¿Cuánto soporte puede resolver la IA de verdad? Expectativas honestas

Pregunta a cinco proveedores qué parte de tu soporte resolverá un agente de IA y oirás cinco cifras rotundas, casi todas empezando por 7 o por 8. Pregúntaselo a cinco responsables de soporte que tengan uno funcionando de verdad y oirás algo bastante más útil: «depende — y te cuento de qué». Este artículo es esa segunda respuesta, puesta por escrito: qué tasas de resolución son realistas, qué tipos de pregunta se automatizan bien, cuáles no deberían automatizarse nunca y qué palancas mueven de verdad tu cifra.

Primero, define «resuelto» — sin trampas

Una tasa de resolución vale lo que vale su definición. Antes de comparar ninguna cifra —la de un proveedor, la de un competidor, la tuya del trimestre pasado— fija qué cuenta como resuelto:

• El cliente recibió una respuesta de verdad, no un montón de enlaces ni un bucle de «contacta con soporte».
• Ninguna persona tocó la conversación, ni antes ni después de la respuesta de la IA.
• El cliente no volvió por el mismo asunto dentro de una ventana razonable —siete días es lo habitual— por ningún canal.

Con esa definición estricta, casi todas las cifras espectaculares se desinflan. Un bot que «resuelve el 85% de los chats» suele resolver el 85% de los chats que le dejaron terminar, después de que unas reglas de enrutado apartaran en silencio los difíciles hacia las personas y contando como victoria las conversaciones abandonadas. Contar con rigor incomoda, pero merece la pena: es la única versión de la métrica sobre la que puedes decidir plantilla y presupuesto.

Lo que se automatiza bien: la mayoría rutinaria

El soporte de e-commerce tiene una forma favorable para la automatización, porque buena parte del volumen entrante es un puñado de preguntas repetidas miles de veces:

• Estado del pedido y entregas («¿dónde está mi pedido?»). La categoría más grande en casi cualquier tienda: normalmente el 25–40% de todos los contactos. Automatizable del todo siempre que la IA pueda leer los datos vivos de pedidos y seguimiento.
• Mecánica de devoluciones y cambios. «¿Cómo devuelvo esto?», «¿Cuál es el plazo?», «¿Quién paga el envío de vuelta?» — preguntas de política con respuesta documentada.
• Dudas de producto que tus páginas ya resuelven. Tallas, materiales, compatibilidad, instrucciones de cuidado: todo lo que cubre una buena ficha de producto o tus FAQ.
• Mecánica de cuenta y facturación. Restablecer contraseñas, cambiar direcciones, copias de facturas, actualizar un método de pago.
• Preventa básica. Costes y plazos de envío, formas de pago, disponibilidad y reposiciones.

Suma todo eso y aterrizas en el conocido 55–70% del volumen entrante que es rutinario y está documentado. Ese es el techo honesto para la mayoría de las tiendas — no porque la IA no sepa leer preguntas más difíciles, sino porque las difíciles no deberían cerrarse sin una persona.

Lo que la IA no debería resolver — por diseño

Hay categorías que una IA puede contestar pero no debería cerrar:

• Decisiones de criterio. Excepciones en reembolsos, gestos comerciales, «el transportista dice que está entregado y aquí no ha llegado nada». La respuesta correcta depende de una decisión que solo puede asumir tu equipo.
• Escalados con el cliente enfadado. Automatizar a alguien ya frustrado multiplica la frustración. Aquí el trabajo de la IA es detectar el tono y traspasar rápido a una persona, con contexto.
• Diagnósticos complejos o nuevos. Si la respuesta no existe en tu base de conocimiento, una IA bien educada lo dice y deriva la conversación. Una improvisación segura de sí misma es peor que una cola de espera.
• Señal. Informes de errores, patrones de defectos, peticiones de funcionalidades, avisos de abandono. La IA puede etiquetarlos y acusar recibo, pero una persona debería leerlos todos: es feedback de producto que llega gratis.

