Agentes de IA para atención al cliente: del chatbot tradicional al agente inteligente

Durante una década, *automatizar la atención al cliente* significó dibujar un árbol de decisión. Si el cliente escribe factura, muéstrale estas cuatro opciones. Si no reconoces lo que escribió, repite el menú. Funcionaba en la demo y se caía el primer día real, cuando alguien quiso cambiar la dirección de un pedido que además venía incompleto.

Los dos primeros describen el presente: el autoservicio resuelve poco y los agentes humanos pasan la jornada sin hablar con clientes. Los dos últimos, la tensión que viene: el mercado espera automatización masiva y los clientes exigen una puerta de salida hacia una persona. Un despliegue serio vive dentro de esa tensión.

El chatbot tradicional falló por una razón estructural: intentaba enumerar por adelantado todo lo que un cliente podía querer. Cada excepción era una rama más. Al año, el árbol tenía cientos de nodos que nadie entendía completos y la única persona que sabía dónde tocar ya se había ido.

El síntoma está en los números de autoservicio. Gartner encontró que apenas 14% de los problemas de servicio y soporte se resuelven por completo sin ayuda humana; incluso entre los casos que los propios clientes califican como *muy simples*, solo 36% se cierra en autoservicio ¹. Conviene leerlo con precisión: esa encuesta midió el autoservicio en conjunto (portales, bases de conocimiento, IVR y chatbots), no la tasa de fracaso de los chatbots. Pero marca el techo de lo que la generación anterior logró.

Del otro lado del mostrador pasa algo parecido. Según la sexta edición del reporte State of Service de Salesforce (5,550 profesionales de servicio en 30 países, diciembre de 2023 a enero de 2024), los agentes de contact center estiman que dedican solo 39% de su semana a trabajar con clientes; el 61% restante se reparte entre tareas administrativas, juntas internas y capacitaciones, registro manual de notas de casos y otras actividades ¹³. Es percepción autorreportada (no una medición objetiva de productividad), la muestra es global y no de México, y Salesforce vende software del sector; pero el patrón es reconocible.

Un agente de IA no es un chatbot con mejor redacción. La diferencia técnica es que no tiene guion: tiene un objetivo, fuentes de conocimiento que puede consultar y un conjunto de acciones que puede ejecutar contra tus sistemas. Ante una consulta decide qué necesita averiguar, lo busca, y si hace falta hacer algo (consultar un pedido en el ERP, reagendar una cita, generar una nota de crédito dentro de un rango autorizado), lo hace y confirma el resultado.

Esa última fila es la más subestimada. Un chatbot que no entiende deja al cliente molesto; un agente mal delimitado afirma con seguridad una política de devoluciones que ya no existe. El trabajo de ingeniería no está en hacerlo hablar bien (eso ya viene resuelto), sino en definir qué consulta, qué ejecuta y dónde se detiene.

Conviene separar tres cosas que suelen citarse como iguales: estudios de campo controlados, casos de clientes reportados por proveedores o consultoras, y predicciones de analistas. Solo la primera es evidencia en sentido estricto, y el estudio más sólido sobre soporte al cliente es el de Brynjolfsson, Li y Raymond, publicado como documento de trabajo del NBER. En una sola empresa Fortune 500 de software de procesos de negocio, con 5,179 agentes de soporte por chat, el acceso escalonado a un asistente conversacional de IA generativa aumentó la productividad (casos resueltos por hora) en 14% en promedio; 34% entre los agentes novatos o de menor habilidad, con efecto mínimo sobre los más experimentados. El propio paper reporta indicios de que la herramienta podría reducir la calidad de las conversaciones de los agentes más hábiles, y documenta mejoras en el sentimiento del cliente y en la retención de empleados ³.

Los casos reportados prometen más, con menos rigor. McKinsey documenta un banco asiático en rápido crecimiento que, tras una transformación de servicio habilitada por IA de doce meses, duplicó o triplicó el uso de sus canales de autoservicio, redujo las interacciones de servicio entre 40% y 50% y bajó su costo de atención (*cost-to-serve*) en más de 20% ¹²: caso único y anonimizado, en banca, reportado por la propia consultora, sin grupo de control ni metodología publicada. Verizon, a su vez, desplegó con Google Cloud un asistente sobre Vertex AI y modelos Gemini para 28,000 representantes de atención y personal de tienda, con 95% de *answerability* (capacidad de responder integralmente las consultas), según el anuncio conjunto ¹⁴. Ese no es un agente de cara al cliente sino un copiloto: la persona sigue atendiendo y la IA trabaja detrás.

La mayoría de los tableros que he visto mide lo fácil de contar, no lo que importa. Estas son las métricas que sostienen una decisión, con la trampa que trae cada una:

Y una advertencia sobre el punto de comparación: si mides el agente contra el chatbot viejo, casi cualquier resultado se ve bien. La comparación honesta es contra tu operación humana actual, en las mismas categorías y el mismo horario.

El escalamiento no es el plan B: es parte del producto, y ahí se decide la percepción del cliente. Gartner encontró que 87% de los clientes considera indispensable que las empresas que usan IA generativa ofrezcan la opción de llegar a un agente humano, en una encuesta global a 3,566 clientes B2B y B2C levantada entre febrero y marzo de 2026 ⁶. No es una preferencia suave: es condición de entrada.

