Klarna anunció en febrero de 2024 que su asistente de IA había gestionado, en su primer mes completo de funcionamiento, el equivalente al trabajo de 700 agentes humanos a tiempo completo, resolviendo cerca de dos tercios de las consultas de soporte. La cifra circuló rápido por todos los medios de negocio y marketing, casi siempre acompañada de un titular triunfalista sobre el fin del servicio de atención tal y como se conocía. Un año después, la propia compañía matizó el relato: había vuelto a contratar personal humano porque la calidad percibida por el cliente había bajado más de lo tolerable. Ese vaivén, más que el titular inicial, es el que de verdad enseña algo sobre cómo se están usando los chatbots de IA en las marcas que hacen las cosas con criterio.
Porque la pregunta relevante ya no es si un chatbot puede sustituir a una persona. Puede, y en muchos casos lo hace mejor. La pregunta que separa a las marcas que ganan clientes de las que los queman es en qué momentos del recorrido conviene automatizar, con qué grado de autonomía y con qué salvaguardas cuando la conversación se sale del guion.
La diferencia entre un bot que responde y un bot que resuelve
Durante años, el chatbot típico de atención al cliente fue un árbol de decisiones disfrazado de conversación. El usuario escribía «quiero cambiar mi pedido» y el sistema le devolvía tres botones con opciones predefinidas, ninguna de las cuales encajaba exactamente con lo que necesitaba. Ese modelo funcionaba, mal, porque no entendía intención: solo emparejaba palabras clave con respuestas enlatadas.
Los modelos de lenguaje han cambiado esa ecuación de raíz. Un chatbot construido sobre un modelo generativo entiende matices, ironía, quejas encubiertas en preguntas aparentemente neutras, y puede combinar información de varias fuentes internas —historial de compra, estado del envío, políticas de devolución— para dar una respuesta que parezca redactada por alguien que realmente ha mirado el expediente del cliente. Eso es lo que separa a un bot que responde de un bot que resuelve.
La diferencia se nota especialmente en sectores con procesos complejos. Un banco no puede permitirse un asistente que solo repita el saldo de la cuenta; necesita uno capaz de explicar por qué una comisión se ha aplicado dos veces y, si procede, iniciar la reclamación sin que el cliente tenga que repetir su historia a un segundo interlocutor. Bank of America lleva desde 2018 puliendo a Erica, su asistente virtual, y a estas alturas gestiona más de mil millones de interacciones acumuladas, muchas de ellas de naturaleza proactiva: avisos de gasto inusual, recordatorios de pago antes de que se generen intereses. Ese enfoque proactivo, y no solo reactivo, es el que convierte una herramienta de soporte en un elemento de fidelización.
El caso Zara y la conversación que empieza antes de la queja
Inditex integró en 2023 un sistema conversacional en su aplicación que no espera a que el cliente escriba una incidencia: interviene en el momento en que detecta fricción, por ejemplo cuando alguien lleva varios minutos consultando la misma prenda en distintas tallas sin añadirla al carrito. El chatbot no vende de forma agresiva; ofrece resolver dudas concretas sobre tallaje basándose en devoluciones previas del propio usuario. Es un matiz pequeño pero decisivo: la marca no está usando la IA para «atender mejor las quejas», está usando la IA para que la queja no llegue a producirse.
Ese desplazamiento —de la atención reactiva a la anticipación— es probablemente el cambio más profundo que ha traído la IA conversacional al terreno de la experiencia de cliente. No se trata de contestar más rápido a lo mismo de siempre, sino de identificar el momento exacto en el que una duda se convierte en frustración y actuar antes de que eso ocurra. Las marcas de moda, con ciclos de compra cortos y márgenes ajustados, han sido de las primeras en explotarlo, pero el patrón se está trasladando a seguros, telecomunicaciones y turismo con resultados desiguales según la madurez de los datos disponibles.
Latencia, tono y la ilusión de la instantaneidad
Hay un factor que se cita poco en los análisis de este tipo de proyectos y que, en la práctica, determina buena parte de la percepción del usuario: la latencia de respuesta no medida en segundos, sino en la sensación de fluidez de la conversación. Un chatbot que tarda ocho segundos en responder pero simula estar «escribiendo» durante ese tiempo genera menos ansiedad que uno que responde en dos segundos de golpe, como una ametralladora de texto. Esto parece un detalle de interfaz menor y en realidad es psicología conversacional aplicada: las personas interpretan las pausas como señal de que alguien está pensando, no fallando.
