Ángel Santos, como director de CX y Digital Consulting en Evoluciona, lidera el entrena- miento y la puesta en marcha de agentes conversacionales basados en IA para grandes organizaciones de diferen- tes sectores como, energía, banca y seguros, entre otros. Junto a su equipo, traslada el conocimiento operativo de los contact centers a la in- teligencia artificial para que los agentes resuelvan gestio- nes reales con autonomía y calidad de servicio.
Ángel Santos, director de CX y Digital Consulting en Evoluciona.
DEPENDE DE LA ESTRUCTURACIÓN Y CALIDAD “UN 70% DEL ÉXITO DE UN AGENTE DE IA
La primera pregunta que le planteamos a Ángel Santos, es, ¿de qué bases se parte para que un agente de IA comience a operar con clientes reales? Y su respuesta es clara: “El agente de IA tiene que entender bien lo que el cliente necesita, y para ello debe es- tar debidamente sustentado en una base de conocimiento sólida y bien indexada que recoja los procedimientos operativos a cubrir. La experiencia nos dice que aproximadamente el 70% del éxito de un agente de IA depende de la estructuración y calidad de la documen- tación previa, mientras que solo el 30% restante depende de los as- pectos más técnicos relacionados con los modelos de IA”. Y añade: “El disponer de información de calidad y específica sobre los pro- cesos que el agente de IA va a operar es fundamental para lograr unos porcentajes de absorción adecuados y para que ofrezca un retorno de inversión real, evitando la frustración de los clientes. De ahí la importancia de contar en su diseño con una visión operativa experta y no solamente tecnológica”. RC ¿Cómo se decide qué debe aprender el agente de IA y qué es mejor dejar como reglas o lógica externa? AS No todo debe aprenderse. Esa es una de las primeras deci- siones que hay que tomar cuando se entrena un agente de IA. No- sotros distinguimos entre lo que requiere interpretación y lo que exige precisión absoluta. La IA funciona muy bien cuando tiene que entender el lenguaje, el contexto o la intención del cliente: captar qué necesita, conducir la conversación y decidir el siguiente paso. Pero hay otras tareas que no admiten ambigüedad: aplicar una ta- rifa, comprobar la identidad de un cliente, consultar un saldo o eje- cutar una transacción. Eso tiene que seguir siendo una regla o un sis- tema. No queremos que la IA improvise en algo que debe ser exacto. En la práctica, se diferencia claramente la labor del agente de IA conversacional de la ejecución técnica. Mientras el agente de IA gestiona la “capa” de conversación para entender las consultas, las
conexiones entre estos y los sistemas de la empresa ejecutan las acciones para ofrecer un servicio fiable y consistente.
RC ¿Qué tipo de datos son más importantes para entrenar bien a un agente de IA? AS Los datos reales de la operación: conversaciones auténti- cas, consultas habituales, incidencias frecuentes y también erro- res. Ahí está el conocimiento operativo. Anualmente, gestionamos millones de interacciones para nues- tros clientes, lo que permite basarnos en datos de casos reales para llevar a cabo un análisis tanto de las “conversaciones” com- pletas como de las interacciones individuales (pregunta-respues- ta). Analizando cada una de forma independiente en entornos de trabajo especializados donde nuestros expertos verificadores las diseccionan para detectar errores y oportunidades de mejora. Entrenar con ejemplos ideales o situaciones de laboratorio da una falsa sensación de calidad. El agente funciona bien en prue- bas, pero falla cuando habla con clientes reales. Necesita aprender cómo se expresa la gente y resolver las gestiones en la práctica. RC ¿Qué errores comunes se pueden cometer al preparar los datos para entrenar a un agente de IA y cómo evitarlos? AS El más habitual es entrenar con datos que no representan la realidad. Conversaciones “de laboratorio”, ejemplos demasiado perfectos o información desactualizada. El agente parece funcio- nar bien en pruebas, pero luego falla sobre el terreno. También es frecuente trabajar con conversaciones de distintos temas sin clasificar. Si no sabes qué problema resuelve cada una, la IA tampoco lo sabrá. La forma de evitarlo es simple: trabajar con interacciones rea- les, limpiar y estructurar la información y revisarla con los equipos que conocen la operativa.
56
Powered by FlippingBook