Los agentes de soporte al cliente de hoy son extremadamente poderosos—Salesforce acaba de comprar Fin por $3 mil millones, y el mercado continúa expandiéndose rápidamente.
Pero estos agentes no son perfectos. Cuando fallan, es porque están respondiendo preguntas para las que no fueron entrenados, no tienen datos, o no esperaban. .
Cuando un usuario abre un chat de soporte y escribe "No puedo exportar mi informe," el agente escucha esa oración, pero puede que no vea que el usuario intentó el flujo de exportación tres veces en los últimos 20 minutos, falló en el mismo paso cada vez, y ahora está lo suficientemente frustrado como para escribir en mayúsculas. Entonces devuelve un tutorial genérico que el usuario ya intentó, y de todas formas se envía un ticket de soporte.
La información que falta entre lo que un usuario le dice a los agentes y lo que ha estado haciendo en tu producto es donde falla la deflexión de tickets. Pero los equipos de CS están comenzando a cerrar esta brecha con información conductual.
Por qué los agentes inteligentes siguen generando tickets de soporte
La mayoría de las implementaciones de agentes de IA comienzan con la misma configuración: una base de conocimiento, una interfaz de chat y una expectativa razonable de que ambas juntas resolverán la mayoría de los problemas de los usuarios. Para preguntas simples y unidimensionales, eso funciona bien.
El problema es que la mayoría de las interacciones de soporte no son simples. Son específicas. Un usuario atascado en el paso tres de un flujo de trabajo de seis pasos no necesita una respuesta general sobre la función. Necesita ayuda con lo que salió mal en el paso tres. Un agente sin contexto conductual no puede hacer esa distinción. Todos los usuarios parecen iguales, y cada pregunta se trata como si hubiera llegado sin historial.
Por qué el volumen de tickets se mantiene estable después de la implementación del agente
Por eso puedes implementar un agente de IA genuinamente capaz y aun así ver que el volumen de tickets se mantiene constante. A los agentes simplemente les falta la capa de información que les permitiría responder a lo que realmente está ocurriendo.
Por qué el volumen de tickets se mantiene estable después de implementar un agente
Por eso puedes implementar un agente de IA genuinamente capaz y aun así ver que el volumen de tickets se mantiene constante. A los agentes simplemente les falta la capa de información que les permitiría responder a lo que realmente está ocurriendo.
Así es como se ve esto en la práctica:
- Un usuario encuentra fricción en un flujo de trabajo.
- Abre el chat del agente y describe su problema en los términos más generales que puede encontrar, porque no conoce el nombre técnico de lo que salió mal.
- El agente hace coincidir palabras clave, devuelve una respuesta que aborda el tema general y pasa por alto el fallo específico por completo.
- El usuario prueba la sugerencia, no le ayuda y envía un ticket.
El ticket podría haberse evitado si tus agentes hubieran tenido lo que necesitaban para prevenirlo.
Señales de comportamiento: el contexto que les ha faltado a los agentes
Los datos de comportamiento del producto le dan a los agentes lo que las bases de conocimiento no pueden: información sobre lo que los usuarios han estado haciendo realmente en tu producto antes de que comiencen las conversaciones.
Las cuatro señales que impulsan la deflexión de tickets
Hay cuatro categorías que importan más:
- Los intentos repetidos le indican al agente que un usuario ha intentado la misma acción varias veces sin éxito. Eso es diferente a un usuario que pregunta sobre la función por primera vez, y requiere una respuesta distinta.
- El punto de abandono le indica al agente exactamente en qué parte de un flujo de trabajo el usuario se atascó, no solo que está atascado. Si un usuario ha completado los pasos del uno al cuatro y abandonó en el paso cinco cada vez, la respuesta está en el paso cinco, no en el paso uno.
- Las señales de frustración, como clics repetidos, entradas reiteradas y una navegación rápida de ida y vuelta, indican que la paciencia del usuario ya se agotó antes de que se abra la conversación. La primera respuesta debe dar en el blanco. No hay margen para un error.
- El contexto del usuario le indica al agente si está hablando con alguien en su primera semana con el producto o con un usuario avanzado que enfrenta un caso límite. Un usuario nuevo necesita orientación de incorporación. Un usuario avanzado necesita una solución específica. Son conversaciones diferentes.
Cómo el contexto cambia las interacciones con los agentes
Cuando un agente tiene acceso a estas señales antes de que comience la conversación, ya comprende la situación y puede responder directamente. Se trata de habilitar mejores conversaciones con los agentes para evitar los tickets.