1. 1

   Define los disparadores por escrito, antes de construir

   Tres familias mínimas: intención explícita (el cliente pide un humano), señal de riesgo (reclamo formal, mención legal, monto alto) y límite técnico (no hay respaldo en la base de conocimiento). Si no se escribe antes, se improvisa después.

2. 2

   Deja la salida visible todo el tiempo

   Esconder el botón de *hablar con una persona* para inflar la deflexión es el atajo más caro que existe. Con 87% de los clientes encuestados calificando esa opción como indispensable ⁶, ocultarla cambia una métrica bonita por pérdida real: 63% de los consumidores encuestados por Zendesk se dice dispuesto a cambiarse a un competidor por una sola mala experiencia ¹¹.

3. 3

   Transfiere contexto, no la transcripción cruda

   El humano debe recibir tres líneas: qué quiere el cliente, qué se intentó y qué datos se validaron. Pegar la conversación completa obliga a leerla mientras el cliente espera.

4. 4

   Enruta al humano correcto, no al primero disponible

   El agente ya clasificó el caso; usa esa clasificación en el ruteo. Escalar facturación a soporte técnico agrega un traslado más y borra la ventaja de tiempo ganada.

5. 5

   Cierra el ciclo con lo que el humano resolvió

   Cada escalamiento señala un hueco en la base de conocimiento o en el catálogo de acciones. Si nadie los revisa cada semana, el agente se congela en el nivel del primer día.

Klarna es el caso más citado del mundo y casi siempre se cita a la mitad. En febrero de 2024 anunció que, en su primer mes de operación global (23 mercados, más de 35 idiomas), su asistente de IA sostuvo 2.3 millones de conversaciones, dos tercios de sus chats de servicio, un volumen que ella misma calculó como equivalente al trabajo de 700 agentes de tiempo completo. Reportó además que las consultas repetidas cayeron 25% y proyectó 40 millones de dólares de impacto en su utilidad para 2024 ⁴. Son cifras autorreportadas en un comunicado, sin metodología ni verificación independiente, emitidas mientras la compañía preparaba su salida a bolsa; los 40 millones eran una proyección, no un resultado auditado.

La segunda mitad llegó poco más de un año después. En mayo de 2025 Klarna puso en marcha un piloto de contratación remota de agentes humanos para garantizar que sus clientes siempre puedan hablar con una persona: la IA sigue atendiendo lo rutinario y los humanos toman los casos complejos. No fue un abandono de la IA (quien lo cuente así también cuenta la mitad), sino una corrección de diseño ⁵.

Los datos agregados apuntan igual. Solo 20% de los líderes de servicio y soporte reporta haber reducido su personal de agentes a causa de la IA, mientras 55% mantiene plantilla estable atendiendo mayores volúmenes, según una encuesta de Gartner a 321 líderes de octubre de 2025 ⁹. La misma firma prevé que para 2027 la mitad de las organizaciones que esperaban recortar significativamente su plantilla de servicio abandone esos planes, ante la dificultad de alcanzar metas de dotación *sin agentes* ⁸.

El movimiento dominante no es el despido sino la recomposición del rol, aunque conviven ambas cosas. En una encuesta global de Gartner a 321 líderes (septiembre-octubre de 2025), 85% está ampliando las responsabilidades de sus agentes humanos conforme la IA reduce el volumen de contactos y 75% está moviendo agentes a roles completamente nuevos; en la misma encuesta, 63% reduce plantilla de primera línea de forma gradual por rotación natural y 31% ya aplicó o planea despidos hasta el primer trimestre de 2027 ¹⁰. Quien te venda un agente prometiendo solo una de esas dos mitades no está describiendo los datos.

Hay escenarios donde recomiendo no hacerlo, y decirlo temprano ahorra meses. No conviene si el volumen es bajo y las consultas son todas distintas: mantener el conocimiento cuesta más que el ahorro. No conviene si la base de conocimiento no existe o está desactualizada: el agente no inventa políticas correctas, amplifica las incorrectas. Y no conviene como primera pieza si el proceso de fondo está roto: si el grueso de tus contactos son por pedidos que llegan tarde, el agente explicará con elegancia por qué llegó tarde en vez de arreglar la logística.

Un detalle que casi nadie diseña es el tono. En esa misma encuesta global de Zendesk, 64% de los consumidores encuestados dice que es más probable que confíe en agentes de IA que muestran rasgos como amabilidad y empatía ¹¹. Eso no se resuelve con una instrucción genérica de *sé amable*: se resuelve decidiendo cómo responde tu marca cuando el cliente ya está molesto, y probándolo con conversaciones reales antes de abrir el canal.

Los despliegues que sí llegan a producción se parecen entre sí. Empiezan por las tres o cuatro categorías que concentran el grueso del volumen en su propia operación (típicamente estado de pedido, facturación, cambios de cita, restablecimiento de acceso), no por la cola larga. Construyen primero la base de conocimiento y las integraciones de lectura, y solo después habilitan acciones de escritura, una por una y con límites. Miden contra la operación humana previa desde la semana uno, y dejan el escalamiento diseñado antes de exponer el agente a un cliente.

Gartner prevé que para 2029 la IA agéntica resuelva de forma autónoma 80% de los problemas comunes de servicio al cliente sin intervención humana, con una reducción de 30% en costos operativos ⁷. Es una predicción de analista, no una medición, y el adjetivo *comunes* hace todo el trabajo. La lectura útil no es que el equipo humano desaparezca: es que la parte repetitiva se va a mover, y quien hoy construya bien el conocimiento y el escalamiento llegará ahí con ventaja.