ASISA: automatizar con sentido, manteniendo el control operativo y la experiencia de cliente

Los centros asistenciales del Grupo HLA, que forman la red hospitalaria y médica de ASISA, y cuyos servicios de atención al cliente están gestionados por una compañía propia, sufrían picos masivos de demanda operativa en el período de vacunación de la gripe. Esto se traducía en saturación telefónica y largos tiempos de espera.

Con el fin de acabar con esta frustrante experiencia, la aseguradora y Vozitel unieron esfuerzos y a través de un callbot conversacional lograron revertir esta situación. El proveedor tecnológico implementó un ecosistema omnicanal bajo una apariencia muy sencilla para el usuario Y lo hizo con un triaje Inteligente y con Interconexión API. En el primer caso, el callbot no solo enruta, sino que valida requisitos clínicos complejos en tiempo real (edad, pertenencia a grupos de riesgo, sintomatología reciente, seguros contratados).

En cuanto a la Interconexión API, se ha realizado una Integración total con el CRM/Agenda de ASISA. Al transferir la llamada, se inyecta el 100% del contexto del paciente, logrando una trazabilidad estructurada y evitando que el agente humano tenga que repetir preguntas.

Desafíos que atender

Para ASISA, su reto principal era evitar el colapso de las líneas y la frustración del paciente ante el previsible aumento de llamadas. Los objetivos marcados al inicio del proyecto fueron:

● Operativos: Absorber el 100% del pico de llamadas estacionales sin necesidad de ampliar la plantilla del Contact Center, liberando a los agentes humanos para atender urgencias médicas reales.

● Tecnológicos: Lograr que un asistente virtual interpretara el lenguaje natural de pacientes de todas las edades (por ejemplo, "tuve COVID hace una semana y pico") para realizar un triaje clínico seguro y sin fricciones.

● De Negocio: Reducir los costes operativos asociados al tiempo de toma de datos rutinarios (triaje telefónico).

Pero detengámonos en esos desafíos tecnológicos y veamos cómo se resolvieron.

La configuración del modelo se hizo de forma inteligente mediante dos estrategias complementarias: RAG (Retrieval-Augmented Generation) y Few-shot prompting. Teniendo en cuenta la primera estrategia (RAG), se construyó una base de conocimiento externa con las FAQs, los protocolos de los centros, los criterios de derivación, etc.

“El modelo recibe en tiempo real la información relevante para cada conversación. No «sabe» de antemano las pautas de cada centro; las consulta en el momento en que las necesita, igual que una persona consultaría un manual antes de responder. 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.

Siguiendo la segunda estrategia (Few-shot prompting), se le proporcionó al modelo un conjunto reducido de ejemplos reales de cómo debía comportarse en distintas situaciones: cómo responder a una pregunta ambigua, cómo reaccionar ante una respuesta confusa, 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 deseada sin necesidad de un proceso de entrenamiento formal. Es una técnica muy eficiente: los resultados son prácticamente indistinguibles de los que ofrecería un modelo entrenado específicamente, pero con una fracción del coste y del tiempo”, puntualizan los responsables de Vozitel.

Añaden que, la combinación de ambas estrategias permitió que el sistema estuviera operativo en semanas en lugar de meses, con un coste de desarrollo muy inferior al de un modelo a medida, y con una flexibilidad para hacer cambios que un modelo entrenado nunca podría ofrecer.

Pero, dicho esto, el verdadero reto del proyecto fue otro: adaptar todo eso a un perfil de usuario muy concreto, personas de la tercera edad, en muchos casos poco habituadas a interactuar con este tipo de canales automatizados. Eso obligó a pensar el diseño conversacional de una forma especialmente cuidadosa.

El callbot tenía que transmitir cercanía y confianza desde el primer segundo, hablar con calma, hacer las preguntas de una en una y de forma muy directa, y ser capaz de repetir o reformular cualquier información de manera más sencilla si detectaba que el paciente estaba confuso o necesitaba más tiempo. El objetivo real no era demostrar capacidad tecnológica, sino generar una conversación con la que el paciente se sintiera cómodo.

Y este reto también se logró. “Una de las grandes sorpresas positivas ha sido la aceptación por parte de pacientes, en cualquier rango de edad, algunos de los cuales, a priori, podrían ser más reticentes a la automatización. El tono conversacional, la claridad en el lenguaje y la capacidad del callbot para entender expresiones naturales han hecho que el asegurado no sienta que está hablando con “una máquina”, sino que perciba una interacción fluida y resolutiva. Las encuestas posteriores muestran un nivel de satisfacción muy alto, lo que confirma que, cuando la tecnología está bien diseñada, la transición es fácil y rápida”, destacan desde ASISA.

(Este caso de éxito completo de puede leer aquí, en el número 109 de Relación Cliente Magazine).