Pendo Agent Analytics es lo que captura y muestra estas señales de comportamiento, dándole a tus agentes la capa de contexto que les ha faltado.
Observabilidad del agente: las métricas que indican si la deflexión realmente está ocurriendo
Una vez que los datos de comportamiento informan a tu agente, necesitas visibilidad sobre si está dando resultados mediante la observabilidad del agente.
La tasa de resolución te indica con qué frecuencia los agentes cierran conversaciones sin transferirlas a un humano, pero no por qué los agentes fallan cuando lo hacen. Para eso, necesitas profundizar un nivel más.
Las métricas del agente que importan para los líderes de TI
- La tasa de prompts de frustración mide los prompts que contienen palabras soeces, texto en mayúsculas o solicitudes repetidas. Una tasa alta de prompts de frustración significa que los usuarios ya están frustrados antes de que el agente tenga la oportunidad de ayudar. Si este número está aumentando, algo en la experiencia previa a la conversación está generando fricción que el agente luego hereda.
- La tasa de abandono dentro de la interacción con el agente te indica dónde los usuarios se van. Si los usuarios salen consistentemente después de la segunda respuesta del agente, el problema es la segunda respuesta. Es un problema que se puede corregir con entrenamiento una vez que puedes verlo, pero primero tienes que poder verlo.
- La tasa de finalización de tareas responde la pregunta que la tasa de resolución omite: ¿el usuario realmente hizo lo que el agente le ayudó a hacer? Un usuario puede cerrar un chat sin enviar un ticket y aun así no haber resuelto su problema.
Estos números te indican si tu inversión en agentes es defendible a nivel presupuestario.
Command Center te ofrece la vista a nivel de portafolio de cómo está funcionando cada herramienta de IA, para que las métricas del agente no vivan en un silo. Se conectan al panorama más amplio de lo que está funcionando en tu stack de IA.
ROI de la IA en la práctica: el 86% de las conversaciones se resuelven sin intervención humana
Un usuario encuentra fricción en un flujo de trabajo. Las señales de comportamiento se capturan en tiempo real. Cuando ese usuario abre el chat del agente, el agente ya tiene contexto: qué estaba haciendo, dónde se atascó, qué tan frustrado parece. La respuesta aborda la situación específica. El problema se resuelve antes de convertirse en un ticket.
Eso es lo que Teachable construyó con Fin, impulsado por datos de Pendo:
"Debido a que Fin está impulsado por datos de Pendo, está captando a los clientes en momentos críticos y resolviendo las preguntas entrantes antes de que se conviertan en tickets de soporte. Ya estamos viendo que Fin resuelve el 86% de las conversaciones sin involucrar a un humano, todo mientras mantiene una puntuación de CX de 4/5 estrellas."
— Kathleen Ross, Directora Asociada de Soporte de Producto, Teachable
Por qué es una métrica de negocio, no una métrica de soporte
Cada conversación que Fin resuelve sin transferencia a un humano es un costo evitable medible. Mantener una puntuación de CX de 4/5 mientras lo hace significa que la calidad no disminuyó para alcanzar el número. El agente lee el contexto real, por lo que no tiene que adivinar.
El ciclo de mejora: cómo la deflexión mejora con el tiempo
El despliegue inicial es solo una parte. Los datos de comportamiento preparan al agente antes de una conversación y muestran qué corregir después. Cuando los mensajes de frustración generan un pico o la tasa de abandono en el mismo punto se repite, se ajusta la respuesta del agente, se vuelve a entrenar en el fallo específico o se expone la brecha del flujo de trabajo al equipo de producto. La deflexión mejora porque el ciclo de retroalimentación es continuo, no porque la configuración fuera correcta desde el primer día.
Los datos de comportamiento son lo que hace que la deflexión realmente ocurra
La mayoría de los agentes de IA se despliegan con buenas intenciones y tienen un rendimiento inferior por una razón solucionable: les falta contexto. Los datos de comportamiento del producto son ese contexto. Preparan a los agentes antes de que comience la conversación, revelan dónde están fallando después y brindan a los líderes de TI la visibilidad para demostrar que la inversión está funcionando.
El 86% es ciencia simple: los agentes que saben lo que los usuarios han estado haciendo resuelven más que los agentes que solo saben lo que los usuarios están diciendo en este momento.
Descubra cómo Pendo le ayuda a gobernar, medir y demostrar el ROI de todo su portafolio de IA.
