La ciberseguridad (33%) y la falta de datos de calidad para entrenar la IA (32%) son las principales preocupaciones a la hora de pensar en implementar proyectos de IA genertiva por parte de las empresas españolas, según datos del informe The State of Data Infrastructure Sustainability, de Hitachi Ventara. Pero, ¿cómo se traduce esta realidad a la hora de poner en marcha un proyecto de IA generativa en un contact center? Para abordar este tema, en el reportaje han dado su punto de vista expertos de Five9, Inconcert, Covisian, Grupo Sabio, y AIManager 360.
Para hacernos una idea más acertada de este tema, añadamos que solo el 28% de las empresas trabaja activamente para contar con datos de calidad, mediante un entrenamiento preciso de los modelos de IA. Además, el 23% no revisa la calidad de los datos utilizados.
“El reto aquí es que un gran porcentaje de organizaciones no disponen actualmente de bibliotecas de contenido preparadas para la IA. Según Gartner, el 61% de los líderes consultados tienen una acumulación de artículos por editar para poder ser utilizados por la IA. Esto se ve agravado por la falta de un proceso para tratar los artículos obsoletos”, indica Steve Blood, VP, Marketing en Five9.
¿Qué datos y para qué?
Estas dificultades en el panorama empresarial general, se puede extrapolar a los contact centers.
Para analizar este ámbito más concreto, hemos consultado a distintos expertos que conocen de primera mano la realidad que se vive a la hora de poner en marcha un proyecto de IA generativa. “Uno de los desafíos más comunes es la presencia de datos fragmentados difíciles de procesar o directamente la falta de datos, que puede resultar en sesgos que impactan negativamente en soluciones de automatización con IA como los agentes virtuales. En este sentido, al iniciar cualquier proyecto con Inconcert, un paso que tomamos muy en serio es la auditoría técnica inicial. Nuestro equipo de ingenieros se encarga de analizar el punto de partida, qué datasets hay disponibles, si existe una armonización de datos o hay que ejecutarla previamente”, señala Maximiliano Flores, CTO.
No podemos olvidar que, si bien la calidad de los datos es un factor crítico en cualquier proyecto de IA generativa, aún lo es más en entornos de contact centers. Aquí, como reconoce Maximiliano Flores, la cantidad de canales y operativas diferentes implican aún más complejidad. Por ejemplo, el entrenamiento de modelos de IA que rige la operativa de agentes virtuales depende de contar con bases de conocimiento consistentes y actualizadas para refinar su rendimiento; y en ningún caso se realiza con datos personales o sensibles.
Pero, ¿cómo pueden los responsables de un proyecto de IA generativa, asegurarse de contar con bases de datos idónea para un proyecto? Desde Covisian, Fabio Sattolo, Chief People and Technology Officer, reconoce que la introducción de la inteligencia artificial en el ámbito de los contact centers es, en este momento, el principal tema de discusión en todos los sectores y procesos. “Tras una primera fase de altas expectativas, el enfoque hacia la aplicación de esta tecnología está madurando, encontrando un equilibrio entre las complejidades de los procesos de operaciones de atención al cliente y las soluciones disponibles, que están en constante y rápida evolución. La capacidad de la inteligencia artificial para aportar beneficios reales en los procesos de negocio depende, sin duda, de la disponibilidad adecuada de información y datos sobre los procesos específicos. Pero, sobre todo, de la integración con el componente humano, que sigue siendo fundamental para garantizar una experiencia de cliente adecuada”, puntualiza Fabio Sattolo.
Y si pensamos en pasos a dar en esta primera aproximación para conocer la calidad de la base de datos con la que se cuenta, El primer paso sería realizar una auditoría de datos exhaustiva como comentaba. Es crucial identificar las fuentes de datos confiables y asegurarse de que están actualizadas. “Asimismo, recomendamos implementar la normalización de datos, así como establecer procesos de mejora continua”, cuenta Maximiliano Flores.
Añaden que también existen soluciones que hacen que este proceso sea más fácil. “Por ejemplo, una ventaja significativa de Inagent, nuestra solución de agentes IA, es su capacidad para trabajar con bases de conocimiento no estructuradas. Esto significa que admite integrar información todo tipo de documentos PDF, videos, sitios web, presentaciones, entre otros, sin que haya que tratarlos de una manera concreta para formalizar la base. Esto amplía el espectro de datos utilizables y reduce la dependencia de estructuras de datos tradicionales”, puntualiza Flores.
