AI Agent Assist: sugerencias en tiempo real, conocimiento y próximos pasos

Por Linh Ngo · Actualizado el 11 de octubre de 2026

El AI agent assist (asistencia al agente) es un software que lee una conversación en vivo con un cliente y, mientras un agente humano todavía la atiende, sugiere una respuesta, muestra el conocimiento adecuado y propone el siguiente paso. El agente sigue al mando: cada sugerencia puede enviarse, editarse o ignorarse. Esa última parte es lo que lo distingue de un chatbot. Un bot habla con el cliente. El assist habla con su agente, y su agente habla con el cliente.

Para la mayoría de los equipos de soporte es el primer paso más seguro hacia la IA. El cliente sigue recibiendo a una persona, la persona llega más rápido a la respuesta y usted descubre pronto si su conocimiento es lo bastante bueno como para automatizar algo. Si todavía está decidiendo dónde encaja el assist, la visión general de la IA en el servicio al cliente traza el mapa de opciones, y automatizar o asistir explica cómo elegir por tema.

Datos clave

• En un estudio con 5179 agentes de soporte al cliente, el acceso a un asistente de IA generativa aumentó las incidencias resueltas por hora en cerca de 14% en promedio, y en cerca de 34% en el caso de trabajadores novatos y de baja cualificación, con un impacto mínimo en los trabajadores con experiencia.
• En el mismo estudio, los agentes siguieron las recomendaciones de la IA 35% de las veces en promedio, de modo que la mayoría de las sugerencias no se usó. Quienes las siguieron más de cerca obtuvieron mayores mejoras.
• Los agentes con IA y dos meses de antigüedad rindieron igual que los agentes sin IA con más de seis meses de antigüedad en las medidas clave del estudio.
• En la 7.ª encuesta State of Service de Salesforce, con 6500 profesionales de servicio, los representantes que usaban IA dijeron dedicar 20% menos de tiempo a los casos rutinarios, unas cuatro horas libres por semana. Es una encuesta de proveedor sobre tiempo autodeclarado, no un resultado medido.
• El Copilot de Intercom puede recurrir a conversaciones y tickets pasados de los últimos 4 meses, pero no usa conversaciones del canal de correo.

Qué hace el agent assist durante un contacto en vivo

El agent assist cumple tres funciones, y la mayoría de los productos las agrupa. Conviene separarlas, porque cada una falla por una razón distinta.

1. Respuestas sugeridas. La herramienta redacta lo que conviene decir a continuación. Las primeras respuestas sugeridas de Zendesk, por ejemplo, redactan una primera respuesta en el editor del Agent Workspace, construida a partir de las macros (respuestas guardadas) y los artículos del centro de ayuda de la cuenta (y a veces de contenido generado por un LLM). El agente puede enviarla tal cual, editarla o rechazarla y escribir la suya. Salesforce describe sus respuestas de servicio de la misma manera: la IA generativa redacta respuestas para que los representantes las revisen, editen y publiquen.

2. Conocimiento a mano. La herramienta encuentra el artículo, la política o la respuesta anterior que encaja con la pregunta, para que el agente no tenga que buscarla. Las recomendaciones de artículos de Salesforce recomiendan artículos de conocimiento relevantes a los representantes en los casos abiertos, y sus recomendaciones de respuestas muestran respuestas comunes y aprobadas durante el chat y la mensajería. El Copilot de Intercom permite al agente previsualizar en la barra lateral la fuente de una respuesta, y las respuestas basadas en fuentes internas se marcan en amarillo con una advertencia antes de pasar al editor. Es la generación aumentada por recuperación (el patrón ACE rag-assistant) dirigida a un público interno.

3. Próximos pasos. La herramienta recomienda una acción: etiquetar el contacto, ofrecer un reembolso dentro de la política, abrir un ticket de ingeniería, enviar un seguimiento. Es el patrón ACE workflow-copilot. De las tres funciones, es la que más datos estructurados necesita, porque el «próximo paso» depende del plan del cliente, del estado del pedido o del historial de la cuenta, no solo de las palabras del chat.

Dos funciones de apoyo rodean a estas. La detección de intención le dice a la capa de assist qué está preguntando el cliente, para que busque el contenido correcto. El resumen de tickets le da al agente el historial en unas pocas líneas, para que no lea cuarenta mensajes antes de responder.

