Cómo un SaaS B2B redujo un 40 % el tiempo de soporte N1 con un agente IA
Del inbox saturado al 70 % de tickets resueltos sin humano · email + chat · 24/7 · humano en el loop
TL;DR
- Equipo de soporte saturado: la mayoría de tickets eran variantes de las mismas preguntas (estado de cuenta, facturación, accesos, cómo-se-hace).
- Clara en producción: clasifica cada ticket, responde en autónomo las preguntas recurrentes con respuestas validadas y prepara borradores para los casos complejos.
- Humano en el loop desde el día 1: por debajo del umbral de confianza, el ticket pasa a una persona con el borrador listo.
- Resultado: −40 % de tiempo en soporte N1 y 70 % de tickets resueltos sin intervención humana, con cobertura 24/7.
El contexto
Un editor SaaS B2B con cientos de clientes empresa. Cada cliente nuevo añade usuarios — y cada usuario añade tickets: estado de pedido o de cuenta, facturación, accesos, preguntas de uso. El equipo de soporte respondía en horario de oficina; los clientes escribían a cualquier hora. El coste del soporte crecía linealmente con la base de clientes, y la calidad caía en cada pico.
El problema
El soporte N1 era un embudo: pocas personas respondiendo, una a una, preguntas que se repetían cada semana. Tres consecuencias directas:
- El equipo dedicaba la mayor parte del día a variantes de las mismas 20 preguntas.
- Los tiempos de primera respuesta se degradaban en cada pico (lanzamientos, cierres de mes, incidencias).
- El personal senior acababa cubriendo N1 en vez de dedicarse a onboarding, retención y cuentas clave.
Escalar contratando solo compraba tiempo: el volumen de tickets crecía más rápido que el equipo, y cada contratación llegaba ya tarde.
Por qué los chatbots clásicos fracasaron
Antes del agente se habían probado las vías habituales:
- Chatbot de árbol de decisión: los clientes lo esquivaban ("hablar con un humano") porque no resolvía — desviaba. La satisfacción caía y el ticket llegaba igual, con un cliente ya irritado.
- Centro de ayuda / FAQ: bien escrito y poco leído. La gente escribe antes de buscar; la documentación no responde, espera a ser encontrada.
La métrica no es "tickets desviados". Es "tickets RESUELTOS sin humano y sin fricción". Un bot que desvía fabrica clientes enfadados, con retraso.
El enfoque
Cuatro decisiones de diseño, cada una motivada por cómo trabaja un equipo de soporte real:
1.Un agente sobre el conocimiento real, no un script
Clara responde con RAG sobre la documentación del producto y el histórico de tickets resueltos. Cada respuesta sale del conocimiento validado de la empresa — no de un guion rígido ni de la imaginación del modelo.
2.Clasificar primero, responder después
Cada ticket entrante se clasifica por tema, prioridad y riesgo. Solo las categorías recurrentes y de bajo riesgo se responden en autónomo; el resto va a humano con el contexto ya preparado.
3.Humano en el loop con umbral de confianza
Por debajo del umbral de confianza, Clara no envía: prepara un borrador y lo pasa al equipo. Eso convirtió al equipo de soporte en aliado del agente desde la primera semana — revisaban, corregían, y el agente mejoraba con cada corrección.
4.Vivir donde ya vive el soporte
Sin herramienta nueva: Clara se integró en el flujo existente (email + chat). El equipo siguió trabajando en su bandeja de siempre, con una columna nueva: "resuelto por Clara".
Implementación
Fase 1 · Auditoría de tickets
Clasificación del histórico: temas recurrentes, volumen por categoría, qué parte era realmente automatizable y dónde estaban los huecos de conocimiento en la documentación.
Fase 2 · Modo sombra
Clara respondía en borrador, sin enviar nada. El equipo comparaba cada borrador con lo que habría escrito. Ajuste de prompts, base de conocimiento y umbrales hasta que la calidad fue indistinguible.
Fase 3 · Activación progresiva
Primero las categorías de mayor volumen y menor riesgo, en autónomo. Después, ampliación categoría a categoría, midiendo resolución y satisfacción en cada paso.
Fase 4 · Operación continua
Monitoring de calidad sobre las respuestas enviadas, revisión semanal de los casos escalados y actualización de la base de conocimiento con cada hueco detectado.
Resultados medidos
En producción, sobre el flujo real de tickets:
- Tiempo de soporte N1: −40 %
- 70 % de los tickets resueltos sin intervención humana
- Cobertura 24/7, picos incluidos, sin turnos nuevos ni contrataciones
- El equipo senior volvió a onboarding, retención y cuentas clave — el trabajo que sí mueve ingresos
Lecciones
Resolver ≠ desviar
El valor no está en que el cliente no llegue al humano, sino en que no lo necesite. Cada respuesta autónoma debe cerrar el tema de verdad — si no, solo estás fabricando re-aperturas.
El modo sombra compra la adopción
El equipo de soporte decide si un agente vive o muere. Verlo trabajar en borrador, corregirlo y comprobar que mejora convirtió el escepticismo en apropiación.
El agente expone tus huecos de documentación
La mitad del trabajo fue sanear el conocimiento: respuestas contradictorias, docs desactualizados, casos sin documentar. Ese saneamiento vale por sí solo el proyecto.
Definir lo que NO debe tocar importa tanto como lo que resuelve
Enfados, riesgo de churn, temas legales o facturación sensible: escalado directo a humano, siempre. Un solo caso mal gestionado en autónomo cuesta más que cien bien resueltos.
Stack técnico
¿Tu soporte solo escala contratando?
Si tu equipo responde las mismas preguntas cada semana y los picos os comen, hablemos. Diagnóstico gratuito de 15 min: te digo qué parte de tu soporte es automatizable y qué esperar de verdad.