La IA en atención al cliente no se prueba: se opera

Un agente de IA que responde bien a doscientas consultas de prueba se parece poco a uno que atiende miles de llamadas al día, consulta el CRM, se encuentra con un sistema caído a mitad de conversación y tiene que pasar la llamada a una persona sin que el cliente repita su historia. Entre esos dos escenarios está la distancia real entre experimentar con inteligencia artificial y operar con ella.

Hace un año, el sector se preguntaba cómo lograr conversaciones más naturales con IA generativa. Los pilotos han demostrado que puede aportar valor en casos concretos, pero no que funcione de forma fiable, segura y rentable a escala. Esa es la pregunta ahora. Y la respuesta no está solo en el modelo de IA, sino también en el modelo operativo.

Operar no es escalar un piloto

Un piloto trabaja con pocos datos, pocos usuarios y un entorno controlado. En producción, la IA debe responder de forma consistente y cumplir los mismos niveles de servicio que el resto de la operación. En voz, además, entran en juego la latencia, los acentos, el ruido, las interrupciones y la sincronización entre telefonía, transcripción y CRM. Por eso un piloto que aspire a llegar a producción debe medir desde el principio disponibilidad, latencia, coste unitario y seguridad, no solo si la conversación sale bien.

Operacionalizar la IA no consiste en añadir un agente de IA a la operación actual, sino en rediseñar cómo se trabaja: qué hace la IA y qué hacen las personas, cómo se traspasan las interacciones, qué controles se aplican y quién responde cuando algo falla. También cómo se cambia: quién aprueba una nueva versión del modelo o de sus instrucciones, cómo se despliega gradualmente, cómo se revierte y cuándo se suspende el servicio. Ese nuevo modelo operativo es justo donde muchos proyectos se atascan.

El punto de partida es el problema, no la tecnología. La IA no corrige por sí sola un proceso deficiente: muchas veces lo automatiza y amplifica sus ineficiencias. Un árbol de IVR mal diseñado convertido en agente de IA solo consigue que el cliente se frustre antes. El primer caso de uso debe elegirse con criterio —impacto medible, datos disponibles, un proceso bien conocido— y medirse con las métricas que ya gobiernan la operación: FCR, TMO, contención, transferencias, recontactos, satisfacción y coste por contacto resuelto. Y hay que equilibrarlas: una contención alta o un TMO bajo no sirven de nada si suben los recontactos, las reclamaciones o el esfuerzo del cliente.

Operar tampoco significa dejar de probar: en producción, las pruebas no terminan nunca. Igual que ningún contact center deja de monitorizar las llamadas de sus agentes, ningún agente de IA debería operar sin una evaluación sistemática de sus conversaciones y de sus acciones: qué resolvió, qué ejecutó en los sistemas y dónde se equivocó. Y cada cambio de modelo, de instrucciones o de integración exige volver a evaluar antes de desplegar.

La IA agéntica multiplica los retos de siempre

Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que acabe 2027 por costes crecientes, valor de negocio poco claro o controles de riesgo inadecuados, y advierte de la complejidad de integrar agentes con sistemas heredados. El problema no está tanto en lo que los modelos saben hacer como en la forma de implantarlos y operarlos.

Un agente de IA no solo responde: consulta fuentes, usa herramientas y ejecuta acciones en los sistemas de la empresa. Integración, seguridad, cumplimiento y costes son retos que cualquier contact center ya conoce. Lo que cambia es su dimensión. Un error humano también puede propagarse —un guion equivocado llega a toda la plataforma—, pero un agente de IA lo replica a la velocidad de una máquina y, además, actúa.

Integración. Cuando la IA pasa de informar a actuar, cada conexión con el CRM, el back office o un sistema heredado se convierte en parte del servicio. En los proyectos que operamos sobre plataformas de contact center, la conversación y la detección de la intención suelen funcionar. Los problemas aparecen después: que la gestión quede hecha, aunque un sistema falle a mitad, que no se ejecute dos veces o que el cliente reciba la confirmación prometida, aunque la llamada haya terminado hace horas.

