Agente IA para atención al cliente que resuelve tier 0 y 1 sin intervención humana

Contexto

Empresa de servicios B2B con un equipo de soporte de 8 personas atendiendo unos 400-500 tickets/semana. La mayoría eran consultas repetitivas (cómo cambiar la contraseña, dónde está el manual del módulo X, cómo descargar la factura) que el equipo sénior tenía que tocar igualmente, restando tiempo a los casos complejos.

El responsable de operaciones lo planteó claro: "no podemos contratar más gente, pero los SLAs de respuesta los estamos incumpliendo cada mes. Necesitamos que el 50-60% del volumen se resuelva solo".

El desafío

• Calidad de respuesta no negociable. El agente no podía inventarse respuestas: o respondía con la información de la base de conocimiento, o escalaba a humano.
• Integración con sistema de tickets existente. Nada de migrar herramientas. El agente tenía que vivir donde ya estaban los tickets.
• Compliance B2B. Los datos de cliente no podían salir del tenant Microsoft 365 del cliente. ChatGPT genérico estaba descartado de entrada.

Aproximación

Proyecto a medida de 6 semanas con discovery de 1 semana previa:

1. Discovery (semana 0). Análisis de 800 tickets históricos para identificar las 12 categorías más recurrentes. Salieron tres tipos: consultas de información (40%), problemas de acceso (22%), preguntas de facturación (15%). El 23% restante eran casos complejos donde el agente no debía intervenir.
2. Construcción del agente sobre Copilot Studio (semanas 1-3). Agente entrenado sobre su base de conocimiento interna, manuales de producto y FAQ histórica. Conectado al sistema de tickets vía API. Regla dura: si el agente no encuentra respuesta con suficiente confianza, escala automáticamente con un resumen del caso.
3. Pilotaje en sombra (semana 4). Durante una semana el agente respondía pero un humano revisaba todas las respuestas antes de enviarlas. Permitió calibrar la confianza del modelo y detectar dos casos donde el agente daba información obsoleta.
4. Go-live progresivo (semanas 5-6). Primero solo categorías de bajo riesgo (consultas de información). A los 10 días, problemas de acceso. Al final del programa, todas las categorías validadas.

El stack: Copilot Studio dentro del tenant M365 del cliente (los datos nunca salieron), integración API con el sistema de tickets, capa de logging para auditar cada respuesta del agente.

Resultados

• 62% de tickets cerrados sin intervención humana en la semana 8 (medido sobre 1.200 tickets entrantes).
• Tiempo medio de respuesta en tier 0/1: de ~24h a ~18 minutos en las categorías cubiertas por el agente.
• CSAT mantenido (4.2/5 vs 4.3/5 pre-proyecto). El miedo de que la satisfacción cayera con un agente no se materializó.
• Equipo humano enfocado en tier 2/3. Las consultas complejas pasaron de tener 6h de espera media a 2.5h, porque el equipo dejó de atascarse en lo repetitivo.
• SLAs internos en verde por primera vez en 4 meses al cierre del proyecto.
• 0 incidencias de privacidad o data leak: toda la operación se mantuvo dentro del tenant del cliente.

Aprendizaje aplicable

Lo que hace que un agente como este funcione no es el modelo —Copilot Studio era suficiente—, es la calidad de la base de conocimiento con la que se alimenta. Dedicamos casi una semana a curar la FAQ y los manuales del cliente antes de empezar a entrenar nada. Esa semana fue la inversión más rentable del proyecto.

El segundo aprendizaje: la regla "ante la duda, escalo" es no negociable. Cualquier agente que invente respuestas para no escalar es un agente que va a destruir confianza en su primera semana. La métrica clave durante el pilotaje no fue "cuántos resuelve", fue "cuántos escala correctamente cuando no sabe".

El tercer aprendizaje, comercial: este caso es replicable casi tal cual en cualquier empresa con volumen alto de soporte y FAQ documentada. Es uno de los proyectos a medida con mejor ROI medido.

Nota sobre confidencialidad

El nombre del cliente está omitido por acuerdo de confidencialidad. Las cifras son reales o estimaciones conservadoras basadas en mediciones internas del propio cliente.