Chatbot de atención al cliente: atendía a todo el mundo y no resolvía casi nada
Caso real · Servicio de atención con un asistente que abría pidiendo datos, respondía en frío y no sabía pasar el caso a una persona
Un chatbot de atención al cliente que frustra rara vez falla por la tecnología. Falla porque nadie diseñó la conversación: cómo empieza, qué puede resolver, cómo habla y qué hace cuando no sabe. Hoy es fácil poner en marcha un asistente o un agente de IA de atención al cliente conectado a los contenidos de ayuda. Que ayude es otra cosa.
El coste de un bot mal diseñado se reparte en sitios que nadie mira juntos. Clientes que cierran la ventana y escriben por otro canal, más enfadados que al principio. Agentes que reciben casos sin contexto y tienen que empezar de cero. Y una marca que, en la primera conversación, ha sonado como un formulario.
El punto de partida: un asistente instalado, no diseñado
«Pusimos un chatbot y la gente se frustra: respuestas frías, flujos que no llevan a ningún sitio y una entrada brusca.»
Una empresa de servicios con un volumen alto de consultas repetitivas: estado de pedidos, cambios, facturas, incidencias sencillas. Meses antes había implantado un asistente con IA conectado a su centro de ayuda, con la expectativa de descargar al equipo de atención.
La entrada era un formulario. Antes de saber qué quería la persona, el asistente pedía nombre, correo y número de cliente. Una parte importante de los usuarios abandonaba en ese primer paso.
Las respuestas eran correctas y frías. El asistente contestaba con fragmentos literales de los artículos de ayuda, largos y en un tono que no se parecía en nada al de la marca.
No sabía cuándo parar. Si no entendía la consulta, la reformulaba o respondía algo parecido. Algunas conversaciones daban vueltas durante varios mensajes sin llegar a ningún sitio.
El paso a una persona no existía o llegaba tarde. Cuando por fin se derivaba a un agente, el caso llegaba sin contexto y el cliente tenía que repetir todo lo que ya había contado.
Tres costes en tres sitios distintos
Clientes más enfadados que antes. Quien abandonaba el chat no dejaba de tener el problema. Llamaba o escribía por correo, ahora con la sensación de haber perdido el tiempo.
Agentes con más trabajo, no menos. Los casos derivados llegaban sin información y había que empezar de nuevo. El asistente, pensado para descargar al equipo, añadía un paso más a muchas conversaciones.
Una marca que sonaba a otra. La primera conversación de muchos clientes con la empresa era con un asistente que no hablaba como ella. Eso pesa en la percepción de todo el servicio.
Lo que descartamos
Cambiar de plataforma o de modelo. Era la primera idea del equipo técnico. El problema no estaba en la capacidad del asistente, sino en lo que se le había pedido que hiciera y en cómo. La misma tecnología, con una conversación diseñada, resuelve; sin ella, frustra.
Cargar más contenido y seguir. Añadir artículos y respuestas a un recorrido mal planteado solo hace que el asistente se equivoque con más información. Primero había que decidir qué conversaciones debía resolver y cómo terminaban; el contenido venía después.
Prometer que el asistente lo resuelve todo. Un bot que intenta con todo acaba atrapando a la gente en conversaciones sin salida. Diseñar bien incluye decidir qué no hace y cuándo cede el paso.
El objetivo no era que el asistente atendiera más conversaciones, sino que cada una terminara bien: resuelta o en manos de una persona con el contexto completo.
La condición que decide el proyecto: diseño conversacional antes que tecnología
Un asistente conversacional es una experiencia completa, con principio, recorrido y final. Por eso ordenamos el trabajo alrededor de cuatro decisiones de diseño, antes de tocar ninguna configuración técnica.
| Decisión | Qué pregunta responde | Qué dejamos de aceptar |
| Entrada | Qué puede hacer por mí este asistente | Pedir datos antes de saber qué se quiere |
| Alcance | Qué resuelve y qué no | Respuestas aproximadas a lo que no sabe |
| Voz | Cómo habla la marca en una conversación | Fragmentos literales de los artículos de ayuda |
| Salida | Cuándo y cómo pasa a una persona | Derivar sin contexto o no derivar nunca |
Cómo rediseñamos la conversación del chatbot
1. Diseñar los recorridos desde conversaciones reales
Revisamos conversaciones reales del asistente y del equipo de atención para ver qué pedía la gente de verdad y con qué palabras. Pocas intenciones concentraban la mayor parte del volumen. Decidimos que el asistente las resolviera bien de principio a fin, en lugar de intentar cubrirlo todo a medias.
2. Una entrada que explica y no interroga
La conversación pasó a empezar presentando lo que el asistente puede hacer y preguntando qué necesita la persona. Los datos solo se piden cuando hacen falta para resolver algo concreto, y se explica para qué. La primera línea decide si la persona sigue o cierra la ventana.
3. La voz de la marca, también en el chat
Definimos cómo habla la marca en una conversación, un trabajo de UX writing: frases cortas, lenguaje llano, respuestas que van al grano y ofrecen el siguiente paso. Ajustamos las instrucciones y los contenidos que usa el asistente para que respondiera así, y no con el texto literal de los artículos de ayuda.
