Tabla de contenidos
- 1. Olivia propone un marco de gobernanza
- 2. Definición de límites en la automatización
- 3. El marco de gobernanza propuesto por Olivia
- 3.1 Criterios prácticos para decidir qué es “IA-able”
- 4. Lecciones del caso Klarna en atención al cliente
- 5. Preferencias del consumidor en la atención al cliente
- 5.1 Estudio de Five9 sobre interacción humana
- 5.2 Resultados del PwC Customer Experience Survey
- 6. La IA como complemento, no sustituto
- 7. La importancia de la intervención humana
- 7.1 Gestión de interacciones complejas
- 7.2 Ética y calidad en el entorno laboral
- 8. Suricata Cx: La Solución Integral para el Futuro de las Telecomunicaciones
- 8.1 Transformación Digital en Telecomunicaciones
Olivia propone un marco de gobernanza
Límites de la automatización en atención al cliente
Entre 2024 y 2026, muchas organizaciones aceleraron la automatización de la atención al cliente buscando escala y ahorro. El caso Klarna se volvió un “antes y después” porque mostró el techo práctico: la IA puede absorber gran volumen, pero cuando aparecen conflictos, excepciones o emociones, la experiencia se resiente y la empresa vuelve a necesitar humanos.
En ese mismo sentido, los estudios citados (Five9 y PwC) apuntan a una preferencia persistente por la interacción humana, y la OIT enmarca el impacto laboral como complementación más que reemplazo total, con necesidad de supervisión.
Definición de límites en la automatización
La automatización en atención al cliente entró en una fase de “punto de inflexión”: ya no alcanza con demostrar eficiencia técnica. Olivia plantea que el debate real es dónde trazar límites para proteger la experiencia del cliente y la responsabilidad corporativa. En esa frontera aparece el concepto de tareas “IA-ables”: procesos repetitivos, estructurados y de baja ambigüedad que pueden resolverse con reglas, datos y flujos bien definidos.
El problema surge cuando se intenta extender esa lógica a situaciones con conflicto, emociones o consecuencias reputacionales. Allí, la automatización total puede acelerar respuestas, pero no necesariamente “atender mejor”.
Cuándo automatizar y cuándo escalar
Señales rápidas para clasificar una tarea
- Más “IA-able” cuando:
- La consulta es frecuente y se repite con variaciones mínimas.
- Hay datos confiables y actualizados para responder (estado de cuenta, tracking, turnos, tickets).
- El “resultado correcto” es verificable (sí/no, monto, fecha, paso siguiente) y se puede auditar.
- Un error es reversible y de bajo impacto (se corrige con un ajuste o un reembolso estándar).
- Menos “IA-able” (pedir humano o escalamiento) cuando:
- Hay conflicto, reclamo sensible o negociación (excepciones, compensaciones, disputas).
- La persona expresa enojo, angustia o urgencia, y espera empatía y flexibilidad.
- El caso afecta reputación, cumplimiento interno o decisiones con consecuencias (bloqueos, cierres, fraude).
- La organización no puede explicar “quién responde” si la IA se equivoca.
El marco de gobernanza propuesto por Olivia
Olivia traslada la discusión al terreno de la gobernanza: quién decide qué se automatiza, con qué apetito de riesgo y quién responde ante errores. Marcelo Blechman, socio director de la consultora, lo sintetizó así: la tecnología puede reducir incertidumbre técnica y acelerar la ejecución, pero “carece por completo de la capacidad de asumir consecuencias”.
Por eso, “trazar la línea” no es un proyecto de TI sino una decisión de alta dirección. El marco también se extiende a la comunicación interna: ante la proliferación de mensajes “Enviado por Copilot”, Olivia propone protocolos que permitan usar IA para estructurar y sintetizar, pero eviten simular autoría en mensajes estratégicos.
De marco a operación diaria
Cómo llevar el marco a decisiones operativas (paso a paso)
1) Inventario de contactos: listar los 20–30 motivos más frecuentes (por canal) y su volumen.
2) Clasificación IA-able / no IA-able: aplicar criterios de ambigüedad, reversibilidad del error e impacto reputacional.
3) Definir apetito de riesgo: acordar qué errores son tolerables, cuáles no, y qué métricas “cortan” la automatización (p. ej., quejas, recontactos, escaladas).
