La colaboración entre los equipos de ASISA y Vozitel ha sido esencial para el éxito de esta implantación.
MANTENIENDO EL CONTROL OPERATIVO Y LA CX
igual que una persona consul- taría un manual antes de res- ponder. La ventaja es enorme: cuando algo cambia, ya sea una pauta, un mensaje o un protocolo, basta con actualizar esa base de conocimiento, sin tocar el modelo ni reentrenar nada”, señalan desde Vozitel. Por otro lado, siguiendo la segunda estrategia ( Few-shot prompting ), se le proporcionó al modelo un conjunto reduci-
do de ejemplos reales de cómo debía comportar- se en distintas situacio- nes: cómo responder a una pregunta ambigua, cómo reaccionar ante una respuesta confu- sa, o cómo reformular algo si el paciente no lo entendía. “Con apenas unos pocos ejemplos bien elegidos, el modelo aprende el tono, el estilo y la lógica deseados sin necesidad de un proce- so de entrenamiento for- mal. Es una técnica muy eficiente: los resultados son prácticamente in- distinguibles de los que ofrecería un modelo en- trenado específicamen- te, pero con una fracción del coste y del tiempo”, puntualizan los respon- sables de Vozitel.
DATOS CONSOLIDADOS • Alta Volumetría: Se gestionó un volumen masivo de 26.525 llamadas durante la campaña. • Resolución autónoma: Se alcanzó un ratio de éxito global del 90% en la gestión de interacciones. Un 18,39% de las llama- das se filtraron y cerraron de forma 100% autónoma sin derivar a un humano. • Cualificación perfecta: El 63,58% de las llamadas transferidas ya contaban con la validación médica (triaje) realizada por el callbot . • Ahorro de costes (Impacto ROI): Se re- dujo un 90% el coste del triaje telefónico, lo que se tradujo en un ahorro demostrado de 769 horas operativas de agentes humanos. • Experiencia de cliente y engagement : Se alcanzó una valoración de 3,96 sobre 5 (79,2% de excelencia). Además, se logró un hito de engagement inusual en entornos automatizados: un 41% de los pacien- tes completó la encuesta de satisfacción post-llamada.
“Con pocos ejemplos bien elegidos, el modelo aprende el tono, el estilo y la lógica deseados, sin entrenamiento formal”
tiempo. El objetivo real no era demostrar capacidad tecnoló- gica, sino generar una conver- sación con la que el paciente se sintiera cómodo. Y este objetivo también se logró. “Una de las grandes sorpresas positivas ha sido la aceptación por parte de pa- cientes, en cualquier rango de edad, algunos de los cuales, a priori , podrían ser más reticen- tes a la automatización. El tono conversacional, la claridad en el lenguaje y la capacidad del callbot para entender expre- siones naturales han hecho que el asegurado no sienta que está hablando con “una
mente, poco habitua- das a interactuar con este tipo de canales automatizados. Eso obligó a pensar el diseño conversa- cional de una forma especialmente cuida- dosa. El callbot tenía que transmitir cerca- nía y confianza desde
el primer segundo, hablar con calma, hacer las preguntas de una en una y de forma muy di- recta, y ser capaz de repetir o reformular cualquier informa- ción de manera más sencilla si detectaba que el paciente es- taba confuso o necesitaba más
flexibilidad para hacer cambios que un modelo entrenado nun- ca podría ofrecer. Pero, dicho esto, el verdade- ro reto del proyecto fue otro: adaptar todo eso a un perfil de usuario muy concreto, perso- nas de la tercera edad, general-
Añaden que, la combinación de ambas estrategias permi- tió que el sistema estuviera operativo en semanas en lugar de en meses, con un coste de desarrollo muy inferior al de un modelo a medida, y con una
47
Powered by FlippingBook