Las ventajas de la automatización con agentes para el Servicio de Asistencia al Cliente, capítulo 2

Comprender qué está obstaculizando el soporte

Antes de crear un sistema de soporte autónomo, es necesario entender en qué aspectos el modelo actual genera trabajo innecesario.

Para la mayoría de las organizaciones, el problema no es un solo proceso que no funciona. Es el efecto acumulativo de la creciente complejidad de los productos, la fragmentación de los sistemas y los conocimientos, el trabajo manual y un modelo operativo que sigue esperando a que los clientes tengan problemas antes de que el servicio de soporte reaccione.

Esos desafíos se vuelven más evidentes a medida que la organización crece.

La complejidad del producto dificulta aún más la resolución

Cuanto más sofisticado se vuelve un producto tecnológico, más variables deben tomar en cuenta los equipos de soporte cuando algo sale mal.

Un problema de un cliente que aparentemente es sencillo podría depender de una versión específica del software, una configuración de implementación, una integración, una API, un entorno operativo o una dependencia de terceros. Es posible que el ingeniero de soporte tenga que examinar los registros, consultar la documentación técnica, revisar casos anteriores, comprender la configuración del cliente y determinar si el problema se origina en el producto o en algún otro lugar de la infraestructura tecnológica del cliente.

Eso hace que el soporte técnico adquiera un carácter cada vez más investigativo.

El reto no consiste simplemente en encontrar una respuesta. Se trata de reunir suficiente información contextual precisa para comprender qué respuesta es la adecuada para este cliente, en este entorno y en este momento.

A medida que aumenta la complejidad, el conocimiento especializado también adquiere mayor valor. Los casos pasan de un nivel de soporte a otro o se remiten a ingenieros con mayor experiencia en el producto, lo que aumenta tanto el tiempo de resolución como el costo.

El soporte que requiere mucha mano de obra genera un problema de escalamiento

El Servicio de Asistencia al Cliente tradicional se expande de manera lineal. Cuando aumenta el volumen de tickets, las organizaciones contratan a más empleados para gestionarlo. Esto genera un ciclo predecible: un mayor número de clientes genera más casos, lo que requiere más agentes, más capacitación, más gestión y conocimientos más especializados.

El modelo se vuelve particularmente complejo para las empresas, ya que no todos los ingenieros de soporte son intercambiables. Los productos complejos requieren especialistas que comprendan componentes, configuraciones o entornos técnicos específicos. Esas habilidades tardan en desarrollarse y pueden convertirse en obstáculos a medida que crece la demanda.

La asistencia de la IA puede hacer que esas personas sean más productivas, pero la productividad por sí sola no elimina la limitación subyacente. Si cada resolución requiere, en última instancia, que una persona realice el trabajo, la capacidad de apoyo sigue estando ligada a la capacidad humana. La oportunidad que ofrece el soporte autónomo es transformar esa relación. Las tareas rutinarias se pueden realizar cada vez más sin intervención humana, mientras que los especialistas se centran en problemas novedosos, ambiguos y de mayor valor.

Cambiar de sistema consume tiempo que debería dedicarse a resolver problemas

La información necesaria para resolver un caso de soporte rara vez se encuentra en un solo lugar.

Un ingeniero de soporte técnico podría comenzar por revisar un sistema de tickets, un sistema de gestión de relaciones con el cliente (CRM), una base de conocimientos, un portal para clientes y plataformas de comunicación para investigar un problema subyacente.

Cada sistema contiene parte de la respuesta.

Los ingenieros de soporte se convierten en la capa de integración y mueven manualmente la información entre aplicaciones, para reconstruir el contexto cada vez que un caso cruza el límite de un sistema. El resultado son tiempos de resolución más largos, trabajo manual innecesario y una mayor probabilidad de que se pierda información durante las transferencias.

Esta es una de las razones por las que el soporte autónomo requiere algo más que una interfaz de IA integrada en un sistema de tickets. Los agentes de IA deben ser capaces de obtener información contextual y tomar medidas en todos los sistemas involucrados en la resolución.