4) Diseñar el escalamiento: reglas claras de cuándo pasa a humano, con prioridad para casos sensibles.
5) Asignar responsables: quién aprueba automatizaciones, quién monitorea calidad, quién responde ante incidentes.
6) Prueba controlada: piloto con muestreo y revisión humana de conversaciones; ajustar antes de escalar.
7) Operación continua: auditorías periódicas, revisión de prompts/flows, y actualización de bases de conocimiento.
Checkpoint práctico: si no podés explicar en una frase quién “se hace cargo” cuando la IA falla, todavía no está listo para automatizarse.
Criterios prácticos para decidir qué es “IA-able”
Bajo el enfoque de Olivia, una tarea tiende a ser “IA-able” cuando es repetitiva, estructurada y de baja ambigüedad, y cuando la organización puede definir con claridad quién asume consecuencias y cómo se corrigen errores. En cambio, cuando hay conflicto, necesidad de empatía o impacto reputacional, la gobernanza debería exigir intervención humana y reglas explícitas de escalamiento.
Lecciones del caso Klarna en atención al cliente
Klarna se convirtió en referencia por el contraste entre escala y límites. La fintech sueca llegó a procesar 2,3 millones de consultas mensuales con IA, un volumen equivalente al trabajo de 700 agentes, con un ahorro proyectado de US$ 40 millones. Sin embargo, recontrató personal humano tras comprobar que la tecnología no resolvía interacciones complejas, no gestionaba conflictos y no sostenía empatía con los clientes.
La enseñanza es directa: automatizar puede ser rentable en el “tráfico” de consultas previsibles, pero el costo aparece cuando la organización necesita contención, criterio y negociación en casos sensibles.
| Señal del caso Klarna | Qué mostró en la práctica | Dato citado en el artículo |
|---|---|---|
| Escala | La IA puede absorber grandes volúmenes de consultas | 2,3 millones de consultas mensuales |
| Equivalencia operativa | El volumen automatizado puede compararse con dotación humana | equivalente al trabajo de 700 agentes |
| Eficiencia económica (estimada) | El ahorro puede ser significativo cuando el tráfico es predecible | ahorro proyectado de US$ 40 millones |
| Límite cualitativo | En casos complejos, la IA no sostiene empatía ni resuelve conflictos | “no resolvía interacciones complejas… ni sostenía empatía” |
| Corrección de estrategia | Cuando la experiencia se degrada, vuelve el humano (modelo híbrido) | “recontrató personal humano” |
Preferencias del consumidor en la atención al cliente
La resistencia del consumidor a la atención exclusivamente automatizada aparece como un dato estructural, no anecdótico. Olivia apoya su postura en investigaciones recientes que conectan confianza, empatía y lealtad con la posibilidad de hablar con una persona cuando el problema lo requiere.
Estudio de Five9 sobre interacción humana
El Estudio Global de CX de Five9 relevó que el 75% de los consumidores prefiere hablar con un ser humano real —en persona o por teléfono— para resolver problemas de soporte técnico o atención al cliente. La preferencia se asocia a falta de confianza y frustración con respuestas de bots automatizados.
Resultados del PwC Customer Experience Survey
El PwC Customer Experience Survey indicó que, aunque crece el uso de canales digitales, el 86% de los consumidores afirma que la interacción humana sigue siendo clave en su experiencia de marca. La falta de empatía y las respuestas automatizadas rígidas aparecen como principal causa de abandono.
| Fuente citada | Hallazgo reportado | Qué sugiere para el diseño de atención |
|---|---|---|
| Five9 (Estudio Global de CX) | 75% prefiere hablar con un humano (en persona o por teléfono) | Mantener una “salida a humano” visible y rápida en soporte y reclamos |
| PwC (Customer Experience Survey) | 86% afirma que la interacción humana sigue siendo clave | Evitar automatizaciones rígidas en momentos de fricción; priorizar empatía |
La IA como complemento, no sustituto
En el plano laboral, el Informe sobre IA y Empleo de la OIT concluyó que la IA generativa actúa principalmente como complementadora de tareas y no como sustituto total. La advertencia es doble: por un lado, el potencial de productividad existe; por otro, una “gestión algorítmica” desmedida puede degradar la calidad del trabajo y aumentar riesgos éticos.
