¿Automatizar o asistir? Cómo decidir qué trabajo de soporte debe asumir la IA

Por Linh Ngo · Actualizado el 11 de octubre de 2026

Decidir entre automatizar y asistir significa clasificar cada tipo de contacto del cliente según dos criterios, complejidad y riesgo, y luego asignar a la IA uno de tres roles: resolverlo por sí sola (automatizar), redactar y sugerir mientras una persona decide (asistir), o mantenerse al margen (humano). Los contactos de baja complejidad y bajo riesgo, como el estado de un pedido o el restablecimiento de contraseña, son candidatos a automatizar. Los contactos confusos o que exigen criterio, donde un error es barato de corregir, son candidatos a asistir. Todo aquello en lo que una respuesta incorrecta genere un daño legal, financiero o de seguridad queda en manos de una persona capacitada, y la IA se limita a la preparación.

Esta guía está dirigida a líderes de soporte, CX directors y support managers que ya han oído que «la IA puede encargarse del soporte» y ahora necesitan decidir, cola por cola, qué significa eso. Para una visión más amplia, empiece por la IA en el servicio al cliente. Esta guía se centra en una sola pregunta: quién se encarga del trabajo.

Datos clave

• En un estudio con 5179 agentes de soporte al cliente que usaban un asistente de IA generativa, la productividad aumentó 14% en promedio, medida en incidencias resueltas por hora, y 34% en el caso de trabajadores novatos y de baja cualificación, con un impacto mínimo en los trabajadores con experiencia (Brynjolfsson, Li y Raymond, NBER).
• Klarna informó el 27 de febrero de 2024 que su asistente de IA había gestionado 2,3 millones de conversaciones en su primer mes, dos tercios de sus chats de servicio al cliente, con un tiempo de resolución inferior a 2 minutos frente a 11 minutos antes y una caída de 25% en las consultas repetidas (comunicado de prensa de Klarna).
• En mayo de 2025, el CEO de Klarna dijo que el impulso a la automatización había ido demasiado lejos y había comprometido la calidad, y la empresa volvió a contratar agentes humanos (Maginative, que informa sobre una entrevista de Bloomberg).
• En Moffatt v. Air Canada (2024 BCCRT 149), un tribunal declaró responsable a la aerolínea de tergiversación negligente después de que su chatbot diera un consejo erróneo sobre tarifas por duelo, y otorgó $650,88 en daños (resumen de EH Law).
• La Consumer Financial Protection Bureau de Estados Unidos encontró que cada uno de los 10 mayores bancos comerciales usa chatbots en el servicio al cliente, y advirtió sobre respuestas erróneas y «círculos viciosos sin salida» que no ofrecen ninguna vía hacia una persona (CFPB).

Por qué «automatizarlo todo» y «solo asistir» son ambos errores

Los equipos suelen partir de una herramienta, no de una decisión. Un proveedor ofrece un bot que desvía tickets, o un copilot que redacta respuestas, y la pregunta se vuelve «¿dónde lo activamos?». Eso invierte el orden. La misma capacidad de IA puede ser la respuesta correcta para un tipo de contacto y un riesgo para otro.

Klarna es el ejemplo público más claro de ambos extremos. Su propio anuncio describía un resultado rápido y de alto volumen: dos tercios de los chats, resolución más veloz, menos contactos repetidos. Poco más de un año después, su CEO le dijo a Bloomberg que el costo se había convertido en un factor demasiado dominante y que la calidad se había resentido, y afirmó que los clientes siempre deberían poder hablar con una persona si así lo desean (Maginative). La lección no es que la automatización fracase. Es que una política única aplicada a todos los tipos de contacto termina chocando con los contactos en los que nunca debió aplicarse.

El error contrario es igual de costoso. Si todos los contactos pasan a un agente con un copilot, usted paga tiempo de gestión humano en restablecimientos de contraseña que un bot podría terminar en segundos. Asistir en todo protege la calidad, pero renuncia a casi toda la ganancia de capacidad.

Los tres roles que puede desempeñar la IA

Automatizar. La IA resuelve el contacto de principio a fin, incluida cualquier acción, sin una persona en el circuito. Es la configuración de mayor riesgo, porque el sistema cambia algo en el mundo real. Normalmente combina un asistente de respuestas con base en fuentes y un agente autónomo capaz de ejecutar acciones.

Asistir. La IA prepara y una persona decide. Recupera la política pertinente, resume el hilo, redacta una respuesta, sugiere el siguiente paso y completa el formulario. El agente edita, aprueba y envía. La IA se detiene en el borrador y nunca actúa por su cuenta. La evidencia a favor de asistir es sólida: en el estudio del NBER citado arriba, las mayores ganancias fueron para los agentes con menos experiencia, porque la herramienta mostraba lo que los mejores agentes ya sabían (NBER).

