Lo primero: conocer la empresa y entender sus necesidades
Incluso antes de diseñar una solución, necesitas entender cómo compra el cliente, qué pasa después de la compra y dónde se rompe esa experiencia. También necesitas saber qué trabajo repetitivo recae hoy en los agentes y qué resultado espera el negocio: responder más rápido, mejorar la satisfacción, controlar costos o una combinación de esos objetivos.
Cuando tengas la primera reunión con el cliente, haz preguntas como estas:
- ¿Cuáles son los motivos de contacto más frecuentes?
- ¿Qué problemas afectan más los tiempos o la experiencia de tu cliente?
- ¿Qué canales tienes integrados y qué sistemas externos usas?
- ¿Qué tareas puede hacer hoy un agente y qué información necesita para hacerlas?
- ¿Qué resultado justificaría la inversión en AI?
Lo bueno de preguntar antes de actuar es que evitas implementar AI solo porque es la moda. La idea es responder a una necesidad.
Luego, analizar la situación actual
Para el ejemplo, la empresa vende ropa en línea y atiende por WhatsApp, redes sociales y correo electrónico. Tiene unos 50 agentes y recibe más de 5.000 tickets al mes. Trabajan con Zendesk, pero aquí puedes colocar cualquier otra herramienta como Intercom, HubSpot, Freshdesk, etc.
Los casos más comunes son reembolsos, pedidos no entregados, cambios de dirección, entregas demoradas y consultas sobre la disponibilidad futura de productos.
La empresa quiere mejorar los tiempos y la experiencia, y siente que todavía no aprovecha todo lo que Zendesk le puede ofrecer.
Los agentes consultan la información del pedido manualmente. Los datos están repartidos entre WooCommerce, un CRM y una plataforma interna de despacho.
Después, definir el punto de partida de AI
En este caso, la empresa está en una etapa inicial: tiene un chatbot, pero no cuenta con casos de uso de AI conectados con el trabajo de los agentes ni con sus sistemas operativos. Es el típico chatbot que ya todo el mundo sabe implementar: responde preguntas y, cuando no sabe qué hacer, deriva a un agente humano. Nada nuevo aquí.
Ahora bien, esto no significa que tenga que empezar desde cero. WooCommerce y la plataforma interna de despacho tienen APIs que permiten consultar datos y ejecutar transacciones, pero todavía no están conectadas con su proceso. Y ahí está la gran oportunidad: unir esas plataformas vía API con las conversaciones que ya gestiona el equipo.
Uno de los pasos que más me gusta: diseñar la solución
Este chatbot básico puede evolucionar luego a un AI Agent en primera línea. Además de conversar, el agente puede consultar información y usar otras herramientas conectadas por API. Cuando una solicitud requiere una acción, un workflow agentic coordina los pasos necesarios, como validar los datos, actualizar una dirección o iniciar un reembolso. Esta es la evolución significativa: aquí es donde la AI empieza a tener sentido como ayuda en la carga de trabajo.
Si dibujamos la arquitectura de esta solución, podría verse así:
Desliza horizontalmente para ver el diagrama completo.
Si te fijas, el AI Agent de primera línea empezaría resolviendo preguntas frecuentes y consultando el estado del pedido o del despacho. Si no tiene suficiente información, detecta una excepción o el cliente necesita hablar con una persona, transfiere la conversación con el contexto recopilado a un agente humano.
Ahora bien, los workflows agentic permiten ir más allá de responder: pueden consultar las APIs y realizar acciones. Para los cambios de dirección y reembolsos, el flujo debe validar el número de pedido y la cédula del cliente, usar credenciales controladas y registrar quién inició la operación. El sistema ya permite que los agentes realicen esas acciones; conectarlo a Zendesk reduce pasos manuales y conserva la trazabilidad.
Por último, para el caso de uso sobre la disponibilidad futura de un producto, se tendría que consultar la fuente correcta de inventario. Si esa información no está en WooCommerce, que es nuestra plataforma de ejemplo, también habrá que identificar qué sistema la mantiene.
La parte más difícil, pero no imposible: medir experiencia, éxito de AI y costos
Esta parte es la más complicada porque, si el caso de uso que implementas no demuestra éxito y reducción de costos, entonces no vale la pena. Si me preguntas, no mediría el éxito solo por cuántas conversaciones atiende la AI. Es un error muy común en pleno 2026: muchas empresas lo hacen, lo he visto. Olvida ese modelo, está errado.
Y es básicamente porque una conversación que pasó por la AI y se cerró no necesariamente está resuelta. Tu cliente puede terminar contactando a un agente humano por otro canal luego.
Entonces, ¿cómo la medimos? Yo lo haría de esta manera:
| Qué queremos medir | Métricas útiles |
|---|---|
| Experiencia del cliente | CSAT, esfuerzo del cliente, resolución en el primer contacto y contactos repetidos |
| Calidad de AI | Resolución confirmada, transferencias, respuestas incorrectas, fallos de API y acciones fallidas |
| Eficiencia operativa | Tiempo de primera respuesta, tiempo de gestión y minutos de trabajo manual evitados |
| Costos | Costo por caso resuelto, costo de AI por resolución y ahorro neto frente al costo de operación |
Para saber si realmente bajan los costos, compararía el costo total antes y después: atención humana, licencias y uso de AI, integraciones, soporte y mantenimiento. El tiempo ahorrado se convierte en ahorro cuando, por ejemplo, reduce horas extra, evita que mi cliente contrate más personas o permite atender más volumen con el equipo actual.
Y por último, pero no menos importante: dar soporte y mejorar de forma continua
Finalmente, debes revisar conversaciones y acciones, corregir artículos, evaluar respuestas y monitorear las integraciones. También debes identificar los motivos que el agente no resuelve y decidir si hace falta mejorar la información que está usando, ajustar el workflow o transferir antes a una persona.
Te recomiendo empezar por los casos más frecuentes. La idea es que el modelo siga evolucionando y automatizar de manera eficiente la mayor cantidad de casos posible, sin perder calidad en la experiencia de cliente y sin aumentar los costos.