4. Límites claros y paso a una persona con contexto
Decidimos qué no debía intentar el asistente, como reclamaciones o casos con dinero en juego, y cuándo ceder el paso: si no entiende tras un par de intentos, si la persona lo pide o si el caso lo exige. Cuando deriva, el agente recibe la conversación y los datos ya recogidos, y el cliente no repite nada.
5. Medir cómo terminan las conversaciones
Cambiamos lo que se medía. En lugar de cuántas conversaciones atendía el asistente, pasamos a medir cuántas terminaban resueltas o bien derivadas, dónde se abandonaban y cómo valoraba la persona la conversación. Con esos datos revisamos cada mes los recorridos y el contenido.
Resultado
Las conversaciones que terminaban resueltas o derivadas con contexto pasaron de algo más de un tercio a unas tres de cada cuatro.
El abandono en el primer mensaje cayó a menos de la mitad al desaparecer el formulario de entrada.
La valoración de las conversaciones subió de 2,6 a 4,1 sobre 5 en el primer trimestre.
El equipo de atención empezó a recibir los casos derivados con la información necesaria. Las conversaciones con agentes se acortaron y dejaron de empezar con una disculpa por el bot.
La relación del equipo con el asistente cambió. Pasó de ser algo que había que compensar a ser un primer filtro que les quitaba las consultas repetitivas y les pasaba bien las demás.
Lo que más pesa a medio plazo es que la empresa tiene un criterio para decidir qué más puede hacer el asistente. Cada nueva intención se añade con su recorrido, su voz y su salida, no como un artículo más en la base de ayuda.
Por qué lo hacemos así
Mejorar un chatbot no exige cambiar de tecnología ni cargarle más contenido. Casi siempre falta diseño, y eso se resuelve con tres cosas:
- Partir de las conversaciones reales y resolver bien pocas intenciones antes que muchas a medias.
- Diseñar la entrada, la voz de la marca y los límites del asistente como parte de la experiencia.
- Asegurar una salida hacia una persona con el contexto completo, y medir cómo terminan las conversaciones.
Dónde no aplica: si el volumen de consultas es bajo o casi todas requieren criterio humano, como reclamaciones complejas o ventas consultivas, un asistente aporta poco y un buen formulario o un teléfono atendido funcionan mejor. Y si el contenido de ayuda está desactualizado, el primer trabajo es ponerlo al día.
Preguntas frecuentes
¿Por qué frustra un chatbot de atención al cliente?
Casi siempre por falta de diseño de la conversación, no por la tecnología. Los fallos más habituales son una entrada que pide datos antes de saber qué quiere la persona, respuestas largas copiadas de la ayuda, recorridos que no terminan en nada y ninguna salida hacia un agente. El usuario siente que habla con un muro y acaba escribiendo por otro canal, más molesto que al empezar.
¿Cómo se mejora la experiencia de un chatbot con IA?
Diseñando la conversación completa: qué intenciones resuelve de principio a fin, cómo se presenta, con qué voz responde, qué no debe intentar y cuándo pasa el caso a una persona con el contexto recogido. Sobre ese diseño se ajustan las instrucciones y los contenidos que usa el asistente. Después hay que medir cómo terminan las conversaciones y revisar los recorridos con esos datos de forma periódica.
¿Hace falta cambiar de plataforma o de modelo para que el chatbot funcione mejor?
Rara vez es lo primero. Si el asistente no tiene un alcance definido, una voz clara ni una salida hacia una persona, otra plataforma reproducirá los mismos problemas. Cambiar de tecnología tiene sentido cuando hay límites técnicos concretos, como integraciones, idiomas o coste. Conviene rediseñar primero la conversación y decidir la tecnología con los resultados de ese rediseño ya medidos.
¿Cuándo debe un chatbot pasar la conversación a una persona?
Cuando no entiende la consulta tras un par de intentos, cuando la persona lo pide y cuando el caso lo exige por su naturaleza, como una reclamación, un tema con dinero en juego o una situación delicada. Lo importante es cómo se deriva: el agente debe recibir la conversación y los datos ya recogidos, para que el cliente no tenga que repetir nada de lo que ya contó.
¿Qué métricas sirven para evaluar un chatbot?
Las que miden cómo terminan las conversaciones, no cuántas hay. Las más útiles son la proporción de conversaciones resueltas o bien derivadas, el punto en el que se abandonan, la valoración de la persona al terminar y la calidad de los casos que llegan a los agentes. El número de conversaciones atendidas dice poco por sí solo y puede crecer mientras la experiencia empeora.
¿Qué es mejor, un chatbot con IA o uno con flujos cerrados?
Depende de las consultas. Los flujos cerrados funcionan bien para trámites muy repetitivos y previsibles, como consultar un pedido. Un asistente con IA gestiona mejor preguntas formuladas de muchas maneras. En la práctica suele funcionar una combinación: recorridos diseñados para las intenciones más frecuentes y la IA para entender y responder el resto, siempre con límites claros y una salida hacia una persona.
¿Has probado tu propio chatbot como si fueras un cliente con prisa y un problema que no está en la ayuda? Si no sabes cómo terminaría esa conversación, tus clientes sí lo saben.
Cuéntanos qué consultas recibe tu asistente y cómo terminan hoy, y en la primera conversación sabremos si el problema está en el diseño de la conversación, en el contenido que usa o en cómo pasa los casos a tu equipo.
Otros casos de uso
Otros proyectos donde resolvimos el mismo tipo de problema.