Las ventajas de la automatización con agentes para el Servicio de Asistencia al Cliente, capítulo 4

Ampliar el soporte autónomo en toda la empresa

Poner en marcha los primeros casos de uso autónomos es un hito importante. Pero la oportunidad más importante surge cuando la resolución autónoma se convierte en parte del funcionamiento de la organización de soporte. Para ello, es necesario ir más allá de los flujos de trabajo individuales y conectar a los agentes de IA con los sistemas, el conocimiento, los procesos y la gobernanza que abarcan todo el ciclo de vida del soporte.

El objetivo no es reemplazar su infraestructura de soporte actual. El objetivo es crear una capa inteligente capaz de razonar y actuar en todo el proceso, lo que permitirá que más problemas pasen de la detección a la resolución sin que sea necesario que una persona conecte manualmente cada paso.

Conecte los sistemas que hay detrás de cada resolución

La mayoría de las organizaciones de soporte ya cuentan con gran parte de la tecnología que necesitan. El reto radica en que estos sistemas no fueron diseñados para funcionar como un proceso continuo de resolución.

Cuando no están conectados, los ingenieros de soporte se encargan de cubrir las brechas. Copian información entre sistemas, realizan búsquedas en múltiples repositorios, recuperan registros, abren tickets de ingeniería, actualizan los registros de los clientes y ejecutan manualmente las acciones necesarias para dar seguimiento a un caso.

El soporte autónomo transforma ese modelo. Los agentes de IA pueden recopilar información contextual de todo el entorno de soporte, determinar cuál es el siguiente paso adecuado y coordinar las acciones entre los distintos sistemas. En lugar de limitarse a recomendar lo que un ingeniero de soporte debería hacer a continuación, cada vez más pueden realizar ese trabajo ellos mismos y validar el resultado.

Esa orquestación entre sistemas es lo que convierte la asistencia de IA en una resolución autónoma.

Proporcione a los agentes los conocimientos adecuados, no solo más conocimientos

Como se mostró en el capítulo 3, el soporte autónomo depende de la calidad del conocimiento del que disponen los agentes de IA. Ese requisito cobra aún más importancia a escala empresarial. Los conocimientos sobre el soporte cambian constantemente. Las nuevas versiones incorporan nuevas funcionalidades. Los equipos de ingeniería descubren nuevos problemas. Los agentes de soporte encuentran nuevas resoluciones. Los clientes presentan configuraciones con las que la organización no se ha encontrado antes.

Una base de conocimientos estática quedará obsoleta rápidamente. Las organizaciones necesitan un proceso continuo para convertir las interacciones de soporte en información útil para la resolución de problemas. Los casos cerrados se pueden analizar para identificar conocimientos faltantes o desactualizados, relacionar las resoluciones exitosas con los artículos existentes y generar nuevos conocimientos donde existan brechas.

La intervención humana desempeña un papel importante en ese proceso. Cuando un agente de IA deriva un caso y un ingeniero lo resuelve con éxito, esa resolución brinda una oportunidad para mejorar el desempeño futuro. Capture la resolución, incorpórela en el conocimiento relevante, evalúe al agente en función de la nueva información y póngala a disposición para futuros casos.

Con el tiempo, la base de conocimiento evoluciona junto con el producto, y el límite de lo que puede resolverse de manera autónoma puede ampliarse en consecuencia.

Incorpore la evaluación al modelo operativo

La automatización tradicional es relativamente fácil de evaluar. Un flujo de trabajo determinista completaba correctamente los pasos predefinidos o no lo hacía. Los sistemas con agentes requieren un enfoque más amplio.

Las organizaciones de soporte necesitan visibilidad sobre cómo los agentes de IA clasifican los casos, recuperan información, razonan sobre los próximos pasos, ejecutan acciones, interactúan con los clientes y deciden cuándo se requiere asistencia humana. La evaluación proporciona esa visibilidad. El objetivo no es simplemente determinar si un agente “funcionó”. El objetivo es identificar en qué casos la resolución autónoma tuvo éxito, en cuáles se requirió asistencia y por qué.

Esos datos generan el ciclo de retroalimentación necesario para mejorar el sistema. Si un agente remite repetidamente un tipo específico de caso a un nivel superior, los equipos pueden investigar si la limitación se debe a una falta de conocimiento, a un acceso insuficiente al sistema, a la capacidad del agente, a una restricción de la gobernanza o a una situación que, por naturaleza, debe seguir siendo gestionada por personas.

Eso hace que la evaluación sea algo más que una función de control de calidad. Se convierte en uno de los mecanismos que las organizaciones utilizan para expandir la autonomía de manera sistemática.

Incorpore la gobernanza en cada acción autónoma

Cuanto más pueden hacer los agentes de IA, más importante resulta controlar lo que deben hacer. El soporte autónomo requiere límites claros en torno a los permisos del agente, el acceso a los datos, las acciones aprobadas, las condiciones de escalamiento y la supervisión humana.

Una solicitud de acceso rutinaria, por ejemplo, puede ser adecuada para una resolución completamente autónoma cuando se cumplen los requisitos predefinidos. Una acción de mayor repercusión podría requerir una validación adicional o la aprobación de una persona. Otros casos pueden clasificarse como totalmente inadecuados para la ejecución autónoma.

