Qué debe hacer tu IA de atención al cliente cuando no sabe la respuesta

Cuando la IA de atención al cliente no sabe la respuesta, debería decirlo, derivar al cliente a alguien que pueda ayudarle (adjuntando el historial de la conversación) y convertir la pregunta sin responder en una actualización de la base de conocimientos. Nunca debería adivinar. Muchas «alucinaciones» en la atención al cliente empiezan precisamente aquí: un sistema diseñado para responder a cualquier cosa genera una respuesta cuando no tiene nada aprobado que decir.

¿Por qué la IA del servicio de atención al cliente responde a preguntas que no sabe contestar?

La mayoría de los sistemas de IA para la atención al cliente están diseñados para generar contenido. Un asistente generativo recibe una pregunta, recupera cualquier texto que le parezca relevante y redacta una respuesta. Redactar una respuesta es lo que hace el sistema, por lo que lo hace independientemente de si el texto recuperado resuelve la duda o no. Cuando el material de referencia es escaso, está desactualizado o no aborda el tema, el modelo llena ese vacío con un texto que suena adecuado.

Es posible que la empresa no cuente con una política sobre lo que el cliente ha solicitado. El problema es que el sistema no dispone de ningún método fiable para detectarlo, ni de ningún motivo de diseño que le obligue a detenerse. Una respuesta incorrecta fluida se ve igual en los registros que una correcta fluida, por lo que estos errores suelen manifestarse como quejas de los clientes a posteriori, en lugar de como alertas previas.

¿Por qué el modelo no puede simplemente decirte cuándo no sabe algo?

Se puede intentar. El resultado no es fiable, ya que pedirle a un modelo de lenguaje que evalúe su propio nivel de confianza equivale a pedirle al componente que ha generado el error que lo detecte.

Las reglas de prompts como «responde únicamente a partir del contexto proporcionado» y «di que no lo sabes si no estás seguro» reducen la tasa de respuestas inventadas, y merece la pena aplicarlas. Sin embargo, no cambian quién toma la decisión final: el mismo modelo que escribe la respuesta también decide si tenía motivos para escribirla. La generación aumentada mediante recuperación (RAG) tiene la misma limitación, tal y como se explica en el artículo «¿Es suficiente la RAG? Por qué la recuperación sigue produciendo alucinaciones en la atención al cliente ».

Los umbrales de confianza en las puntuaciones de recuperación ayudan un poco más. Sin embargo, una puntuación de similitud alta solo mide en qué medida un fragmento coincide con las palabras de una pregunta, no si realmente responde a ella. Una política de devolución de un producto diferente puede obtener una buena puntuación y, aun así, ser completamente errónea.

La señal más fiable proviene de cómo está diseñado el sistema. Cuando las respuestas se redactan y aprueban antes de que ningún cliente las solicite, comprobar si existe una respuesta aprobada es una simple búsqueda con un resultado de sí o no. El sistema encuentra una respuesta que coincide o no la encuentra. Eso es mucho más fiable que pedirle a un modelo que evalúe su propio nivel de confianza mientras aún está redactando la respuesta.

¿Cómo sabe una arquitectura basada en el conocimiento cuándo no hay respuesta?

En una arquitectura basada en el conocimiento, las respuestas se crean y se aprueban en el momento de la ingesta. Cuando Inbenta Encore ingiere el contenido de una empresa (documentos normativos, páginas del centro de ayuda, archivos PDF, transcripciones de llamadas, bibliotecas de SharePoint y sistemas como Salesforce y ServiceNow), determina las posibles formas en que un cliente podría formular cada pregunta y vincula cada una de ellas a una solución. Un segundo modelo independiente valida cada respuesta antes de que se publique. Todo esto ocurre antes de que el cliente lo vea, y esa aprobación constituye el registro de auditoría.

Durante la ejecución, Encore compara la solicitud del cliente con esas respuestas predefinidas. O bien encaja, o bien no. Cuando encaja, un modelo de lenguaje comprueba que la pregunta y la respuesta coincidan y adapta la redacción para la conversación. El modelo adapta la redacción, no los hechos. Cuando nada encaja, Encore no fuerza una coincidencia débil, y no se le pide al modelo que cubra esa laguna.

El proceso de emparejamiento en sí se explica en «¿Cómo determina la IA de un centro de atención al cliente la intención de la persona que llama antes de que se formule la pregunta?». Para saber por qué es más seguro crear y aprobar las respuestas con antelación que generarlas mientras el cliente espera, consulta «Cómo evitar las alucinaciones de la IA en la atención al cliente: corrige la arquitectura, no la indicación».

¿Qué debería ocurrir cuando la IA no tenga ninguna respuesta aprobada?

Una IA de atención al cliente bien diseñada hace cuatro cosas cuando llega al límite de sus conocimientos.

Reconoce la laguna. El sistema detecta que no dispone de una respuesta predefinida, en lugar de permitir que una etapa de generación cubra esa laguna con un texto verosímil.

Se plantea cuando la pregunta es ambigua. Algunos errores se deben a lagunas en la pregunta, no en los conocimientos. «¿A cuánto asciende la tarifa?» puede referirse a cuatro tarifas diferentes. Una breve pregunta aclaratoria resuelve la duda sin necesidad de pasar la pelota a otra persona.

