La nueva fase de la IA en centros de contacto tiene que ver con el control
La experiencia del cliente se convirtió en el termómetro más honesto de cualquier estrategia de inteligencia artificial en operación real. Y es exactamente ese termómetro el que está forzando un gran giro en las empresas que usan IA en sus centros de contacto.
Durante años, el objetivo era simple: poner la IA en marcha lo más rápido posible. Mostrar automatización, recortar costos, presentar números bonitos ante la dirección. Pero ese ciclo quedó atrás. Ahora, las preguntas que están sobre la mesa son mucho más difíciles y mucho más importantes.
¿La IA está funcionando de verdad? ¿Para qué clientes? ¿En qué situaciones? ¿Y cómo sabríamos si no lo estuviera?
Esas preguntas pusieron dos temas en el centro del debate: observabilidad y gobernanza. No como conceptos técnicos aislados en el equipo de TI, sino como pilares reales de operación, con impacto directo en quien usa el servicio en el día a día.
Lo que vas a encontrar aquí es un panorama de cómo las empresas están enfrentando este nuevo momento, lo que especialistas de peso están diciendo al respecto y por qué controlar la IA en producción puede ser la ventaja competitiva más subestimada del sector ahora mismo. 🎯
El problema invisible que nadie quería ver
Durante mucho tiempo, los centros de contacto trataron la inteligencia artificial como una solución de estantería. Contratas el servicio, configuras los flujos, entrenas el modelo con las FAQs de la empresa y pones todo a funcionar. Así de simple, al menos en teoría. En la práctica, lo que ocurría era bien diferente: el modelo respondía bien en las situaciones previstas, pero tropezaba feo en todo lo que se salía del guion. Y lo peor de todo, nadie sabía exactamente cuándo estaba pasando eso ni por qué.
El cliente colgaba el teléfono frustrado, y la empresa se quedaba mirando dashboards que mostraban tasas de resolución aparentemente saludables. Era una falsa sensación de control que costó, y todavía cuesta, muy caro en términos de experiencia del cliente.
Michelle Brigman, directora de centros de contacto en Quantum Metric, resume bien esta transición. Según ella, hace uno o dos años, la presión era poner el bot en marcha, automatizar los tipos de llamada y mostrar la reducción de costos. Ahora, las preguntas más difíciles están apareciendo: ¿está funcionando? ¿Para qué clientes? ¿Bajo qué condiciones? ¿Y cómo sabría si no lo estuviera?
Brigman complementa que esas preguntas ya no son sobre adopción, son sobre control. Y hace una observación que da justo en el punto central de la discusión: los clientes no experimentan tu estrategia de IA, experimentan una única interacción. Y cuando esa interacción produce una respuesta equivocada con confianza o un bucle del que no pueden salir, no culpan a la tecnología, culpan a la marca.
Este escenario se hizo más evidente conforme los modelos fueron volviéndose más complejos. Con la llegada de los grandes modelos de lenguaje, los large language models, la capacidad de respuesta creció mucho, pero la previsibilidad disminuyó en la misma proporción. Un modelo que puede conversar sobre prácticamente cualquier tema también puede derivar hacia respuestas inadecuadas, inconsistentes o simplemente erróneas, sin que ninguna alerta salte en el panel de la operación.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Es aquí donde el concepto de observabilidad entra con toda la fuerza: la capacidad de ver lo que está ocurriendo dentro del sistema en tiempo real, de entender el comportamiento del modelo no solo en los casos de éxito, sino especialmente en los casos de falla, desvío y ambigüedad.
Lo que diferencia la observabilidad de un simple monitoreo de métricas es justamente la profundidad. Monitorear es contar cuántas interacciones fueron resueltas. Observar es entender cómo fueron resueltas, qué caminos tomó el modelo, dónde titubeó, qué priorizó y qué ignoró. Para los centros de contacto, esto representa un cambio de paradigma enorme. Ya no es suficiente saber que el bot atendió diez mil llamadas. Necesitas saber si atendió bien, a quién, en qué contextos y con qué consistencia a lo largo del tiempo.
Escalar la IA sin perder las riendas
Bhaskar Jayakrishnan, vicepresidente senior de ingeniería y experiencia del cliente en Cisco, explica que hubo un cambio claro: el foco dejó el simple deploy y se fue hacia la operación a escala. Según él, a medida que la IA se incorpora al engagement real con el cliente, la fiabilidad y la confianza pasan a importar tanto como la capacidad técnica del modelo.
Jayakrishnan destaca que operar IA en ambientes dinámicos y reales de atención al cliente exige nuevas disciplinas. Esas disciplinas incluyen observabilidad, pruebas rigurosas y gobernanza clara para entender cómo se comportan los sistemas en producción. Él advierte que las aplicaciones de IA no pueden funcionar sin un conjunto completo de observabilidad y seguridad incorporados, especialmente cuando funcionan como infraestructura de misión crítica.
