IA en atención al cliente: 70/30 y más carga para agentes

¿Por qué la IA en atención al cliente no reduce la carga de trabajo?

Más de la mitad de los responsables de centros de contacto encuestados por MaxContact en su informe de KPIs 2025/26 afirma que la carga laboral de sus agentes aumentó, frente a cerca del 40% que lo reportaba en 2024. El dato rompe la promesa central de la automatización: si la IA absorbe lo rutinario, ¿por qué el equipo está más exigido que antes?

La respuesta está en un patrón que ya es estructural. Detrás de cada interacción automatizada hay un agente humano que absorbe lo que el sistema no puede resolver. Las consultas de saldo, los cambios de contraseña y el seguimiento de pedidos desaparecen del escritorio; lo que queda son disputas, clientes en situación de vulnerabilidad y decisiones que exigen criterio contextual.

Para un founder que evalúa dónde poner su próximo peso de inversión en IA, esto cambia el cálculo: el retorno no se mide solo en contactos desviados, sino en la capacidad real del equipo humano que queda detrás.

El modelo 70/30 y por qué redefine el rol del agente

ArvatoConnect, la compañía británica de experiencia de cliente, apunta a que el 70% de las interacciones las gestione la tecnología y el 30% restante las personas, según declaró su CEO Debra Maxwell a CNBC. Es un esquema que se está volviendo referencia en el sector.

En ese reparto, los agentes de voz con IA toman lo rutinario y los asesores humanos quedan reservados para lo complejo. El problema es aritmético: si el 70% del volumen se va y solo queda el 30% más difícil, la mezcla de trabajo del agente cambia por completo. Ya no es un promedio entre llamadas fáciles y difíciles; es una sucesión de casos duros.

Brad Cleveland, socio fundador y expresidente de ICMI, lo llama la paradoja del autoservicio: cuanto más maneja la automatización, más complejidad le queda a las personas. Y agrega un matiz que muchos planes ignoran: si la IA se queda con lo fácil, ¿de dónde saldrán los expertos de mañana? La base de la carrera profesional se erosiona justo cuando se necesita más criterio.

La brecha de implementación: cuando la IA genera más trabajo, no menos

No todas las implementaciones se comportan igual. En entornos donde la integración se ejecutó bien, los agentes reportan más tiempo por cliente y menos carga administrativa. En otros, las herramientas generan notas con errores que los propios empleados deben corregir a mano, duplicando el esfuerzo.

Shannon, agente de atención al cliente de una teleco en Cardiff, Gales, lo describió así a CNBC: las notas generadas por IA en su trabajo actual suelen estar llenas de errores, "así que escribo las mías". En su empleador anterior, la indicación de la jefatura era "preguntárselo a ChatGPT" cuando no sabían una respuesta. Los agentes de IA agendaban citas y, cuando no podían ofrecer la fecha pedida, derivaban el caso a una persona. El resultado: "todos los casos complicados llegaban a nosotros, y eso generaba mucho desgaste".

El contraste con los casos que sí funcionan es útil. El sistema que ArvatoConnect desarrolló para la agencia de compras del gobierno británico, la Crown Commercial Service, genera evaluaciones de viabilidad de proveedores con una precisión del 97% y reduce de forma significativa las horas de extracción manual de datos. Ese es el argumento más sólido para adoptar IA, y también el más difícil de replicar sin infraestructura de datos robusta y validación continua.

¿Qué está pasando con la adopción de IA en servicio al cliente?

Los números explican por qué este debate dejó de ser teórico. Según una encuesta de Salesforce citada por ZDNET, el 70% de las organizaciones de servicio que usan agentes de IA observa valor medible en los primeros 60 días, y la adopción de IA agéntica pasó del 39% al 66% en doce meses, con una proyección del 88% para finales de 2026. En el 40% de los casos en que la IA interviene en la resolución, el trabajo se completa de forma totalmente autónoma, lo que puede recortar alrededor del 20% el tiempo de resolución.

La presión competitiva también se siente del lado de los proveedores. Según Libertad Digital, el anuncio del asistente de IA de Klarna, capaz de hacer el trabajo equivalente al de 700 agentes a tiempo completo, hizo caer con fuerza las acciones de Teleperformance, la empresa líder mundial en centros de atención al cliente. La compañía respondió invirtiendo hasta 100 millones de euros en herramientas de IA a lo largo de 2025 y tomando una participación de 13 millones de dólares en la startup Sanas, cuya tecnología suaviza acentos en tiempo real durante las llamadas.