La escalación se realiza en función del contexto. Cuando la información disponible no responde a la pregunta, Encore deriva la consulta a un experto en la materia o a un agente en directo, en lugar de hacer conjeturas, y transfiere el hilo de la conversación para que el cliente no tenga que repetir lo mismo. Con Live Agent Assist, el agente consulta el historial del caso en el momento de la escalación y trabaja a partir de borradores de respuesta predefinidos, que revisa antes de que nada llegue al cliente.

Registra la discrepancia. Una pregunta que el sistema no ha podido responder es uno de los datos más útiles que genera. Debería destinarse a algún lugar que permita encontrar una solución, no a un informe que nadie lee.

¿Supone la escalación un fracaso para la IA aplicada al servicio de atención al cliente?

No cuando está previsto desde el principio. La escalación se interpreta como un fallo según un indicador de contención, cuyo objetivo es mantener al cliente dentro del canal automatizado. Según ese indicador, un cliente que abandona cuenta lo mismo que uno que ha obtenido una respuesta, y un asistente que adivina obtiene una puntuación mejor que uno que deriva la consulta.

La resolución es el mejor indicador. Un traspaso correcto que culmine en un contacto resuelto es mejor que una respuesta errónea, aunque se dé con seguridad, que acabe en una queja, un contacto repetido o una revisión de cumplimiento. Gartner sitúa la resolución total mediante autoservicio en aproximadamente el 22 % de las interacciones, lo que significa que el traspaso constituye una parte importante del recorrido del cliente, y no un caso aislado. Un asistente que oculta sus carencias tras texto generado hace que ese recorrido sea más difícil de visualizar y de corregir.

La calidad del traspaso determina los costes de la escalación. Cuando se pierde el contexto, el cliente tiene que volver a explicar el problema y el agente tiene que empezar desde cero. En Live Agent Assist, que pone a disposición del agente el conocimiento estructurado y el historial de conversaciones, Inbenta registra un aumento del 80 % en la resolución en el primer contacto y una reducción del 65 % en el volumen de llamadas escaladas. Ambas cifras se refieren específicamente al canal asistido.

¿Cómo puede una pregunta fallada convertirse en una mejor respuesta la semana que viene?

Aquí es donde la inversión se amortiza. Encore Elevate aprende de las interacciones reales y pone de manifiesto las cuestiones que el conocimiento no abarca: nuevas intenciones que plantean los clientes, fuentes que faltan, acrónimos sin definir y soluciones a los casos que se derivan a niveles superiores. El sistema redacta la actualización y el operador la publica con una simple aprobación con un clic. Además, muestra en qué aspectos tienen dificultades los clientes y en qué casos recurren a niveles superiores, para que el equipo de experiencia del cliente sepa qué debe solucionar en primer lugar.

Este ciclo es importante porque el conocimiento se deteriora tras el lanzamiento. Los productos cambian, las tarifas varían, las políticas se reescriben y los clientes encuentran nuevas formas de plantear viejas preguntas. Un sistema que intenta adivinar cómo subsanar esas lagunas oculta el deterioro hasta que se convierte en una queja. Un sistema que las escala y las registra convierte cada error en una posible actualización, aprobada por el equipo responsable del conocimiento. En comparación con las arquitecturas que dependen de la IA generativa, Encore funciona con unos costes generales hasta un 50 % inferiores.

¿No frustra a los clientes el hecho de negarse a responder?

Menos que una respuesta incorrecta. Si a un cliente le dicen «Te pasaré con alguien que pueda confirmártelo», se pierde un minuto. Si a un cliente se le indica un plazo de reembolso incorrecto, una tarifa errónea o una norma de elegibilidad equivocada, pierde dinero, vuelve más enfadado y, en un sector regulado, puede tener motivos para presentar una reclamación a la que la empresa tendrá que responder.

La disyuntiva se reduce a medida que aumenta la cobertura. Los asistentes de IA en producción responden con una precisión del 98 al 99 %, y Encore empareja las preguntas compuestas con varias respuestas predefinidas y devuelve una única respuesta, de modo que una pregunta de dos partes no falla por el hecho de que una de ellas sea inusual. Cada laguna que Elevate cubre supone un traspaso menos. El objetivo no es un asistente que derive el caso con frecuencia, sino uno que lo haga por las razones adecuadas y responda correctamente el resto del tiempo.

¿Qué debes preguntar a un proveedor sobre el comportamiento en caso de falta de respuesta?

Cinco preguntas que revelan cómo se comporta un asistente cuando llega al límite de sus conocimientos.

¿Qué hace el asistente cuando no existe ninguna respuesta aprobada: escalar el caso, plantear una pregunta aclaratoria o generar una respuesta de todos modos? ¿Quién decide que no existe ninguna respuesta: un modelo que evalúa su propia confianza o una comparación con un conjunto aprobado? ¿Qué recibe el agente humano en el momento del traspaso: la conversación y su contexto, o una transferencia y un nuevo comienzo? ¿A dónde van las preguntas sin responder una vez finalizada la conversación? ¿Cuánto tiempo tarda una pregunta no respondida en convertirse en una respuesta aprobada, y quién la aprueba?

A continuación, pide una demostración con una pregunta que no figure en la base de conocimientos. La forma en que el sistema gestiona esa pregunta concreta te dirá más que una demostración de las cincuenta preguntas que es capaz de responder.