Eliminar el cambio constante entre sistemas no solo aumenta la productividad de los agentes. Sienta las bases para completar de manera autónoma una mayor parte del ciclo de vida de la resolución.

El conocimiento aislado limita tanto a las personas como a la IA

A las empresas no les falta conocimiento en materia de soporte técnico. En muchos casos, tienen demasiado.

Los tickets cerrados de años anteriores, los artículos de conocimiento, la documentación técnica, las guías de resolución de problemas, las notas de lanzamiento, la documentación de ingeniería y las conversaciones internas pueden contener una enorme cantidad de inteligencia institucional. Sin embargo, esa información puede estar duplicada, desactualizada, ser inconsistente o estar distribuida en diferentes repositorios.

En el caso de los agentes humanos, eso significa dedicar más tiempo a la búsqueda y depender más del conocimiento colectivo. En el caso de los agentes de IA, el problema cobra aún mayor importancia. El simple hecho de conectar un agente de IA a años de contenido histórico de soporte no garantiza automáticamente una resolución autónoma y confiable. El conocimiento debe ser actual, relevante, estructurado y estar disponible en el contexto necesario para que el agente pueda analizar un caso en particular.

Eso convierte a la preparación para el conocimiento en uno de los pilares del camino hacia la autonomía.

El soporte reactivo inicia el proceso de resolución demasiado tarde

El ciclo tradicional de soporte comienza con el cliente. Algo falla. El cliente experimenta el problema. Busca una respuesta. Si no la encuentra, crea un ticket. El ticket ingresa a una lista de prioridad, llega a un agente y comienza la investigación. Por definición, la organización ya va con retraso.

Incluso un servicio de soporte reactivo altamente eficiente sigue exigiendo que el cliente pase por una situación de interrupción antes de que comience la resolución del problema. El soporte autónomo abre la posibilidad de invertir ese modelo. Los agentes de IA pueden trabajar con sistemas de observabilidad y monitoreo para identificar ciertos problemas en los entornos de los clientes, recopilar información de diagnóstico e iniciar las acciones adecuadas antes de que el cliente tenga que reportarlos.

No todos los problemas pueden ni deben gestionarse de esta manera. Sin embargo, el hecho de reorientar aunque sea una parte del soporte técnico de la respuesta reactiva hacia la detección proactiva cambia el enfoque de optimización de las organizaciones de soporte: ya no se trata solo de una resolución más rápida, sino de prevenir desde el principio cualquier impacto en el cliente.

La presión de los costos hace que las mejoras graduales sean insuficientes

Todos estos desafíos, en última instancia, convergen en el mismo problema empresarial. Se les pide a las organizaciones de soporte que reduzcan los tiempos promedio de atención y resolución, controlen el costo por ticket, mejoren el cumplimiento de los acuerdos de nivel de servicio (SLA), mantengan o aumenten el puntaje de satisfacción del cliente (CSAT) y absorban la creciente demanda sin tener que aumentar continuamente el personal. Históricamente, esos objetivos han estado en conflicto entre sí.

Reducir los costos puede significar pedirle a menos personas que gestionen más casos. Para mejorar la experiencia de los clientes, puede ser necesario contar con conocimientos especializados. La expansión a nivel mundial puede requerir una mayor capacidad de apoyo. El aumento de la complejidad de los productos puede hacer que cada interacción sea más costosa.

La resolución autónoma ofrece un camino diferente porque se enfoca en la cantidad de esfuerzo humano necesario para resolver un problema. No es necesario que el objetivo inicial sea alcanzar una autonomía del 100%. Un caso complejo podría comenzar con la IA completando de manera autónoma parte del proceso de resolución antes de transferirlo a un experto humano. A medida que la organización evalúa esas interacciones, recopila las soluciones exitosas proporcionadas por personas y mejora el conocimiento del que disponen sus agentes de IA, una parte cada vez mayor de ese proceso puede volverse autónoma.

Esa evolución, desde una dependencia de la ayuda humana hacia una autonomía cada vez mayor, es la oportunidad. El primer paso es entender una distinción importante: ayudar a los clientes a evitar que se generen tickets no es lo mismo que resolver sus problemas.