Los equipos que empujan estas categorías a la automatización compran una cifra de portada más alta y la pagan en reaperturas, devoluciones de cargo y abandono silencioso. El objetivo no es la tasa de resolución máxima; es la tasa máxima que se mantiene en tu listón de calidad o por encima.

Los cuatro factores que fijan tu cifra real

Dos tiendas pueden usar la misma IA y acabar separadas por treinta puntos. La diferencia casi siempre es una de estas:

1. Mezcla de tickets. Una tienda donde mandan las preguntas de entrega automatiza mucho más que otra que vende productos complejos y configurables. Saca 200 conversaciones recientes y clasifícalas por tipo: la proporción rutinaria que encuentres predice mejor que cualquier referencia del sector.
2. Cobertura de la base de conocimiento. La IA resuelve lo que tu documentación fundamenta. Con documentación pobre, la cifra honesta arranca baja; cada laguna documentada que cierras la sube. Este es el trabajo con más retorno de los tres primeros meses.
3. Acceso a los datos. Sin conexión viva a pedidos y seguimiento, «¿dónde está mi pedido?» —tu categoría más grande— no se puede automatizar. Con ella, esa categoría sola puede cargar con un tercio del total.
4. Reglas de conteo. Ventana de reapertura, tratamiento de los abandonos, qué canales cuentan. Dos equipos con operaciones idénticas pueden declarar 55% y 80% con el mismo mes de conversaciones.

Rangos realistas, por etapa

Con conteo estricto, así se ve un e-commerce sano:

• Primer mes: 30–50%. La base de conocimiento tiene lagunas, las integraciones son nuevas y, de todos modos, deberías estar usando la IA en categorías estrechas.
• Del segundo al cuarto mes: 45–60%, impulsado casi por completo por cerrar las lagunas documentadas que la propia IA te reporta.
• Madurez, del sexto mes en adelante: 55–70% en tiendas típicas. Por encima del 70% pasa, pero suele ser en negocios con una mezcla inusualmente rutinaria: mucho volumen de pedidos, productos sencillos y políticas generosas y bien documentadas.

Si una propuesta comercial te promete más del 90% sin preguntar por tu mezcla, por tu documentación y por tu definición de «resuelto», está citando una métrica distinta de la que vas a vivir.

Subir la tasa sin trucarla

Las palancas honestas, por orden de retorno:

1. Cierra lagunas de conocimiento cada semana. Repasa las preguntas que la IA no supo contestar, escribe el artículo que falta, repite. Nada más acumula beneficio a este ritmo.
2. Conecta los datos de pedidos. Convierte tu categoría más grande de «traspaso a una persona» en «resuelto en segundos».
3. Ataca las causas raíz. Si el 15% de los contactos son «la tabla de tallas confunde», la mejor automatización es una tabla de tallas mejor. Que baje la tasa de contacto es una victoria aunque deje plana la tasa de resolución.
4. Amplía categoría a categoría. Suelta la IA en un tipo de pregunta nuevo cada vez, audita una muestra de transcripciones y sigue.

Y una palanca a la que decir que no: aflojar la definición. Los equipos que se arrepienten de automatizar casi nunca son los del 55% honesto; son los del 85% declarado que sus clientes viven como un 50.

Dónde encaja ReplyPool

La economía de ReplyPool está pensada para cifras honestas. Cada plan es una bolsa mensual fija de respuestas de IA —1.000, 2.500 o 7.500—, así que no hay ningún contador que gane más cuando una «resolución» se cuenta con manga ancha. El agente de IA contesta desde tu base de conocimiento, traspasa lo que no puede fundamentar y el panel te enseña las preguntas que no supo contestar, para que cierres las lagunas que de verdad suben tu tasa. Cuando la bolsa se agota, las conversaciones pasan a la bandeja de tu equipo y la factura se queda donde decía la página de precios.

¿Quieres saber tu cifra real? Clasifica 200 de tus conversaciones recientes en rutinarias y de criterio: tendrás mejor previsión que cualquier referencia del sector — y luego haz un mes de calibración para confirmarla.