Actualizar datos de contacto, preferencias y estados en un CRM tras una interacción o un cambio es una de las tareas donde la IA ya puede hacerse cargo hoy de gran parte del trabajo. No porque la IA sea lo bastante "inteligente" para comprender a los clientes, sino porque la tarea en sí exige poca interpretación. Un cambio de dirección, un nuevo número de teléfono, un cambio de estado de lead a cliente: son campos que se rellenan, no que se valoran.
Tres ejes son aquí decisivos: estructuración, volumen y coste del error.
La estructuración obtiene una puntuación alta porque un CRM funciona por definición con campos fijos. Un nombre, una dirección de correo electrónico, una categoría de preferencia: son datos con un lugar fijo y un formato fijo. No hay texto libre que deba interpretarse, ni contexto que deba sopesarse. Eso hace que la tarea sea apta para el procesamiento basado en reglas: si el campo X cambia en la fuente Y, actualice el campo X en el sistema Z.
El volumen es igualmente alto. En una empresa con una base de clientes considerable se trata de decenas o cientos de cambios al día, repartidos en actuaciones sueltas y pequeñas. Precisamente el tipo de trabajo en el que un patrón recurrente y predecible pesa más que las excepciones incidentales. Un volumen alto combinado con una estructuración alta es la combinación en la que la automatización se amortiza más rápido.
El coste del error se sitúa en un nivel intermedio. Un número de teléfono actualizado incorrectamente es molesto, pero por lo general se puede corregir en el siguiente contacto. En campos más sensibles, como las preferencias de pago o el consentimiento para comunicaciones de marketing, los errores pesan más. Por eso la validación no es un paso superfluo, sino una condición.
El margen de juicio y el contacto con el cliente obtienen una puntuación media a alta, y ahí es precisamente donde está el matiz. Una parte de los cambios de estado es inequívoca: un cliente se muda, cambia la dirección, listo. Pero no todos los cambios son tan sencillos. Cuando un empleado de atención al cliente debe valorar, tras una llamada telefónica, si una queja justifica un cambio de estado a "riesgo de cancelación", eso ya no es introducción de datos, sino un juicio. Esa parte sigue siendo trabajo humano, o como mínimo se presenta a un empleado que la aprueba o la rechaza con motivo.
En una empresa con un perfil de cliente sencillo y pocas excepciones, la proporción que la IA puede asumir es, por tanto, mayor que en una empresa con relaciones de cliente complejas, muchos acuerdos a medida o datos personales sensibles. El cumplimiento normativo también influye aquí: cuanto más afecte un campo a información sensible según el RGPD o a acuerdos contractuales, antes será deseable un control humano antes de que un cambio se haga definitivo.
La técnica que ya se aplica hoy es principalmente rpa: software que, según reglas fijas, traslada datos de una fuente a otra, señala registros duplicados y rellena campos según una asignación fija. No se trata de inteligencia artificial que "comprenda" quién es el cliente, sino de procesamiento automatizado de entradas estructuradas.
Tres condiciones marco determinan si eso funciona:
Si falta una de estas tres condiciones, la tarea vuelve a desplazarse a la segunda categoría: la IA hace la propuesta, un empleado la aprueba o la rechaza.
Lo que cambia ahora no es que los empleados se vuelvan superfluos, sino que su tiempo se desplaza del trabajo de introducción de datos al trabajo de control. Donde antes un empleado escribía a mano un cambio de dirección, ahora ese empleado valora una lista de cambios propuestos y hace clic en aprobar o no aprobar. Es una tarea distinta, con una dedicación de tiempo distinta, no necesariamente menos trabajo, pero sí un trabajo diferente.
Este cambio va en paralelo a lo que ocurre en la introducción de pedidos en el sistema y en el control y la comunicación del estado de los pedidos: también ahí el patrón es entrada estructurada, volumen alto, coste del error limitado, con excepciones que siguen quedando en manos de una persona. Quien se pregunte cómo se relaciona esto con otras tareas orientadas al cliente encontrará una ponderación similar en proporcionar información sobre existencias y plazos de entrega, donde se da la misma tensión entre rapidez y los casos que requieren algo más de explicación. Y para quien vea el trabajo de CRM sobre todo como parte de un proceso más amplio, la visión de conjunto de el trabajo en el departamento financiero es un buen punto de partida, ya que los datos de clientes y de facturación a menudo comparten los mismos sistemas de origen.
Si esto se implementa dentro de una organización, y con qué rapidez, no es solo una cuestión técnica. Las consecuencias para el personal que eventualmente se deriven de ello quedan sujetas a los propios requisitos legales del empleador; esta página no se pronuncia al respecto.
Esta página describe una tarea de forma aislada. La imagen real solo surge cuando esta tarea se observa junto a las demás tareas dentro de una empresa: algunas con un perfil comparable, otras completamente distintas. Para obtener una primera impresión de ello, existe un análisis rápido gratuito: doce preguntas, sin necesidad de cuenta, cuyo resultado es una indicación de qué parte de las horas de ese perfil puede asumir hoy la IA. El análisis de trabajo completo, que desglosa el trabajo de una empresa en tareas y calcula, tarea por tarea, su equivalencia en capacidad de fte, 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.