El pedido que tenía dos partes
Un cliente escribe que su pedido viene demorado y que, ya que está, necesita cambiar la dirección de entrega. El asistente contesta la demora sin un error: explica el estado del envío, da una fecha estimada, pide disculpas. De la dirección no dice nada.
Nadie lo nota hasta que el paquete llega al domicilio viejo. Por casos como este el equipo sigue leyendo las conversaciones: una de cada tantas sucede algo así y no hay forma de saber cuál de antemano.
En muchas empresas ya hay herramientas de IA funcionando: asistentes que responden consultas, automatizaciones de atención, generación de contenido, análisis de información, y andan bien. Lo que se sumó al trabajo del equipo es leer lo que contestan, todos los días, por si aparece otra igual.
Lo que pasa antes de escribir la respuesta
Cuando esto se discute, la conversación queda atrapada en la herramienta: si conviene cambiar el modelo, reescribir las instrucciones, probar con una plataforma más cara. Con modelos más avanzados el comportamiento se degrada en los mismos lugares, porque lo que falla ocurre antes de que se genere una sola palabra.
Muchas implementaciones arrancan de este supuesto: que una conversación es una secuencia de preguntas y respuestas. Con ese supuesto se traslada un proceso humano completo a un sistema que no tiene definido cómo interpretar una consulta ambigua, cuándo falta contexto, ni qué criterio usar para elegir entre dos caminos. Los desvíos empiezan ahí: una consulta incompleta recibe una respuesta definitiva, un cliente plantea dos problemas y el sistema atiende uno, una conversación avanza cuando correspondía frenar y pedir un dato.
Alguien del equipo detecta esos tres casos sin esfuerzo. Ve cuándo un cliente está confundido, cuándo una respuesta va a generar un problema la semana que viene, cuándo hay que escalar a otra instancia. Interpreta intención, contexto y consecuencia a la vez y recién después escribe. La mayoría de los sistemas están armados para esta última parte. De ahí que uno pueda redactar un mensaje perfecto y empeorar la situación: la decisión de qué decir ya estaba tomada mal.
El costo aparece después
Al principio nada de esto se ve. En las primeras pruebas el sistema parece útil: responde rápido, automatiza tareas, descarga al equipo. El deterioro se acumula en cientos de situaciones mal interpretadas, cada una demasiado chica para que alguien la levante:
- clientes que reciben información confusa
- equipos corrigiendo respuestas todo el tiempo
- decisiones tomadas sobre contexto incompleto
- pérdida gradual de confianza en el sistema
Las métricas generales tampoco lo muestran: el asistente contesta en segundos, las conversaciones avanzan, hay automatización. El daño está en casos puntuales y aparece recién cuando alguien abre una conversación concreta y revisa cómo llegó el sistema a esa respuesta. Sin esa revisión, la conclusión que queda es que «la IA todavía no está lista» para ese negocio.
Criterio y lógica para resolver tareas en la empresa. Tanto si llegás con una traba operativa concreta como si todavía estás explorando el tema, planteá una situación de trabajo y avanzá desde ahí.
Analizá tu caso →El ajuste permanente
Muchas empresas quedan en una etapa de prueba que no termina: cambian de herramienta, reescriben instrucciones, agregan automatizaciones, prueban configuraciones nuevas. El comportamiento de fondo se mueve poco, porque el sistema sigue operando sin una lógica para interpretar situaciones reales.
Definir esa lógica (cómo debería comportarse frente a una conversación ambigua) requiere tiempo, análisis y una estructura que en general no está escrita en ningún lado de la empresa. Se avanza igual, sobre esa base sin resolver.
Cuando el problema se plantea de otra manera
Las implementaciones que se sostienen parten de otro lugar: tratan la conversación como un problema de interpretación y decisión. La pregunta que ordena todo pasa a ser qué está ocurriendo acá, antes de contestar nada.
Con eso planteado, al sistema le empieza a importar si la consulta está incompleta, si la persona entendió mal una condición, si hay algo del intercambio previo que contradice lo que acaba de decir, si conviene que intervenga alguien. Los resultados se vuelven más consistentes, incluso con modelos que no son los más nuevos ni los más caros.
Y el cliente que pregunta por la demora y por la dirección recibe las dos cosas, o recibe una y una pregunta sobre la otra. Así el equipo deja de leer conversaciones por las dudas y se ocupa de las que realmente tiene que mirar.