Estrategia que marque los primeros pasos
Lógicamente, todos los expertos coinciden en señalar que la calidad de los datos es el cimiento de cualquier solución de IA generativa, especialmente, en aquellas que se van a usar en un contact center, donde cada interacción impacta directamente en la experiencia del cliente. “Para que la IA pueda responder de manera coherente y efectiva, es fundamental que la información sea precisa, esté bien contextualizada y represente fielmente las conversaciones reales con los usuarios”, indica Concha Sánchez-Ocaña, CEO Spain & LATAM de AIManager360.
Y añade que, para abordar este desafío, las empresas deben seguir varias estrategias clave:
– Limpieza y estructuración de datos: El famoso data cleaning, que lleva más de una década en el foco, sigue siendo un pilar fundamental. Es imprescindible eliminar información redundante o irrelevante y asegurarse de que los datos reflejen la diversidad de escenarios y perfiles de clientes con los que interactúa el contact center.
– Contextualización de la información: La IA no «comprende» realmente lo que dice; funciona prediciendo la siguiente palabra en una secuencia, como un loro que repite frases sin entenderlas. Por eso, es fundamental incorporar metadatos contextuales, como el canal de comunicación, el idioma, el historial del cliente y el motivo de la interacción, para que la IA comprenda el contexto completo de cada conversación.
– Captura del sentimiento y matices del lenguaje: En cualquier interacción humana, el sentimiento es clave. Para mejorar la calidad de los datos, es recomendable utilizar técnicas de enriquecimiento, como la transcripción de llamadas con modelos ASR (Reconocimiento Automático del Habla) y el procesamiento de lenguaje natural (NLP) para capturar matices emocionales y lingüísticos, si un cliente está frustrado, satisfecho o confuso.
– Supervisión y gobernanza de datos: La IA no puede funcionar en piloto automático. Es necesario establecer una gobernanza de datos robusta, con protocolos claros para actualizar y validar continuamente los conjuntos de datos. Esto evita que la IA trabaje con información desactualizada o sesgada respecto a la realidad operativa del contact center.
“Las empresas que quieran implementar IA generativa en un contact center deben partir de un análisis exhaustivo del flujo de interacción con los clientes y asegurarse de que los datos que la alimentan reflejen fielmente esas conversaciones. Solo así podrán garantizar respuestas más precisas, coherentes y alineadas con las necesidades reales de los usuarios”, recomienda Concha Sánchez-Ocaña.
¿Qué hacer para reducir las “alucinaciones?
Siguiendo estas recomendaciones, lo más lógico es pensar que las soluciones de IA generativa estarían listas para no producir demasiadas alucinaciones (respuestas incorrectas o inventadas). Pero Concha Sánchez-Ocaña, va más allá y puntualiza que para reducir estas alucinaciones, las empresas deben aplicar una estrategia. Recomienda que sigua los siguientes puntos:
– Uso de datos relevantes y bien estructurados: la IA debe entrenarse con ejemplos de conversaciones reales del contact center, asegurándose de que reflejen los distintos tipos de consultas, canales de comunicación y perfiles de clientes con los que interactúa.
– Validación humana iterativa: Supervisores y agentes deben revisar las respuestas de la IA en las etapas iniciales del despliegue, corrigiendo desviaciones y afinando el modelo para que se mantenga alineado con los objetivos del contact center.
– Definición de límites contextuales claros: La IA debe operar dentro de un marco de conocimiento bien definido, con reglas de negocio integradas que filtren respuestas fuera de alcance y eviten interpretaciones incorrectas de consultas ambiguas.
– Monitorización y detección de inconsistencias: Herramientas como el análisis de sentimientos en tiempo real y la supervisión automatizada de métricas clave, como la tasa de resolución en la primera llamada, permiten identificar y corregir respuestas erróneas antes de que afecten la experiencia del cliente.
(El reportaje completo se puede leer aquí, en el número 104 de Relación Cliente Magazine).