Un contacto en vivo, paso a paso

Supongamos que un cliente escribe: «Me cobraron dos veces mi plan anual». Esto es lo que hace una capa de assist bien configurada en el primer minuto.

1. Clasifica el tema como una disputa de facturación y trae el plan del cliente y sus facturas recientes.
2. Muestra junto a la conversación el artículo de la política de reembolsos y la macro de cobro duplicado.
3. Redacta un acuse de recibo que nombra el plan e indica qué sucederá a continuación.
4. Propone el siguiente paso: comprobar si se trata de una autorización pendiente o de un segundo cobro real, y reembolsar dentro del límite del agente si es real.
5. El agente edita el borrador, lo envía y aplica el paso. El contacto queda registrado con el código del motivo.

Ninguno de esos pasos eliminó a la persona. Eliminaron la búsqueda, el reescribir y la pausa de «¿qué política aplica?».

Qué dice la evidencia

El estudio más conocido es un despliegue escalonado en la operación de soporte por chat de una empresa, publicado como NBER Working Paper 31161 y más tarde en el Quarterly Journal of Economics. Vale la pena llevar cuatro hallazgos a su planificación.

El promedio esconde la diferencia. La mejora promedio de 14% vino con cerca de 34% para los agentes novatos y de baja cualificación y un cambio mínimo para los experimentados. Si su equipo es mayoritariamente veterano, espere un efecto menor en la productividad y busque más bien mejoras en la consistencia. Si contrata por oleadas o tiene mucha rotación, el assist importa más.

Acorta la curva de aprendizaje. Los agentes con dos meses de antigüedad y acceso a la IA rindieron igual que los agentes con más de seis meses de antigüedad sin ella, en las principales medidas de resultado del artículo (PDF del documento de trabajo). Para un manager, es un argumento de costos de capacitación tanto como de velocidad.

Está diseñado para complementar. El sistema producía sugerencias de respuesta en tiempo real y enlaces a documentación técnica interna, visibles solo para el agente, que tenía total libertad para usarlas. Los agentes siguieron las recomendaciones cerca de 35% de las veces en promedio, y el seguimiento aumentó con el tiempo, sobre todo entre los trabajadores inicialmente escépticos. El uso selectivo fue la norma, y eso es saludable: una tasa de sugerencias cercana a 100% significaría que nadie está pensando.

Tocó los resultados de las personas. Los autores reportan una mejor percepción del cliente, menos clientes que pidieron hablar con un supervisor y menor rotación gracias a la retención de los trabajadores más nuevos. Menos salidas entre los recién contratados es una partida de costos que la mayoría de los líderes de soporte reconoce de inmediato.

Una advertencia sobre el alcance. Fue una sola empresa, un solo producto de chat y una herramienta concreta entrenada con conversaciones y resultados de sus propios agentes, con la mayoría de ellos ubicados en Filipinas. Tómelo como evidencia sólida de que el mecanismo funciona, no como una promesa de 14% en su cola. Las cifras de los proveedores son más débiles: el resultado de la encuesta de Salesforce, 20% menos de tiempo en casos rutinarios, proviene de lo que los propios representantes declaran, así que úselo como orientación, no como meta.

Agent assist por función

El patrón es el mismo en todas partes, pero lo que cuenta como una «buena sugerencia» cambia.

En todas las filas, la sugerencia es tan buena como el contenido y los datos que la respaldan. La fila de TI falla por la misma razón que la de soporte técnico: documentación que nadie mantiene.

Cómo implementar el agent assist

Un despliegue no necesita un lanzamiento masivo. Este orden funciona para la mayoría de los equipos.