Humano. Una persona capacitada se encarga del contacto. La IA puede seguir trabajando en segundo plano, derivándolo a la persona adecuada, señalando la urgencia y resumiendo el historial, pero no redacta las palabras dirigidas al cliente ni decide el resultado.

Conviene destacar el enrutamiento. La clasificación y la priorización están aguas arriba de cada decisión de esta guía, porque no se puede enviar un contacto al rol correcto hasta que algo reconozca de qué tipo de contacto se trata. Consulte el agente de triaje de soporte con IA.

Los dos criterios: complejidad y riesgo

A cada tipo de contacto se le asigna una puntuación según dos preguntas.

Complejidad: ¿cuánto criterio exige una resolución correcta?

• Baja: una respuesta clara desde una fuente estable. «¿Dónde está mi pedido?» «¿Cómo restablezco mi contraseña?»
• Media: la respuesta existe, pero depende del contexto. Qué plan, qué región, qué excepción aplica. Requiere recuperar el documento correcto y leer la cuenta del cliente.
• Alta: no hay una única respuesta correcta. El agente sopesa compromisos, interpreta una política ambigua o gestiona emociones. La amenaza de cancelación de una cuenta clave, una queja con varias causas.

Riesgo: ¿cuánto cuesta una respuesta errónea o desafortunada, y se puede deshacer?

• Bajo: un error es barato y se puede corregir. Un enlace equivocado a un artículo de ayuda se corrige en el siguiente mensaje.
• Medio: un error cuesta dinero o buena voluntad, pero es recuperable. Una fecha de entrega errónea, un descuento omitido.
• Alto: un error genera un daño legal, financiero, de seguridad o regulatorio, o no se puede revertir. Reembolsos por encima de un límite, información médica o de seguridad, cierre de cuentas, gestión de disputas, cualquier caso que involucre a clientes vulnerables.

El riesgo es el criterio dominante. Moffatt v. Air Canada muestra por qué. La respuesta del chatbot sonaba normal, un cliente confió en ella y el tribunal responsabilizó a la aerolínea de lo que dijo su propio chatbot (EH Law). La indemnización fue pequeña. El principio no lo es: el tribunal trató la respuesta del chatbot como una declaración de la propia aerolínea. Es la cuestión de cuánta alucinación puede tolerar su caso de uso.

La matriz de decisión

Use esta tabla para asignar un rol predeterminado a cada tipo de contacto. Tómela como punto de partida para sus colas y luego ajústela con sus propios datos de errores.

Dos reglas mantienen honesta la matriz. Primera, el riesgo se impone a la complejidad: un contacto simple de alto riesgo va a Asistir o a Humano. Segunda, el rol puede variar según el segmento de clientes además del tipo de contacto, de modo que una solicitud de reembolso de un cliente nuevo y la de una cuenta enterprise pueden enrutarse de forma distinta.

Ejemplos reales por función

Soporte de e-commerce y retail. El estado del pedido, la elegibilidad de devoluciones y los cambios de entrega son consultas de bajo riesgo y suelen representar la mayor parte del volumen. Automatice primero estos, con un tope para los reembolsos automáticos. Las cifras publicadas por Klarna muestran cómo se ven los contactos estructurados y de alto volumen cuando los gestiona un asistente: dos tercios de los chats en el primer mes (Klarna). Tenga en cuenta que son datos reportados por la propia Klarna, no un benchmark neutral, y que abarcan chats, no todos los canales.

Servicios financieros. La revisión de la CFPB es contundente sobre los riesgos de los chatbots de cara al cliente: respuestas erróneas de los modelos generativos, incapacidad de reconocer una disputa cuando el cliente no usa las palabras esperadas y bucles sin salida hacia una persona (CFPB). Las consultas de saldo se pueden automatizar sin problema. Las disputas corresponden a una persona, con la IA asistiendo en segundo plano.

SaaS y soporte técnico. Las preguntas de uso de nivel 1 son buenas candidatas a la automatización cuando la respuesta está en su documentación. La resolución de problemas es un caso de asistencia. Un agente que trabaja un error de inicio de sesión en tres integraciones se beneficia de diagnósticos sugeridos, tickets pasados similares y una respuesta redactada, y aun así debe decidir qué solución aplica.

Viajes y logística. Todo lo que establece una tarifa, un cargo o una política es un compromiso. Air Canada aprendió que la respuesta de un chatbot sobre una tarifa por duelo se trató como una declaración de la propia aerolínea. Si su bot puede enunciar políticas, debe citar texto de política bloqueado y con control de versiones, y negarse a responder cuando no encuentre la respuesta.