En América Latina el ritmo es distinto pero la dirección es la misma. El informe State of AI in Latin America de Hi Ventures, difundido en septiembre de 2026, encontró que el 71% de las corporaciones consultadas ya adoptó IA en algún equipo o función. La brecha está en la profundidad: el 53% de las startups usa agentes en producción, frente al 30% de las corporaciones, y solo el 5% de estas últimas opera con autonomía plena. Chile (72,5 puntos), Argentina (71) y Brasil (70,2) lideran el índice de preparación; México llega a 67,5 y Colombia se queda en 53,1.

El freno no es el interés, es el talento. La falta de perfiles técnicos aparece como la principal barrera tanto para startups como para corporaciones, según el mismo informe.

El costo humano: menos llamadas, más desgaste por llamada

Amanda Jones, investigadora de comportamiento organizacional y futuro del trabajo en el King's College de Londres, especializada en intensificación laboral, advierte que la IA puede volver el trabajo de contact center más intenso si los agentes humanos quedan cada vez más con las interacciones más duras. "Algunos clientes ya pueden estar frustrados cuando llegan a esa persona", dijo a CNBC. Y añade un punto que los modelos de eficiencia suelen omitir: las tareas simples funcionaban como un respiro psicológico entre las demandantes. Si desaparecen, la intensidad de la jornada puede subir mucho aunque el volumen total baje.

Jones también señala un riesgo de segundo orden: si se automatiza lo rutinario, los trabajadores pierden las oportunidades de desarrollar la experiencia que los preparaba para el trabajo más exigente. "Podríamos terminar esperando que las personas hagan un trabajo más demandante mientras reducimos las experiencias que tradicionalmente las preparaban para eso".

Por eso Debra Maxwell sostiene que los tiempos medios de gestión pueden tener que subir cuando los empleados asumen casos más complejos, y que la evaluación debería mirar si el agente entendió la necesidad del cliente y llegó a la resolución correcta, no si cumplió un guion o un tiempo arbitrario.

¿Qué significa esto para tu startup?

Si estás desplegando IA en atención al cliente, o lo vas a hacer el próximo trimestre, el diseño de la transición importa más que la herramienta. Las organizaciones que reportan resultados sostenibles comparten tres rasgos: validaron la calidad de las salidas de IA antes de escalar, rediseñaron los flujos humanos en paralelo y no como consecuencia, y midieron el bienestar del agente como indicador de desempeño.

Acciones concretas:

• Mide la mezcla, no solo el volumen. Antes de automatizar, registra qué porcentaje de tus tickets son rutinarios y cuánto tiempo de respiro dan entre casos difíciles. Si el 70% de tu volumen es simple, tu equipo humano quedará con una dieta de casos casi enteramente complejos. Ajusta dotación y expectativas de tiempo en consecuencia.
• Audita las salidas de la IA antes de escalar. El caso de las notas con errores que los agentes reescriben a mano es el más común y el más caro: pagas dos veces por el mismo trabajo. Define un muestreo de calidad semanal sobre las salidas del modelo y un umbral de precisión por debajo del cual no se escala.
• Cambia las métricas de evaluación. Si sigues midiendo tiempo medio de gestión, tu equipo optimizará velocidad en casos que exigen criterio. Incorpora indicadores de resolución correcta y de carga emocional, como hacen las operaciones que reportan resultados consistentes.
• Protege la cantera de talento. Si la IA absorbe el trabajo de entrada, necesitas un plan explícito de formación para que los agentes junior desarrollen el criterio que antes se aprendía en la base. Simulaciones y coaching asistido por IA son una vía que ya se usa para eso.

Conclusión

La decisión de implementar IA en atención al cliente ya está tomada por el mercado: la pregunta que queda es con qué rigor se gestiona la convivencia entre sistemas automatizados y equipos humanos. El dato de MaxContact, con más de la mitad de los responsables percibiendo más carga, muestra que la eficiencia operativa y la experiencia del cliente no se sostienen solas.

Para las startups de México, España y el resto de América Latina en fases tempranas de adopción, la ventaja está en diseñar la transición desde el principio y no corregirla después. Automatizar sin rediseñar los flujos humanos no elimina el costo: lo transfiere al equipo, y tarde o temprano vuelve como rotación, errores y clientes insatisfechos.

Fuentes

• noticiasneo.com (fuente original)
• CNBC
• TechTarget
• ZDNET
• Libertad Digital
• El Español