Un empleado no entiende algo en un paquete de software y plantea una pregunta. No hay avería, no hay sistema roto, solo falta claridad sobre el uso. Este trabajo recae hoy en el servicio de asistencia técnica o en la gestión funcional, normalmente a través de un sistema de tickets, a veces por teléfono o simplemente en el escritorio del compañero que "lo sabe todo" de ese paquete en particular.
La pregunta que aquí se plantea no es si este trabajo es molesto o valioso. La pregunta es: ¿coincide el patrón de esta tarea con lo que la IA puede hacer hoy con texto?
Tres ejes son aquí decisivos: el volumen, el contacto con el cliente y el grado de estructuración.
El volumen es alto. Las mismas preguntas se repiten, una y otra vez, de diferentes personas: cómo exporto este informe, dónde encuentro este ajuste, por qué recibo este mensaje de error. Ese carácter repetitivo es precisamente en lo que se basa la automatización: una tarea que se presenta cien veces de forma idéntica es distinta de una que se presenta una sola vez y siempre de manera diferente.
El contacto con el cliente es limitado. Quien formula la pregunta es un compañero, no un cliente externo con quien haya que mantener una relación. Se necesita menos reserva para dar una respuesta directa y sin rodeos, y hay menos riesgo de que una respuesta menos fluida se perciba como poco profesional.
El grado de estructuración es alto. La pregunta suele tener una forma fija ("cómo hago X en el sistema Y") y, en la mayoría de las organizaciones, la respuesta ya existe en algún lugar: en un manual, una base de conocimientos, tickets antiguos. Aquí la IA no tiene que inventar algo nuevo, sino recuperar algo existente y reformularlo según la situación de quien pregunta.
A esto se suma que los costes de error y el cumplimiento normativo puntúan favorablemente. Una respuesta incorrecta sobre un botón de exportación rara vez causa daño, y por lo general no existe ninguna obligación legal que establezca que esta respuesta solo pueda darla una persona. No se requieren acciones físicas: se trata puramente de una tarea de lenguaje y conocimiento, lo que explica la puntuación en ese eje.
La creatividad puntúa bajo, y ahí está precisamente el límite. Una pregunta que se sale de los patrones estándar —una combinación inusual de ajustes, un problema que en realidad afecta a tres sistemas, un usuario que no logra expresar bien qué está fallando— requiere a alguien que pueda indagar más y desviarse del guion. El margen de criterio, por tanto, puntúa de forma intermedia: una parte de las preguntas se puede responder de manera inequívoca, otra parte requiere valorar qué quiere decir realmente quien pregunta.
No se trata, por tanto, de una sustitución completa. Es una división: las preguntas que se repiten con frecuencia y tienen una respuesta fija son prometedoras para la IA, con —cuando sea necesario— un empleado que valore la respuesta antes de que se envíe. Las preguntas que se desvían siguen siendo trabajo humano, no porque la IA no quisiera hacer ese trabajo, sino porque el patrón no se presta para ello.
Esto solo funciona si el conocimiento subyacente está en orden. Una base de conocimientos actualizada y unas preguntas frecuentes bien estructuradas no son un asunto secundario, son la condición. Un sistema de IA que responde basándose en un manual de tres versiones atrás da respuestas erróneas con la misma seguridad que las correctas. Las empresas donde la documentación está fragmentada, reside en la cabeza de empleados individuales o nunca se ha mantenido al día, no podrán aprovechar este patrón de inmediato, no porque la tarea sea diferente, sino porque falta la condición previa.
En una organización con un único paquete de software simple y estable y un grupo de usuarios pequeño y experimentado, la proporción de preguntas que se pueden responder mediante IA es probablemente grande: poca variación, mucha repetición. En una organización con decenas de sistemas, mucha personalización y empleados que cambian con regularidad, la situación es distinta: más variación, más preguntas que quedan justo fuera del patrón estándar y, por tanto, una proporción mayor que sigue en manos humanas.
Esta tarea tampoco existe aislada del resto del servicio de asistencia técnica. Quien observe cómo la IA puede registrar y priorizar incidentes o cómo se comunica una avería a los usuarios, verá un patrón comparable de repetición y estructura, con resultados algo distintos por eje. Una visión más amplia de a qué conduce esto en el servicio de atención al cliente en su conjunto se encuentra en qué trabajo puede asumir la IA en el servicio de atención al cliente.
En las empresas donde esto ya está implementado, el servicio de asistencia técnica ve llegar menos preguntas repetitivas a las personas y queda más tiempo para las preguntas que sí requieren indagar más. No se trata de una visión de futuro: ya ocurre hoy, en parte, en organizaciones con una base de conocimientos en orden. En otras organizaciones aún no ocurre, simplemente porque todavía falta la base necesaria.
Qué hace una organización con las horas liberadas —una asignación distinta de roles, un reparto distinto de tareas— es una decisión que corresponde a la propia organización y para la que rigen sus propios requisitos legales; no es una pregunta que se pueda responder mediante un análisis de tareas.
Para ver cómo se traduce este patrón en su propia situación, puede obtener una indicación a través del quickscan gratuito: doce preguntas, sin necesidad de cuenta, con una estimación de qué parte de las horas de su perfil puede asumir hoy la IA. El análisis de trabajo completo, que desglosa en tareas el trabajo de toda una empresa, todavía está en construcción.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.