Agente de IA de soporte: 217 200 USD de ahorro al año
Un agente de IA de soporte con umbral de confianza resuelve solo el 64 % de los tickets y reduce los costos un 62 %: 217 200 USD de ahorro el primer año.
Con 12 millones de USD de ingresos anuales y un crecimiento interanual del 40 %, la marca ganaba en producto y en marketing mientras el soporte se venía abajo. Seis agentes atendían unos 4800 tickets al mes en Gorgias. El tiempo promedio de primera respuesta había subido a 4,2 horas, con picos de más de 12 horas durante los lanzamientos, y el CSAT había caído de 4,6 a 3,9 en seis meses.
El análisis de los tickets dejó clara la causa. Cerca del 70 % del volumen correspondía a categorías previsibles: estado del pedido (23 %), medidas y compatibilidad (18 %), devoluciones y cambios (16 %), códigos de descuento (8 %) y política de envíos (5 %). Cada una de estas consultas, que se resuelven aplicando reglas, seguía ocupando de 6 a 8 minutos de un agente, mientras los 1500 tickets mensuales que de verdad necesitaban a una persona esperaban en la cola.
El fundador lo resumió sin rodeos: seis personas, con un costo de 58 000 USD cada una, respondían las mismas 15 preguntas 3000 veces al mes. Ya se había probado un chatbot de Gorgias basado en reglas. Atendía cerca del 8 % de los tickets antes de que los clientes lo esquivaran.
Primero se hizo una evaluación de preparación para la IA, por 8000 USD: clasificación de 28 400 tickets de 6 meses de historial en Gorgias, auditoría de todas las fuentes de conocimiento (catálogo de Shopify con 420 referencias, políticas, guías de medidas, datos de seguimiento de ShipStation) y evaluación de la arquitectura. Se descartó el fine-tuning, porque habría fijado en el modelo las incoherencias de las respuestas históricas de los agentes. Se eligió un pipeline RAG con GPT-4o y uso de herramientas: el agente basa cada respuesta en los datos actuales de productos, políticas y pedidos. La evaluación estimó que entre el 60 y el 70 % de los tickets se podía automatizar, con un ahorro anual de 180 000 a 240 000 USD.
El desarrollo puso el conocimiento sobre productos, políticas y pedidos detrás de una búsqueda semántica (Pinecone, con sincronización nocturna con Shopify) y conectó un acceso seguro por API a Shopify y ShipStation para consultar los pedidos en tiempo real. El agente funciona con umbrales de confianza: solo responde de forma autónoma cuando la confianza en la clasificación de la intención supera 0,85 y la relevancia de lo recuperado supera 0,80. Por debajo de cualquiera de los dos umbrales, el ticket pasa a una persona con el borrador de la IA y el contexto ya cargados. El agente también puede actuar: iniciar devoluciones, generar etiquetas, aplicar códigos de descuento y actualizar direcciones, siempre con la confirmación del cliente.
Las pruebas con 2000 tickets históricos de resolución conocida dieron un 94,2 % de precisión en la clasificación de la intención, un 91,7 % de precisión en las respuestas, un 99,1 % de cumplimiento de las políticas y una nota de 4,3 sobre 5,0 en la similitud de tono con el mejor agente del equipo. El despliegue se hizo por etapas durante dos semanas: el 10 % de los tickets con revisión humana completa, después el 30 % con revisión solo de los casos marcados y, por último, el 100 % de los tickets aptos de forma autónoma.
En los primeros 90 días de despliegue completo frente a los 90 días anteriores: la IA resolvió 3149 tickets al mes (64 %) sin intervención humana, los tickets que requerían a una persona bajaron un 63 %, hasta 1771 al mes, y el tiempo de primera respuesta pasó de 4,2 horas a 6 minutos en las respuestas de la IA y a 1,8 horas en las humanas. El CSAT se recuperó de 3,9 a 4,5.
El costo operativo mensual del soporte bajó de 29 200 a 11 100 USD, una reducción del 62 % que equivale a 217 200 USD al año. Frente a una inversión de 92 000 USD en el primer año (8000 USD de evaluación, 42 000 USD de desarrollo y 3500 USD al mes de operación), el ROI neto del primer año fue de 125 200 USD (136 %), con la inversión recuperada en 5,1 meses.
Tres agentes pasaron a dedicarse al contacto proactivo, la gestión de clientes VIP y la experiencia posterior a la compra, lo que contribuyó a un aumento del 14 % en la tasa de recompra al trimestre siguiente. Durante una campaña de ofertas con el doble del volumen habitual de tickets, la IA mantuvo un tiempo promedio de respuesta de 4 minutos. El equipo formado solo por personas había promediado 14 horas en campañas comparables.
Tenía mis dudas. Ya habíamos probado un chatbot y fue vergonzoso: los clientes lo detestaban. El enfoque de Gigabit fue completamente distinto. Dedicaron dos semanas a entender nuestro negocio antes de escribir una línea de código. El agente de IA atiende ahora dos tercios de nuestros tickets mejor de lo que lo hacía nuestro agente humano promedio. Y nuestros mejores agentes por fin tienen tiempo para el trabajo que de verdad construye relaciones con los clientes.
Nuestros casos de éxito publicados son, en su mayoría, de empresas de Norteamérica. Todos los importes están en dólares estadounidenses (USD). El cliente es anónimo.