Para más casos de uso en formato de lista, consulte agentes de IA para el soporte al cliente.

Cómo implementar la decisión, paso a paso

1. Haga un inventario de sus tipos de contacto. Extraiga 90 días de tickets y agrúpelos en entre 15 y 30 tipos de contacto. Use sus propias etiquetas si son confiables, o pídale a un modelo que agrupe el texto en clusters y que una persona les ponga nombre. Registre el volumen y el tiempo medio de gestión de cada uno.
2. Puntúe cada tipo en complejidad y riesgo. Use la escala baja, media y alta de arriba. Reúna a soporte, a legal o cumplimiento y a un líder de equipo para puntuar juntos, ya que los juicios de riesgo varían según la función. Los desacuerdos son útiles: anote por qué.
3. Asigne un rol predeterminado según la matriz. Marque cada tipo como Automatizar, Asistir o Humano. Ponga primero en la cola los tipos de alto volumen y bajo riesgo.
4. Revise los datos que respaldan cada candidato a automatizar. Una respuesta automatizada es tan buena como el conocimiento que recupera. Si la página de políticas está desactualizada o contradice a otra, corrija la fuente antes de activar nada. Preparar los datos de soporte para la IA explica la depuración.
5. Fije límites de acción. En todo lo que la IA ejecute, defina topes (montos de reembolso, cambios en la cuenta) y las condiciones que fuerzan un traspaso: el cliente pide hablar con una persona, el sentimiento se vuelve negativo, se repite la misma pregunta, la confianza es baja. Ponga los límites en el sistema, no en un documento de políticas que nadie lee.
6. Construya la vía de escape. Cada ruta automatizada necesita una vía visible hacia una persona que transmita la conversación completa. El diseño de la supervisión se explica en agentes de IA con human-in-the-loop (persona en el circuito). El «círculo vicioso sin salida» que describe la CFPB es un fallo de diseño, no un fallo del modelo.
7. Haga un Pilot con uno o dos tipos de contacto. Ejecute Automatizar sobre una porción del tráfico, con revisión humana por muestreo de las transcripciones. Ejecute Asistir con agentes que puedan aceptar, editar o rechazar cada sugerencia, y registre qué hacen.
8. Mida la calidad de la resolución, no solo la deflexión (desvío de consultas). Siga la tasa de contactos repetidos, la tasa de escalación, la satisfacción posterior al contacto y la tasa de error de las revisiones por muestreo. La cifra de consultas repetidas de Klarna es un buen ejemplo de una medida atenta a la calidad (Klarna). La deflexión por sí sola puede premiar a un bot que frustra a las personas hasta que se rinden.
9. Mueva los tipos de contacto entre roles según la evidencia. Un tipo de contacto puede pasar de Asistir a Automatizar cuando las tasas de edición se mantienen bajas y las tasas de error se miden y son aceptables. Y también puede retroceder. Revise la matriz cada trimestre.
10. Redefina los roles del equipo. Los agentes que revisan borradores de IA hacen un trabajo distinto al de los agentes que escriben cada respuesta. Consulte la IA y los roles del equipo de soporte.

Errores comunes

Decidir por canal en lugar de por tipo de contacto. «El chat se automatiza, el teléfono es humano» ignora que un mensaje de chat puede ser una disputa de facturación y una llamada telefónica puede ser una consulta de estado del pedido. Decida según lo que necesita el cliente.

Tratar la deflexión como éxito. Un contacto que nunca llega a un agente no está necesariamente resuelto. Vigile los contactos repetidos y a los clientes que regresan por otro canal.

Dejar que el bot asuma compromisos. Los precios, la elegibilidad, los reembolsos y los plazos son promesas. Si el bot puede enunciarlos, deben provenir de texto fuente controlado, y el bot debe decir que no puede responder en lugar de improvisar.

Automatizar antes de que los datos estén listos. Si su base de conocimiento es escasa o contradictoria, el bot producirá respuestas erróneas con aplomo y a escala. Corrija primero el contenido.

Ignorar a quién beneficia la asistencia. El estudio del NBER encontró las mayores ganancias en los agentes novatos y un efecto mínimo en los experimentados (NBER). Eso es útil para el Onboarding y para planificar dónde hacer el Pilot, y significa que no debe esperar que sus mejores agentes reporten grandes ahorros de tiempo.

Siguientes pasos

Si hace una sola cosa este mes, enumere sus 20 principales tipos de contacto por volumen y puntúe cada uno en complejidad y riesgo en un único taller con soporte, legal y operaciones en la sala. Esa tabla le dirá más sobre dónde encaja la IA que cualquier demo de un proveedor. Después vea dónde se concentra el riesgo en los distintos patrones en el gradiente de riesgo de los patrones de IA.