1. Elija una cola y un canal. Escoja una cola de alto volumen y bajo riesgo donde las respuestas existan por escrito. El chat o la mensajería suelen ser el punto de partida. Verifique qué admite su herramienta: el Copilot de Intercom, por ejemplo, no usa como fuente las conversaciones del canal de correo, así que conviene confirmar de entrada la cobertura de canales. La cobertura de canales varía mucho según el producto.
2. Corrija primero el conocimiento. Las sugerencias se nutren de sus macros y artículos, de modo que los duplicados, las contradicciones y las políticas desactualizadas se convierten en borradores erróneos dichos con seguridad. Empiece por las 50 macros más usadas y los 30 artículos principales. Preparar los datos de soporte para la IA cubre la limpieza en detalle.
3. Decida qué puede sugerir la herramienta. Haga una lista de los temas donde los borradores son bienvenidos (instrucciones de uso, estado del pedido) y de aquellos donde no (amenazas legales, seguridad, divulgaciones reguladas). Escriba esa lista antes del lanzamiento.
4. Ejecútelo en modo sombra durante dos semanas. Muestre las sugerencias a un grupo piloto pequeño y registre si cada una se acepta, se edita o se rechaza, más el motivo cuando se rechaza. Todavía sin cambios de cara al cliente.
5. Capacite en criterio, no en botones. Los agentes deben saber que el borrador es un punto de partida. Enseñe una verificación de dos segundos: ¿el borrador coincide con lo que preguntó el cliente y la fuente citada dice eso?
6. Mida con un grupo de control. Compare a los agentes piloto con agentes similares sin assist, o con la línea base del propio grupo piloto. Siga el tiempo medio de gestión, la resolución en el primer contacto, la tasa de reapertura, el CSAT y el tiempo que tarda el personal nuevo en ser competente. No juzgue solo por la aceptación de sugerencias.
7. Cierre el ciclo de retroalimentación. Cada sugerencia rechazada es un dato. Si los agentes reescriben siempre el mismo borrador, la macro o el artículo que hay detrás está mal. Corríjalo en el origen.
8. Amplíe por cola, no con un interruptor. Añada la siguiente cola solo cuando la primera mantenga sus cifras de calidad. Vincule el assist con el QA para soporte para que los revisores vean qué conversaciones usaron un borrador y si estas se sostuvieron.

Errores que conviene evitar

Tratar la tasa de aceptación como éxito. Una tasa de aceptación alta puede significar que la herramienta es buena o que los agentes dejaron de verificar. El estudio del NBER halló que el uso selectivo era lo normal, en torno a 35% en promedio. Combine la aceptación con la tasa de reapertura y las puntuaciones de QA.

Ignorar la base de conocimiento. El propio artículo de Zendesk señala que los agentes no pueden influir en el contenido de las respuestas sugeridas, así que la forma de mejorarlas es mejorar las macros y los artículos de los que se nutren. El assist deja a la vista rápidamente la deuda de contenido.

Sesgo de automatización. Bajo la presión de la cola, los agentes envían lo que hay en pantalla. Mantenga las vistas previas de las fuentes a un clic, como hace Intercom con su vista previa en la barra lateral, y revise cada semana una muestra de los borradores enviados.

Medir solo la velocidad. Si el tiempo de gestión baja mientras los contactos repetidos suben, la herramienta ayuda a los agentes a cerrar más rápido, no mejor. Vigile la resolución desde el lado del cliente, no solo la actividad del suyo.

Olvidar el plan de capacidad. Si el assist aumenta el rendimiento, su cálculo de dotación de personal cambia. Introduzca los nuevos tiempos de gestión en el pronóstico de volumen y capacidad antes de recortar turnos o planes de contratación.

Saltarse el coaching. El assist difunde buenos hábitos, pero no corregirá por sí solo un problema de calidad. Use los datos de aceptación y rechazo en las conversaciones de coaching, que es donde de verdad se refuerza el efecto de aprendizaje que muestra la investigación.

Cómo son unos buenos primeros 90 días

En la semana dos debería tener un conjunto de contenido limpio y un grupo piloto. En la semana seis debería conocer sus patrones de aceptación, edición y rechazo por tema, y haber corregido los diez principales problemas de contenido que dejaron al descubierto. En la semana doce debería tener una comparación con el grupo de control en tiempo de gestión, tasa de reapertura y CSAT, además de una cifra que su socio de finanzas acepte, como las horas por semana devueltas a la cola o las semanas ahorradas por cada nueva contratación. Si la comparación es plana, la causa probable es la calidad del contenido o un equipo mayoritariamente veterano, no la idea en sí. Corrija lo primero y reconsidere el alcance en lo segundo.