Agentes de IA en soporte: +15% de casos resueltos por hora

Un agente que acierta puede fallar igual

En un estudio con 5.172 profesionales de soporte, darles acceso a un asistente de IA elevó 15% la media de incidencias resueltas por hora, según el análisis de IEBS Business School. El matiz es lo que importa: la herramienta sugería respuestas a personas que seguían atendiendo al cliente, y el beneficio varió según la experiencia de cada profesional.

Para un founder con un equipo de soporte de tres o cuatro personas, la lectura es directa. La IA no reemplaza el criterio del agente humano: lo amplifica. Y el error más caro no es que el agente no sepa responder, sino que responda con precisión a la pregunta equivocada.

El ejemplo que usa IEBS es perfecto. Un cliente escribe por tercera vez: el transportista marca el pedido como entregado, pero él sigue sin recibirlo. El agente consulta el seguimiento y contesta en segundos: «Tu pedido se ha entregado». Encontró el dato correcto. Contestó la pregunta equivocada. Lo que el cliente necesitaba era que alguien investigara la discrepancia.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Los tres permisos: consultar, contestar y ejecutar

La mayoría de los equipos trata la automatización del soporte como una sola decisión: activar o no activar el agente. IEBS propone separarla en tres permisos distintos.

Consultar: el agente puede leer el estado de un pedido, una reserva o una factura.
Contestar: el agente puede comunicar ese dato al cliente.
Ejecutar: el agente puede modificar algo, como emitir una etiqueta de devolución, cambiar una dirección o abrir una incidencia.

Separarlos es lo que permite automatizar lo frecuente sin asumir el riesgo de lo irreversible. Un agente que puede consultar y contestar, pero no ejecutar, ya elimina una enorme cantidad de trabajo repetitivo sin exponerte a un abono duplicado.

¿Qué consultas conviene automatizar y cuáles no?

«Estado del pedido» parece una sola categoría hasta que la descompones. Saber la fecha prevista, corregir una dirección y reclamar un envío que figura como entregado son tres intenciones distintas, con permisos y comprobaciones distintas.

Consultar un envío: el agente verifica la identidad, muestra el último estado disponible y su fecha. Una persona entra cuando el comprador contradice ese estado o faltan datos del transportista.
Devolver una compra: el agente explica la política aplicable y genera la etiqueta cuando el sistema confirma los requisitos. Una persona entra si hay discrepancias sobre plazos, estado del producto o condiciones de compra.
Reclamar un cargo duplicado: el agente recoge las referencias mínimas y abre la incidencia sin pedir datos completos de tarjeta. Una persona entra cuando hay que investigar el cargo, decidir un abono excepcional o gestionar indicios de fraude.
Hablar con el equipo: el agente ofrece el canal disponible, indica el horario y transfiere el contexto. Aquí no hay automatización posible: el cliente pidió una persona y no debería repetir el cuestionario.

La regla de oro para acciones con consecuencias: exige confirmación del sistema de destino. Si la llamada caduca después del envío, el agente no sabe si la operación se completó. Antes de repetirla debe consultar el estado, porque un segundo intento sin comprobación puede duplicar el trámite. Y el mensaje al cliente tiene que distinguir «he recibido tu solicitud» de «la operación está confirmada».

¿Cómo se mide si el agente realmente resuelve?

La métrica que sirve no es «conversaciones atendidas». Es la resolución sin nuevo contacto: qué parte de las consultas elegibles se cerraron sin que el cliente volviera por el mismo motivo dentro de un plazo definido.

Ese plazo depende del problema. Unas horas bastan para un cambio de contraseña; no sirven de nada para evaluar una devolución pendiente de recogida. Y hay que distinguir el abandono: que el cliente cierre la ventana no demuestra que obtuvo una solución.

El segundo número es el coste por caso resuelto. Súmalo completo: licencia del sistema, minutos de supervisión, transferencias y trabajo repetido. Revisa aparte las decisiones incorrectas de mayor impacto, como abonos duplicados, datos mostrados al cliente equivocado o cambios de reserva sin confirmación. Un promedio satisfactorio puede esconder una clase de incidente que exige desactivar un permiso.

¿Qué está pasando en el mercado?

El contexto ayuda a calibrar expectativas. Salesforce acordó en junio de 2026 la compra de Fin, la empresa antes conocida como Intercom, por aproximadamente US$3.600 millones, según TechTimes. Fin reporta una tasa media de resolución autónoma de 76% en su base de clientes, por encima del 68% que logra el propio agente de soporte de Salesforce sobre unos 2 millones de solicitudes anuales, de acuerdo con el mismo medio.

TechTimes recoge además la proyección de Forrester Research: 49% de los empleos actuales de atención al cliente desaparecerían por la IA hacia 2030, y los centros de contacto B2C de alto volumen podrían alcanzar 80% de contención automática en cinco años. La Bureau of Labor Statistics proyecta una caída de 5% en el empleo de representantes de servicio al cliente en EE.UU. entre 2024 y 2034.

El movimiento no es de un solo jugador. En septiembre de 2026 Salesforce presentó agentes como Casey, para procesar devoluciones, y Paige, para el help desk interno, según SiliconANGLE. Traducido a tu operación: la automatización del soporte dejó de ser un experimento. Pero conviene recordar que las cifras de resolución son autorreportadas por los proveedores y no están auditadas por terceros, así que sirven como referencia direccional, no como promesa contractual.

¿Qué significa esto para tu startup?

Empieza por asistir al equipo, no por atender al cliente. El agente prepara un resumen y localiza la condición aplicable; la persona responde. Es el escenario que el estudio de IEBS respalda con datos, y no requiere exponer a ningún cliente a una respuesta automática.
Anota cuándo el profesional descarta la recomendación y por qué. Una concentración de rechazos en productos antiguos casi siempre señala documentación desactualizada, no un problema del modelo. Arregla la base de conocimiento antes de ampliar permisos.
Amplía la autonomía de una acción por vez. Si las consultas de seguimiento funcionan y las reclamaciones se atascan, conserva la primera automatización y corrige la transferencia de la segunda. No apagues todo ni actives todo de golpe.
Diseña el traspaso con contexto. La ficha que recibe la persona debería decir algo como: «Pedido identificado. El transportista registra entrega el lunes. El cliente comunica que no recibió el paquete. Se consultó el seguimiento; falta solicitar el justificante de entrega». Separa lo comprobado de lo que relata el comprador y no cierres el caso al transferirlo.
Prueba con conversaciones reales anonimizadas. Incluye solicitudes incompletas, pedidos de dos clientes con nombres parecidos y consultas donde el sistema de seguimiento no responde. Añade una condición específica: que la persona receptora pueda continuar sin pedir de nuevo la información que el cliente ya aportó.

Un detalle operativo que se subestima: si el servicio humano está cerrado, el cliente debe saber si su solicitud quedó registrada, por qué canal recibirá noticias y cuándo puede esperar respuesta. Decir «te paso con un compañero» cuando nadie atiende convierte una incidencia logística en una segunda reclamación sobre el servicio.

Conclusión

El criterio para avanzar con un agente de IA en atención al cliente no es cuántas conversaciones cierra solo. Es que el cliente salga con una respuesta comprobable o con alguien que se haga cargo del siguiente paso. Todo lo demás, el porcentaje de automatización y el ahorro de minutos, es una consecuencia, no el objetivo.