IA generativa, calidad de servicio y oportunidades
Qué es un chatbot RAG, cómo se mide el servicio, y dónde conviene aplicarlo.
Panorama de IA generativa y chatbots
Al terminar esta sesión podrás
- Explicar en lenguaje sencillo qué es un modelo de lenguaje grande (LLM) y por qué "predice la siguiente palabra".
- Distinguir la IA generativa de la IA predictiva tradicional.
- Clasificar los tipos de chatbot y decir cuándo conviene cada uno.
- Reconocer por qué un LLM por sí solo no basta para servicio al cliente.
El servicio al cliente: caro, repetitivo y desigual
La mayoría de las consultas de atención se repiten una y otra vez, el cliente espera en cola, y la calidad de la respuesta depende del agente, el turno y el día. Además, las dudas llegan a toda hora, pero la atención humana no. La promesa de este curso es un asistente que responde al instante, con información correcta y consistente, que cita su fuente y deriva a un humano cuando hace falta.
Tres familias de inteligencia artificial
IA predictiva
Clasifica o predice una etiqueta: "¿esto es spam: sí o no?". Aprende la frontera entre clases.
IA generativa
Produce contenido nuevo (texto, imagen). Aprende la distribución de los datos para crear ejemplos plausibles.
IA agéntica
Además decide acciones y usa herramientas: buscar, abrir un ticket, escalar a un humano.
La IA predictiva responde ¿qué es esto?; la generativa responde ¿cómo continúo esto?
¿Qué es un modelo de lenguaje (LLM)?
Un LLM es una función estadística entrenada con una tarea sencilla: dado un fragmento de texto, predecir cuál es el siguiente "token" (un token es aproximadamente tres cuartos de una palabra). Repitiendo esa predicción, genera texto. La clave: el modelo no "busca en una base de datos" la respuesta; la reconstruye según patrones aprendidos. Por eso puede sonar muy seguro y estar equivocado.
Dos límites nacen de ahí. Primero, solo "ve" una cantidad limitada de texto a la vez (su ventana de contexto): un manual de 500 páginas no cabe. Segundo, su conocimiento quedó congelado en la fecha de entrenamiento: no conoce tu promoción de ayer.
Por qué un LLM solo NO basta en atención al cliente
Alucinación
Afirma cosas falsas pero plausibles: inventa una política, un plazo, un dato.
Desactualización
Su conocimiento quedó congelado: no conoce tu tarifa o promoción de hoy.
No conoce tus datos
Su saber es genérico de internet; ignora tu catálogo, tu contrato, tu cliente.
Sin trazabilidad
No puede decir "lo afirmo porque el documento X lo dice". Sin fuente, no hay auditoría.
RAG ataca las cuatro a la vez: inyecta conocimiento propio, fresco y citable y, al obligar al modelo a apoyarse en lo recuperado, reduce la alucinación.
RAG frente a "ajuste fino" (fine-tuning)
| Enfoque | Qué cambia | Cuándo usarlo |
|---|---|---|
| Prompting | Solo las instrucciones del momento | Tono, formato, tareas simples |
| RAG | Inyecta conocimiento recuperado en vivo | Datos propios, frescos y citables |
| Fine-tuning | Ajusta los "pesos" del modelo | Estilo o comportamiento consistente |
Si el problema es conocimiento (qué sabe) → RAG. Si es comportamiento (cómo responde) → prompting o fine-tuning. En servicio al cliente casi siempre es conocimiento.
Tipos de chatbot: una escalera de capacidad
- Reglas / menús: predecibles y baratos; se rompen fuera del guion.
- Recuperación clásica: eligen una respuesta de un repertorio fijo; no redactan.
- Generativo puro: redactan cualquier cosa, pero alucinan y no citan.
- RAG: recuperan tu conocimiento y redactan una respuesta fundamentada y citable.
- Agéntico: RAG más acciones (consultar un pedido, abrir un ticket, escalar).
