No todos fallan igual
Un chatbot con IA puede parecer una solución rápida: Se activa, responde y da la sensación de que el problema está resuelto. Pero en la práctica aparece una diferencia clara entre tener “algo que contesta” y tener un asistente que sostiene una conversación en nombre de la empresa.
Esa diferencia no es estética, es operativa.
Y no se explica por el modelo que hay debajo sino por hasta dónde llega lo que se construyó encima. Hay tres formas típicas de quedarse corto y desde afuera se parecen bastante; en la operación diaria no se parecen en nada.
El enlatado
Es el que se implementa en minutos. Empieza a responder desde el primer día... pero no sabe quién es la empresa ni cómo funciona. Tiene el modelo y nada más.
No distingue entre una consulta de rutina y un caso que debería haber pasado a una persona. No reconoce matices. Responde igual a todo: arma frases correctas en apariencia pero sin relación con la situación real de quien escribe.
El problema no es que se equivoque de vez en cuando. Es que no tiene forma de saber cuándo no debería responder, cuándo debería pedir más contexto, o cuándo está frente a algo que requiere otro tratamiento.
Quien ya compró y escribe porque algo no anda recibe una explicación general que no aplica a su caso. Vuelve a escribir, esta vez molesto, y ahora sí lo atiende una persona, que arranca leyendo todo el intercambio anterior para descartarlo. El trabajo que el sistema iba a ahorrar aparece igual, más tarde y peor.
El semi-personalizado
Con el semi-personalizado (que se suele presentar como “personalizado”) hay cierto avance. Reconoce términos del rubro, entiende algunas consultas frecuentes y mantiene coherencia en las respuestas típicas. Aprendió el vocabulario de la empresa, no su operación.
Por eso responde bien en escenarios previsibles y se desordena cuando la conversación se sale del guion. Ahí aparece una zona difícil de detectar: respuestas que parecen razonables y no lo son. No hay errores evidentes, pero tampoco criterio suficiente para sostener la conversación cuando la situación es ambigua.
Ese tipo de error es más costoso que el anterior porque no siempre es visible. Y cuando se acumula, deteriora la experiencia sin que haya un punto claro donde intervenir.
El conectado a los documentos
Es el que hoy se presenta como la implementación seria y el que muchas empresas ya tienen. Se le carga la documentación (manuales, procedimientos, respuestas anteriores) y el sistema busca ahí antes de contestar. Por primera vez la información que devuelve es la de la empresa.
Y aun así falla, aunque de una manera nueva: tiene el material pero no la decisión. Encuentra los fragmentos que se parecen a lo que se preguntó y los devuelve, sin evaluar si eso era lo que hacía falta en ese momento. Contesta con precisión la pregunta equivocada. Explica de más cuando solo había que confirmar un dato. Sigue el hilo del documento en lugar del hilo de la conversación.
Es la falla más difícil de discutir internamente, porque cada respuesta, mirada por separado, está bien. El problema aparece en el conjunto: el equipo termina revisando igual todos los casos, por las dudas. El sistema no reemplazó ese trabajo, le agregó un paso.
Nuestro asistente online te asesora sobre IA en la empresa: tanto si llegás con un caso concreto como si todavía estás explorando el tema. Planteále una situación de trabajo y avanzá desde ahí.
Analizá tu caso →Lo que falta es siempre lo mismo
Abajo está la tecnología que genera texto: el modelo. Por encima, el conocimiento de la operación: qué hace la empresa, cómo trabaja, qué corresponde decir en cada caso. Y encima de eso, el contexto: traer lo que hace falta en el momento en que hace falta.
El enlatado se queda en el primer nivel. El semi-personalizado toca el segundo. El conectado a los documentos llega al tercero. Y los tres hacen lo mismo apenas terminan de recuperar información: escriben.
Falta una capa más y es la que decide. Antes de generar una sola palabra hay que resolver qué está pasando: si esto es una consulta o un reclamo, si conviene responder o preguntar, si hay que dar el dato completo o frenar y derivar, qué corresponde hacer con alguien que ya escribió tres veces por el mismo problema.
Esa capa —la cuarta capa— no aporta información: Aporta criterio. Es la diferencia entre un sistema que sabe cosas y uno que sabe qué hacer con lo que sabe.
Un asistente construido así no improvisa. Puede manejar ambigüedad, sostener coherencia a lo largo de una conversación y actuar con consistencia frente a casos parecidos. En ese punto deja de ser un experimento y pasa a cumplir un rol operativo.
El problema no es la herramienta
Muchas implementaciones fallan por una suposición implícita: que el comportamiento del sistema depende principalmente del modelo que se utiliza.
En la práctica, lo que determina el resultado es otra cosa. Es cómo se interpreta cada situación, cómo se estructura la conversación y cómo se decide qué hacer antes de responder.
Sin esa capa, cualquier sistema —incluso uno basado en modelos avanzados como los de OpenAI o los de Anthropic— queda limitado a generar texto sin criterio.
Y cuando eso ocurre, el chatbot no representa a la empresa: La expone.
Lo que termina comunicando
Un chatbot no es un canal neutro. Transmite una forma de operar.
Si responde sin contexto, la empresa parece desordenada. Si responde con inconsistencias, parece poco confiable. Si responde con criterio, transmite claridad.
La pregunta útil no es cuál de los tres se instaló. Es si hay algo, entre el mensaje que entra y la respuesta que sale, que decida qué corresponde hacer. Cuando no lo hay, el sistema devuelve texto y el trabajo de interpretar vuelve a la mesa de alguien.
Y eso es lo que termina definiendo si suma o resta en la operación diaria.