El tono es igual de determinante y bastante más difícil de acertar. Una marca de banca privada no puede permitirse un chatbot que use emoticonos ni frases hechas de call center; una marca de moda joven, en cambio, pierde autenticidad si su asistente suena a comunicado corporativo. El error habitual —y esto es algo que se ve constantemente en implementaciones apresuradas— consiste en tomar el mismo prompt de sistema para todos los canales y todos los públicos, con la excusa de la eficiencia. El resultado es un chatbot correcto pero genérico, que ningún cliente recuerda ni positiva ni negativamente. La indiferencia, en experiencia de cliente, es una forma silenciosa de fracaso.
Los datos de primera parte son el verdadero motor, no el modelo
Existe una tentación, alimentada por buena parte del marketing de proveedores tecnológicos, de presentar el chatbot como el producto en sí. No lo es. El modelo de lenguaje es la interfaz; lo que determina si esa interfaz da respuestas útiles es la calidad de los datos de primera parte a los que tiene acceso: historial de compras, tickets anteriores, preferencias declaradas, comportamiento de navegación reciente.
Una aerolínea que conecta su chatbot únicamente a la base de reservas dará respuestas correctas pero limitadas. Una que además le da acceso al historial de incidencias del cliente, a sus preferencias de asiento y a si ha volado recientemente con retraso, puede anticipar objeciones antes de que el cliente las plantee. Esa integración de datos es, con diferencia, la parte más cara y menos glamurosa del proyecto, y por eso suele recortarse primero cuando el presupuesto aprieta. La calidad de un chatbot de atención al cliente depende mucho más de la arquitectura de datos que lo alimenta que del modelo generativo que redacta las frases, y esa es una de esas verdades incómodas que rara vez aparece en los estudios de caso publicados por los propios proveedores de IA, porque no vende tan bien como el modelo en sí.
Esto tiene una consecuencia práctica que muchas empresas medianas pasan por alto: antes de elegir proveedor de IA conversacional, conviene auditar en qué estado está el propio CRM, porque un modelo excelente conectado a datos fragmentados o desactualizados producirá alucinaciones con apariencia de autoridad, que es el peor tipo de error posible en atención al cliente.
Cuando la inteligencia artificial generativa empeora la experiencia
Conviene decirlo con claridad porque no siempre se dice: la IA generativa no mejora automáticamente la experiencia de cliente. En determinados contextos la empeora, y hay datos que lo sustentan. Un estudio publicado por Gartner en 2023 advertía que, si las expectativas del cliente sobre la capacidad del chatbot no se ajustan a la realidad —si el sistema se presenta como capaz de resolver «cualquier cosa»— la insatisfacción tras el primer fallo es mayor que si el cliente hubiese hablado desde el principio con un humano limitado pero honesto sobre sus límites.
Aquí hay un matiz que suele incomodar a los defensores más entusiastas de la automatización total: cuanto más humano suena un chatbot, más alta es la exigencia implícita del usuario, y más dolorosa resulta la caída cuando el sistema falla en algo trivial. Un bot que se presenta explícitamente como asistente automatizado, con un tono funcional y sin fingir empatía que no siente, genera expectativas más bajas y, paradójicamente, mayor satisfacción cuando resuelve bien el problema. La sinceridad sobre la naturaleza artificial de la interacción no es solo una cuestión ética o regulatoria —aunque el Reglamento de IA europeo ya obliga a declarar cuándo se está interactuando con un sistema automatizado—; es también, en términos puramente de conversión, una estrategia más eficaz que disfrazar al bot de persona.
Hay otro escenario en el que la IA generativa introduce riesgo real: las respuestas alucinadas en contextos regulados. Air Canada perdió en 2024 un caso legal después de que su chatbot inventara una política de reembolso por duelo que no existía, y un tribunal canadiense obligó a la aerolínea a honrar esa promesa falsa, argumentando que la empresa es responsable de lo que dice cualquiera de sus canales de atención, humano o automatizado. Ese precedente ha obligado a muchas empresas de sectores regulados —banca, seguros, salud— a limitar deliberadamente la creatividad del modelo en según qué categorías de preguntas, sacrificando naturalidad conversacional a cambio de precisión jurídica. Es una decisión defendible, aunque casi nunca se explica públicamente porque suena a admitir que la IA no está tan controlada como se vende.
Métricas que sí importan, y otras que solo parecen importar
El indicador que casi todas las empresas presumen en sus memorias anuales es la tasa de resolución en el primer contacto sin intervención humana. Es una métrica fácil de mejorar de forma artificial: basta con hacer que el bot no escale nunca al humano, aunque el cliente termine frustrado y abandone el canal sin resolver nada. Esa es la trampa de optimizar por el indicador equivocado.
Las métricas que de verdad predicen fidelización a medio plazo son otras, y conviene distinguirlas con claridad porque en este punto sí aporta valor una comparativa directa:
- Tiempo hasta la resolución real del problema, no hasta el cierre administrativo del ticket.