El límite adecuado variará según la organización, el caso de uso, el cliente y el nivel de riesgo. El objetivo no es alcanzar la máxima autonomía a cualquier costo. Es la autonomía basada en la confianza: permitir que los agentes actúen de manera independiente cuando la organización confía en sus conocimientos, procesos, controles y resultados, e involucrar a las personas cuando no se cumplen esas condiciones.

A medida que las organizaciones adquieren confianza mediante la evaluación y los resultados demostrados, esos límites pueden evolucionar.

Convierta el soporte proactivo en una capacidad medible

El soporte autónomo también brinda una oportunidad para cambiar el momento en que comienza la resolución. En el modelo tradicional, las métricas como el tiempo promedio de gestión y el tiempo promedio de resolución comienzan después de que ya existe un caso. Pero quizá la mejor interacción de soporte sea aquella que el cliente nunca tenga que iniciar.

La integración de los agentes de IA con los sistemas de monitoreo, observabilidad y productos puede permitir que los equipos de soporte identifiquen ciertas anomalías o fallas en los entornos de los clientes antes de que se conviertan en solicitudes de soporte. A partir de ahí, los agentes pueden recopilar información de diagnóstico, determinar una respuesta adecuada, iniciar las medidas correctivas cuando estén autorizados, validar el resultado y crear los registros de soporte necesarios.

Esto introduce una forma diferente de medir el desempeño del servicio de soporte: no se trata simplemente de la rapidez con la que la organización responde a los problemas de los clientes, sino de cuántos problemas es capaz de identificar y resolver antes de que los clientes sufran una interrupción significativa. Ese es el cambio de un soporte reactivo a una resolución proactiva.

Mida el progreso hacia la autonomía

Los indicadores clave de desempeño (KPI) que las organizaciones ya utilizan siguen siendo importantes. El tiempo promedio de gestión, el tiempo promedio de resolución, el costo por ticket, las tasas de escalamiento, el cumplimiento de los acuerdos de nivel de servicio (SLA) y el puntaje de satisfacción del cliente (CSAT) siguen revelando si el soporte se está volviendo más rápido y efectivo. Sin embargo, las organizaciones que están avanzando hacia un soporte autónomo deberían plantearse otra pregunta: ¿En qué medida el proceso de resolución sigue requiriendo esfuerzo humano?

Esto puede medirse en varios niveles. Las organizaciones pueden realizar un seguimiento del porcentaje de casos resueltos de manera completamente autónoma, el porcentaje que requiere asistencia humana, dónde ocurre con mayor frecuencia el escalamiento y cómo cambian esos números a lo largo del tiempo.

Para casos complejos, el progreso no implica necesariamente pasar de inmediato de una resolución asistida a una completamente autónoma. Si un caso de nivel 2 antes requería la intervención de un ingeniero de soporte durante todo su ciclo de vida y ahora un agente de IA puede realizar de manera autónoma la clasificación, la recopilación de información contextual, la recuperación de conocimiento y el análisis de diagnóstico antes de involucrar a ese ingeniero, la organización ya ha cambiado la rentabilidad de ese caso.

El siguiente objetivo es determinar qué parte del trabajo restante puede volverse autónoma de manera segura. Eso convierte la autonomía en una métrica que las organizaciones pueden mejorar continuamente, en lugar de considerarla un estado final que simplemente se posee o no.

Aproveche sus inversiones actuales en soporte

El paso hacia un soporte autónomo no debería implicar la sustitución de los sistemas de los que ya depende su organización. La solución con agentes de Automation Anywhere para el Servicio de Asistencia al Cliente está diseñada para funcionar en todo el ecosistema de soporte, conectando las aplicaciones, el conocimiento, los datos y los procesos involucrados en la resolución.

El autoservicio autónomo puede gestionar de principio a fin los casos rutinarios que correspondan. La asistencia de agentes inteligentes puede apoyar a los ingenieros cuando se requiere la experiencia humana. Los agentes de IA pueden razonar a partir del contexto disponible y coordinar acciones entre distintos sistemas, mientras que la evaluación continua y la mejora del conocimiento ayudan a ampliar, con el tiempo, el alcance de lo que se puede resolver de manera autónoma.

El resultado no es otra herramienta de soporte aislada. Es una forma de lograr que los sistemas y el conocimiento que ya respaldan a sus clientes trabajen en conjunto como parte de un proceso de resolución más inteligente.

Para los líderes de soporte, esto crea un camino hacia resultados empresariales medibles:

• Menos tickets rutinarios y escalamientos que consumen la capacidad de soporte.
• Resolución más rápida tanto en casos autónomos como en los asistidos por humanos.
• Un soporte más coherente entre agentes, canales y regiones.
• Menos tiempo dedicado a buscar información y a cambiar de un sistema a otro.
• Mayor capacidad sin un aumento proporcional del número de empleados.
• Menor costo de servicio a medida que aumenta la proporción de resolución autónoma.
• Se detectan y resuelven más problemas antes de que los clientes sufran interrupciones.

La ventaja no consiste simplemente en realizar el mismo trabajo de soporte más rápido. Sino en eliminar progresivamente el trabajo manual que dificulta el escalamiento del soporte desde el principio.