En atención al cliente, esto refuerza el enfoque híbrido: automatizar lo predecible y reservar el juicio humano para lo que exige interpretación, responsabilidad y trato.
Eficiencia vs. Responsabilidad Humana
Dónde suele estar el equilibrio (y dónde se rompe)
- A favor de automatizar: baja tiempos de respuesta, reduce carga repetitiva y mejora consistencia en consultas estándar.
- En contra de automatizar “todo”: aumenta el riesgo de respuestas correctas pero inadecuadas (tono, contexto), empeora la experiencia en conflictos y puede erosionar confianza.
- Riesgo organizacional: si la “gestión algorítmica” se usa sin supervisión, puede degradar calidad del trabajo y trasladar presión a métricas sin criterio.
- Trade-off clave: eficiencia operativa vs. capacidad de hacerse cargo (responsabilidad, reputación y reparación cuando algo sale mal).
La importancia de la intervención humana
La intervención humana no es un “plan B”: es el componente que sostiene confianza, reputación y coherencia organizacional cuando el guion se rompe. Ezequiel Kieczkier, CEO y cofundador de Olivia, lo expresó con una regla práctica para la era de los asistentes: “La inteligencia artificial puede redactar tu mensaje, pero nunca puede ser tu palabra”.
Gestión de interacciones complejas
Klarna reintrodujo humanos al detectar límites en interacciones complejas: conflictos, escaladas y situaciones donde el cliente espera comprensión y flexibilidad. Son casos donde la resolución depende menos de velocidad y más de criterio, negociación y empatía.
Ética y calidad en el entorno laboral
La OIT remarcó que la supervisión humana es indispensable para mantener ética y calidad en los entornos de trabajo. En atención al cliente, esa supervisión también ordena responsabilidades: quién valida decisiones, cómo se corrigen errores y qué prácticas se consideran aceptables.
Cuándo escalar a un agente
Cuándo escalar a una persona (señales operativas)
- El cliente expresa enojo, angustia, urgencia o amenaza de baja.
- Hay disputa, reclamo sensible o pedido de excepción (compensaciones, cargos, cancelaciones complejas).
- La IA no puede confirmar datos críticos o detecta información incompleta/contradictoria.
- El caso implica riesgo reputacional o impacto alto (fraude, seguridad, bloqueo/cierre de cuenta/servicio).
- Se repite el contacto por el mismo motivo (recontacto) o el cliente dice “ya lo intenté y no funciona”.
- La solución requiere negociación, criterio o una explicación personalizada (no solo un paso a paso).
Suricata Cx: La Solución Integral para el Futuro de las Telecomunicaciones
En telecomunicaciones e ISPs, donde el volumen de contactos suele ser alto y los motivos se repiten (facturación, pagos, estado del servicio), el desafío es escalar sin romper la experiencia. Un enfoque híbrido permite automatizar lo rutinario y sostener intervención humana cuando el caso lo exige.
Transformación Digital en Telecomunicaciones
Una plataforma omnicanal con IA puede acelerar respuestas y ordenar operaciones, siempre que esté integrada a flujos reales (cuentas, deudas, tickets) y contemple escalamiento a agentes. La promesa no es “reemplazar”, sino operar mejor con control y trazabilidad.
La Importancia del Enfoque Híbrido en la Atención al Cliente
La evidencia citada por Olivia (Klarna, Five9, PwC y OIT) converge en una conclusión: la automatización funciona cuando tiene límites. El modelo híbrido —IA para lo predecible, humanos para lo complejo— aparece como la vía más sólida para equilibrar eficiencia, confianza y responsabilidad.
Este enfoque coincide con la lógica operativa que guía a Suricata Cx en telecom e ISPs: automatización y omnicanalidad con integraciones profundas a sistemas (clientes, deudas, servicios, tickets) y con control humano, trazabilidad y escalamiento cuando el caso deja de ser predecible.
Este artículo se basa en información públicamente disponible a la fecha de publicación y en ejemplos y estudios citados en el texto. Las cifras de empresas y encuestas pueden diferir según país, industria y metodología, y es posible que se actualicen con el tiempo. Por ello, los datos deben leerse como señales para orientar modelos híbridos con gobernanza y escalamiento, no como una receta única.
