones establecen las bases de conocimiento e integración, automatizan lo que pueden resolver con confianza, evalúan qué es lo que aún requiere asistencia humana, registran las resoluciones exitosas realizadas por humanos y utilizan esos conocimientos para ampliar aún más la autonomía.

Ese es el camino que va desde la automatización de las tareas de soporte hasta la creación de un servicio de soporte autónomo.