Calidad de servicio (QoS) y métricas clave
Al terminar esta sesión podrás
- Distinguir métricas operativas (eficiencia) de métricas de experiencia (percepción).
- Calcular e interpretar AHT, FCR, CSAT, NPS y CES.
- Anticipar cómo un chatbot RAG mueve cada métrica.
Cuidado con un falso amigo: en redes, "QoS" es calidad técnica (latencia, ancho de banda). En este curso, QoS es la calidad del servicio al cliente: qué tanto la atención cumple o supera las expectativas. Siempre hay dos caras que conviene separar: la eficiencia operativa (¿cuán rápido y a qué costo?) y la experiencia percibida (¿cómo se sintió el cliente?). Puedes ser rapidísimo y barato y aun así dejar al cliente furioso.
Las cinco métricas estrella
| Métrica | Qué mide | Unidad | Mejor dirección |
|---|---|---|---|
| AHT | Duración de la gestión | min/seg | ↓ (con FCR alto) |
| FCR | Resolver al primer intento | % | ↑ |
| CSAT | Satisfacción de la interacción | % | ↑ |
| NPS | Lealtad a la marca | −100 a +100 | ↑ |
| CES | Esfuerzo del cliente | 1–5 / 1–7 | esfuerzo ↓ |
Prueba tú mismo cómo se calculan. Mueve los números y observa cómo cambian los resultados y su interpretación.
Métricas de calidad de servicio
Cambia los valores de cada encuesta; los resultados y su lectura se actualizan al instante.
Para evaluar un autoservicio, el CES (esfuerzo) suele ser la métrica de experiencia más reveladora. El NPS mide la marca, va de −100 a +100 y no sirve para juzgar una sola conversación.
El chatbot RAG es de doble filo
Mejora la QoS
Fundamentado, sabe decir "no sé" y escala a tiempo: sube FCR y CSAT, baja el esfuerzo, atiende 24/7.
La empeora
Alucina o atrapa al cliente sin salida: recontactos, "resoluciones falsas", más esfuerzo, detractores.
Un SLA (acuerdo de nivel de servicio) convierte una métrica en una meta: por ejemplo "FCR ≥ 75%" o "groundedness ≥ 95%".
Oportunidades de aplicación y delimitación
Al terminar esta sesión podrás
- Identificar dónde duele el servicio actual y qué procesos son buenos candidatos.
- Priorizar oportunidades con la matriz Impacto × Factibilidad.
- Delimitar qué información puede y no puede usar un chatbot.
¿Es un buen candidato para un chatbot RAG?
Alto volumen
Muchas consultas similares: el ahorro se multiplica.
Basado en documentos
La respuesta vive en políticas, manuales o FAQs, no en una transacción en vivo.
Relativamente estable
Las reglas no cambian cada hora; el corpus se puede mantener.
Error no catastrófico
Un fallo aislado, con supervisión, no causa un daño grave.
No todos los procesos merecen la misma prioridad. Arrastra cada proceso al cuadrante donde crees que cae, según su impacto y su factibilidad, y comprueba tu criterio.
Matriz Impacto × Factibilidad
Arrastra cada tarjeta a un cuadrante. Verás si coincide con la recomendación y por qué.
Taller: delimita tu chatbot
En equipo, tomarán un sector y definirán el alcance de su asistente. Este es el primer paso del proyecto del curso.
- Elige un sector (banca, retail, educación, salud, telecomunicaciones).
- Define el alcance: ¿qué información sí puede usar y cuál no?
- Marca lo prohibido: datos personales, decisiones sensibles, operaciones de riesgo.
- Define los criterios de "buena respuesta": correcta, fundamentada, completa, en buen tono, con escalación.
Explora los cinco casos de sector → · Abre la hoja del taller →
Tiempo del taller
Para las dinámicas en equipo. Elige la duración e inicia.
Ya sabes qué es RAG, por qué un LLM solo no basta, y cómo se mide el servicio. Mañana: con qué datos se alimenta y cómo hacerlo de forma responsable.