En su visión, las organizaciones necesitan visibilidad, rendición de cuentas y supervisión humana integradas en los sistemas de IA, garantizando que sigan cumpliendo objetivos de negocio y expectativas regulatorias. Y cuando esos guardrails se implementan de la forma correcta, no limitan la innovación. Al contrario, permiten que la IA escale de forma responsable y con confianza.
Este punto es esencial porque deshace un mito que todavía circula en muchas empresas: el de que control y velocidad son antagónicos. En la práctica, las organizaciones que invierten en estructuras de control robustas logran escalar con más velocidad, porque tienen la seguridad para experimentar, iterar y corregir de forma ágil. En cambio, las que operan sin esas estructuras terminan frenadas por el miedo a romper algo que nadie entiende completamente.
Gobernanza no es burocracia, es estrategia
Cuando el tema es gobernanza de inteligencia artificial, existe una resistencia natural en muchas empresas. La palabra carga un peso de procesos lentos, comités, aprobaciones interminables y documentación que nadie lee. Pero esa visión está equivocada, y cada vez más los líderes de tecnología y operaciones se están dando cuenta de ello.
Gobernanza, en el contexto de IA en producción, es esencialmente definir quién decide qué, basándose en qué datos y con qué criterios de calidad. Es crear una estructura que permita que la IA evolucione sin perder el control sobre lo que está haciendo y cómo está impactando el negocio, especialmente la experiencia del cliente.
Suresh Kumar Bennet, vicepresidente ejecutivo y head global de servicios de procesos de negocio en Hexaware, añade que la gobernanza se está volviendo cada vez más integrada a las operaciones del día a día, en lugar de ser tratada como una función separada. Según él, las organizaciones necesitan visibilidad clara sobre cómo los sistemas de IA toman decisiones, especialmente en escenarios orientados al cliente donde precisión, equidad y transparencia son fundamentales.
Bennet destaca además que al mismo tiempo es necesario garantizar que esos sistemas cumplan consistentemente con las exigencias regulatorias y las expectativas de los clientes en relación con confianza y experiencia. Esto está impulsando un enfoque más estructurado y proactivo hacia la supervisión, con mayor alineación entre gestión de riesgos, frameworks de compliance y desempeño operacional en tiempo real, en lugar de depender de revisiones periódicas o políticas estáticas.
En los centros de contacto más maduros del mercado, la gobernanza ya se trata como parte del producto, no como una capa extra añadida después. Esto significa que antes de que cualquier nuevo modelo o funcionalidad vaya a producción, existe un conjunto claro de criterios que deben cumplirse:
- Pruebas con escenarios adversariales
- Validación de respuestas en diferentes perfiles de usuario
- Análisis de posibles sesgos en las respuestas
- Definición de límites claros sobre lo que la IA puede o no decidir por sí sola
Esto no es paranoia, es responsabilidad operacional. Y las empresas que lo están haciendo bien están cosechando resultados concretos: menos escalamientos innecesarios, mayor satisfacción del cliente y una capacidad mucho mayor de identificar y corregir problemas antes de que se conviertan en crisis. 🔍
Otro punto central de la gobernanza es la trazabilidad. En un ambiente regulado como el de servicios financieros o salud, por ejemplo, no basta con que la IA tome la decisión correcta. Es necesario poder explicar por qué tomó esa decisión, basándose en qué información y siguiendo qué reglas. Esto tiene un nombre técnico, explainability, y se está convirtiendo en un requisito no solo regulatorio, sino también comercial. Clientes y empresas socias están comenzando a exigir transparencia sobre cómo operan los sistemas de inteligencia artificial. Ignorar esto es dejar una vulnerabilidad enorme abierta en el negocio.
Operaciones redefinidas con la IA en el centro
El cambio que está ocurriendo no se trata solo de añadir nuevos cargos al organigrama. Bennet explica que la transformación es más profunda: se trata de redefinir cómo se conducen las operaciones con la IA incorporada al núcleo de los procesos. Aunque están surgiendo funciones como líderes de operaciones de IA y gestores de gobernanza, lo más relevante es la responsabilidad compartida que se forma entre equipos de datos, tecnología y operaciones sobre cómo la IA rinde en ambientes reales.
Según Bennet, esto incluye la responsabilidad sobre los resultados, garantizando que los sistemas no solo respondan correctamente, sino que realmente resuelvan las necesidades de los clientes. Él agrega que esto requiere una coordinación más estrecha entre agentes de IA y agentes humanos, con caminos de escalamiento claros, controles de humano en el circuito y ciclos de feedback continuos.
En la visión de Bennet, las responsabilidades están evolucionando del simple deploy de IA hacia la gestión activa y optimización de cómo se realiza el trabajo entre sistemas de IA y humanos, con la rendición de cuentas vinculada a resultados y no solo a la implantación.