- Tasa de reapertura de la misma incidencia en los siguientes treinta días, que revela si el bot resolvió de verdad o solo cerró la conversación.
- Sentimiento del cliente medido después de la interacción, no durante ella, porque la satisfacción inmediata tras un chatbot rápido suele desinflarse si el problema reaparece.
- Porcentaje de escaladas a humano que se producen porque el bot lo decide frente a las que fuerza el propio usuario repitiendo «quiero hablar con una persona», indicador este último que casi siempre delata frustración acumulada.
Muy pocas empresas publican estos datos porque son menos favorecedores que la cifra de resolución en primer contacto. Y sin embargo son los que de verdad correlacionan con retención de clientes a doce meses, según varios análisis internos de consultoras de experiencia de cliente que rara vez llegan a hacerse públicos con nombre y cifra exacta, aunque el patrón se repite conversación tras conversación con directores de atención al cliente del sector retail y banca.
El coste oculto de automatizar mal la atención
Hay un cálculo que casi nunca aparece en los business case que justifican estos proyectos ante dirección: el coste de reputación de un chatbot que falla en público. Cuando un cliente insatisfecho comparte en redes sociales la captura de una conversación absurda con un bot corporativo —y esto ocurre con frecuencia creciente, casi siempre viralizado por el componente cómico del error—, el daño de marca supera con creces el ahorro operativo que ese mismo bot ha generado en los meses anteriores.
Esto no es un argumento contra la automatización. Es un argumento a favor de dimensionarla con humildad. Las marcas que gestionan mejor este riesgo no son las que más automatizan, sino las que definen con precisión quirúrgica qué categorías de consulta pueden dejarse enteramente en manos del modelo y cuáles requieren, por su sensibilidad emocional o legal, supervisión humana obligatoria antes de enviar cualquier respuesta. Una cancelación de vuelo por fallecimiento de un familiar, una reclamación médica, una queja formal por discriminación: ninguna de esas categorías debería resolverse jamás sin ojos humanos de por medio, por muy bien entrenado que esté el modelo. No por desconfianza técnica, sino porque hay decisiones que exigen responsabilidad moral, y la responsabilidad moral no se automatiza, se asume.
Integración con humanos, no sustitución de humanos
El error de diseño más costoso, y el más frecuente entre empresas que abordan este tipo de proyectos por presión de reducción de costes más que por convicción estratégica, es pensar el chatbot como sustituto del equipo humano en lugar de como su primera línea de filtrado inteligente. Los equipos de atención al cliente mejor gestionados no han reducido personal tras introducir IA generativa; han redistribuido su tiempo hacia los casos que de verdad requieren criterio, empatía o negociación, dejando que el bot absorba el volumen repetitivo que agotaba a los agentes sin aportarles ningún aprendizaje.
Esa redistribución tiene un efecto colateral positivo que rara vez se menciona: mejora la retención del propio personal de atención al cliente, un puesto tradicionalmente con rotación altísima precisamente por el desgaste emocional de repetir las mismas quince respuestas todo el día. Cuando el bot absorbe ese volumen mecánico, el agente humano pasa a gestionar casos más complejos y, curiosamente, reporta mayor satisfacción laboral. Duolingo, que introdujo IA generativa en distintas capas de su producto y su atención, documentó una reducción de personal de soporte externo en 2023 que generó cierta polémica pública, pero también reconoció internamente que el equipo restante gestiona ahora casos de mayor valor añadido, con métricas de resolución más altas por persona.
La pregunta que las direcciones de experiencia de cliente deberían plantearse no es cuánto personal pueden ahorrarse con IA, sino qué haría ese mismo personal si dejara de dedicar el sesenta por ciento de su jornada a responder las mismas cinco preguntas. La respuesta a esa pregunta, más que cualquier cifra de eficiencia operativa, es la que de verdad determina si la inversión en chatbots va a mejorar la experiencia de cliente o simplemente va a abaratarla.
Dentro de tres o cuatro años, es probable que la distinción entre «hablar con el chatbot» y «hablar con la marca» se difumine hasta desaparecer del vocabulario del cliente, del mismo modo que hoy nadie distingue mentalmente entre pagar con tarjeta física o con el móvil. La pregunta que quedará entonces no será si la IA ha sustituido a las personas en la atención al cliente, sino si las marcas habrán sabido reservar, dentro de esa conversación cada vez más automatizada, algún resquicio genuino de trato humano al que el cliente pueda acudir cuando de verdad lo necesite. Las que no lo hagan tendrán chatbots impecables y clientes cada vez más solos.