Seguridad. En un contact center cualquiera puede hablar con el agente de IA, así que el canal de entrada es, por definición, no confiable. Un interlocutor puede intentar manipularlo con instrucciones camufladas en la conversación para que revele datos de otro cliente, se salte una verificación o autorice una devolución que no procede, y la clonación de voz añade un riesgo nuevo a la identificación telefónica. El secuestro de objetivos y el mal uso de herramientas encabezan el Top 10 de riesgos agénticos de OWASP. La respuesta no es renunciar a la autonomía, sino acotarla: permisos mínimos, actuar solo en nombre de un cliente verificado, umbrales a partir de los cuales decide una persona, trazabilidad completa y capacidad de desactivarlo en cuanto algo falla. A mayor autonomía, mayores controles.

Cumplimiento. La Ley 10/2025 de Servicios de Atención a la Clientela, cuyo plazo de adaptación concluye a finales de 2026, no prohíbe la IA, pero condiciona cómo se diseña. Reconoce el derecho del cliente a ser atendido por una persona cuando lo solicite, desde el menú principal y dentro de los tiempos que marca la ley. El agente de IA no puede obstaculizarlo, y conviene que el traspaso llegue con contexto. Y como en la mayoría de los sectores exige mediciones de calidad auditadas, las métricas en las que interviene la IA deben ser fiables y trazables.

A ello se suman el Reglamento Europeo de IA, que obliga a informar al cliente de que habla con una IA cuando no resulte evidente y prohíbe, salvo excepciones, el reconocimiento de emociones en el entorno laboral; la protección de datos en grabaciones y transcripciones, y, en las entidades financieras, DORA, que exige controlar el riesgo de los proveedores tecnológicos. Saber dónde se procesan los datos, con qué modelos y quién accede a ellos es también una pregunta de cumplimiento.

Costes. En muchos pilotos el coste apenas se mide. En producción, con miles de interacciones diarias, cada decisión cuenta: qué modelo se usa para cada tarea, cuántas llamadas a modelos necesita una gestión o cuánto cuesta cada minuto de voz. Un agente de IA que razona en varios pasos puede multiplicar el consumo sin que nadie lo perciba hasta que llega la factura. Y el coste real va más allá del modelo: integración, licencias, observabilidad, pruebas, respaldo humano y errores. Por eso el FinOps, el control financiero de la IA, debe estar presente desde el primer caso de uso, con un objetivo claro: conocer el coste total por contacto resuelto frente al valor que genera.

Ninguno de estos frentes puede añadirse después: tienen que formar parte del modelo operativo desde el primer día.

Personas en el centro de la operación

Industrializar la IA es convertirla en un servicio gestionable, que funcione cuando todo va bien y se recupere cuando algo falla. Y eso empieza por comprender el negocio: sus clientes, sus procesos, sus datos y los profesionales que lo sostienen.

La IA no debe plantearse solo como automatización. También sirve para aumentar las capacidades de los agentes: darles acceso inmediato al conocimiento, eliminar tareas repetitivas y liberarles para las situaciones en las que el criterio, la empatía o la gestión de una excepción marcan la diferencia. Y el cliente debe poder hablar con una persona siempre que lo pida, como garantiza la ley.

Eso requiere gestión del cambio: dimensionar el respaldo humano, formar a los equipos e implicarlos en el diseño. Aparecen roles nuevos: quien supervisa agentes de IA, revisa sus conversaciones, ajusta su comportamiento y decide cuándo ampliar su autonomía. Agentes, supervisores y equipos de calidad son la base natural para asumirlos, junto con perfiles de datos, seguridad y cumplimiento. Y quien modifica un agente de IA no debería ser quien valida su comportamiento.

De probar a operar

Volvamos al agente de IA del principio, el que atiende miles de llamadas, resiste la caída de un sistema y pasa la llamada a una persona sin que el cliente tenga que repetirse. Ese agente no sale de un piloto. Sale de un modelo operativo que lo integra en los procesos, lo protege, cumple la norma, controla lo que cuesta y pone a las personas en el centro. Y, ante todo, de haber decidido desde el primer día qué problema queremos resolver con él.

Raúl Chico, Chief AI Officer  (CAIO) de Evolutio.