Brigman complementa esta perspectiva observando que la responsabilidad sobre cómo la IA rinde en ambientes reales de atención al cliente todavía tiende a caer en una brecha entre TI, operaciones, digital y el propio centro de contacto. En su visión, el cambio que necesita ocurrir es colectivo: cada función que toca el recorrido del cliente tiene participación en definir lo que significa estar listo para producción, y en exigir la visibilidad y los controles para validar eso de forma continua, no solo en el lanzamiento.
Métricas que realmente importan
La elección de las métricas correctas para evaluar si un sistema de IA está operando de forma confiable es otro tema que ganó protagonismo. Brigman sugiere empezar por la demanda de fallo: el porcentaje del volumen de contactos que proviene de clientes que desistieron porque algo no funcionó en el primer intento. Si ese número sigue subiendo conforme la IA maneja más interacciones, estás resolviendo problemas superficiales mientras agrvas los más profundos.
Ella también destaca los contactos repetidos por el mismo problema como un indicador crítico. Y trae a colación la completitud del recorrido, es decir, si el cliente realmente logró hacer lo que vino a hacer. Es posible tener una interacción aparentemente limpia y eficiente, pero aún así tener un cliente que abandonó a mitad de camino. Y es ahí donde la confianza en la marca comienza a deteriorarse.
Bennet complementa que las métricas más efectivas conectan el desempeño del sistema directamente con los resultados para el cliente, y no solo con la calidad de la interacción aislada. Él recomienda que los centros de contacto prioricen:
Herramientas que usamos a diario
- Tasa de resolución, incluyendo resultados contenidos por la IA y asistidos por la IA
- Tiempo hasta la resolución, para medir la efectividad de punta a punta
- Tasas de contención y escalamiento, pero solo en el contexto de si las necesidades del cliente fueron realmente resueltas y cómo se condujeron las transiciones hacia agentes humanos
- Métricas de experiencia como CSAT o esfuerzo del cliente, medidas específicamente para interacciones conducidas por IA
Según Bennet, juntos estos indicadores ofrecen una visión más clara de cuán confiablemente los sistemas de IA están resolviendo las necesidades de los clientes y mejorando el desempeño general de la operación.
Pruebas como disciplina continua, no como checkpoint
Bennet hace hincapié en que las pruebas necesitan convertirse en una disciplina continua, y no solo en una etapa previa al deploy. Según él, las empresas deben combinar validación estructurada con monitoreo continuo de interacciones en vivo para identificar brechas y refinar el desempeño de los sistemas.
Esto incluye el uso de datos del mundo real para someter los sistemas a pruebas de estrés, validar casos extremos y garantizar un comportamiento consistente a lo largo del tiempo. Este enfoque permite que las organizaciones evolucionen sus sistemas de IA de forma controlada, manteniendo la alineación con las expectativas de experiencia del cliente y minimizando riesgos no intencionados.
En la práctica, esto significa que la validación de la IA nunca termina. Cada nueva interacción es una oportunidad de aprendizaje, y cada desvío de comportamiento identificado es una oportunidad de ajuste antes de que el impacto llegue al cliente. Las empresas que adoptan esta mentalidad están creando un ciclo virtuoso donde la IA mejora continuamente, orientada por datos reales y no solo por suposiciones internas.
Por qué esto importa para la experiencia del cliente
Al final del día, toda la discusión sobre observabilidad y gobernanza converge en un único punto: el cliente. La experiencia del cliente en un centro de contacto es moldeada por cada interacción, y cuando la inteligencia artificial está en el camino de esas interacciones, tiene el poder de elevar o destruir esa experiencia dependiendo de cómo se controle.
Un cliente que recibe una respuesta inconsistente, que necesita repetir su solicitud varias veces o que es mal direccionado por el sistema automatizado no va necesariamente a quejarse de la IA, pero se va a quejar de la empresa. Y esa percepción negativa se acumula.
Lo que las organizaciones más exitosas están aprendiendo es que tratar la experiencia del cliente como un dato de entrada para las decisiones sobre IA, y no solo como un resultado esperado, cambia completamente la dinámica. Cuando recoges señales de insatisfacción, hesitación o confusión durante las interacciones y las usas para ajustar el comportamiento del modelo de forma continua, la IA comienza a volverse genuinamente más útil con el tiempo. Esto no ocurre por accidente, y no ocurre sin observabilidad. Necesitas ver lo que está pasando para poder mejorar.
La buena noticia es que este ciclo virtuoso, donde gobernanza y observabilidad alimentan la mejora continua de la experiencia del cliente, es totalmente alcanzable con las herramientas y metodologías disponibles hoy. Lo que falta, en la mayoría de los casos, no es tecnología, es compromiso organizacional con ese modelo de operación.
Las empresas que entiendan esto ahora y coloquen estos pilares en el centro de su estrategia de inteligencia artificial para centros de contacto van a sacar ventaja de una forma que será muy difícil de alcanzar después. Poner la IA en marcha fue solo el comienzo. Hacer que funcione bien, de forma consistente y bajo supervisión real, es el juego que está en curso ahora mismo. 🚀
