Cómo automatizar el soporte con IA: deflexión real, no demo

Deflexión real vs. deflexión inflada (cómo te engañan los números)

Cuando alguien te dice "deflectamos el 70% de tickets", la pregunta correcta no es "qué bien", es "cómo lo miden". La deflexión inflada es la trampa más común del sector — y es trivial de detectar si sabes qué buscar:

Los 4 componentes: KB, agente, routing, supervisión

1. Base de conocimiento (KB). Estructurada, versionada, con metadatos. Sin KB sólida, todo lo demás falla.
2. Agente. El LLM que responde, con system prompt claro sobre alcance, tono y límites.
3. Routing. El sistema que decide cuándo escalar a humano y le pasa el contexto resumido.
4. Supervisión. Revisión humana semanal de casos límite + iteración continua del KB y del agente.

Cómo se entrena el agente (no es "subes un PDF")

Entrenar el agente no es subir un PDF — es construir un buen sistema de RAG (Retrieval-Augmented Generation) que recupere la información relevante de tu KB y se la pase al modelo para que la use. El "entrenamiento" en el sentido clásico (fine-tuning) casi nunca aporta más que un buen prompt + buen RAG.

1. Estructura tu KB en bloques cortos y autocontenidos con metadatos (tema, fecha, fuente).
2. Crea embeddings de esos bloques con un modelo apropiado (OpenAI ada o equivalente open-source).
3. Configura el retrieval: cuántos bloques recuperar por consulta, umbral de similaridad, re-ranking.
4. Escribe el system prompt con instrucciones claras sobre cómo usar el contexto recuperado.
5. Configura el escalado: en qué casos NO debe responder y debe pasar a humano.

El bucle de mejora continua

El soporte IA no es "lo dejas montado y a ver qué pasa". Es un bucle semanal de mejora con cuatro pasos:

1. Revisión semanal de casos límite. El humano supervisor analiza 30-50 conversaciones aleatorias y marca aciertos/errores.
2. Actualización del KB. Las preguntas nuevas o mal respondidas se documentan correctamente.
3. Ajuste del agente. Los errores sistémicos se corrigen tocando el prompt o el routing.
4. Evals automáticas. Un set de inputs representativos se ejecuta tras cada cambio para detectar regresiones.

Costes, SLAs y cuándo no merece la pena