La directora de Éxito del Cliente afirma que la IA no puede funcionar de forma independiente en los flujos de trabajo de CX: necesita supervisión constante

Angela Guedes es la directora de Éxito del Cliente en Enginy, donde actualmente está transformando la organización de un modelo de CX de alta interacción a un modelo segmentado. También es la creadora del boletín Desde cero.

Nos sentamos con Angela para profundizar en los detalles de lo que funciona y lo que no en la IA en CX. Esto es lo que nos contó.

Liderar el éxito del cliente en el SaaS B2B

Soy Angela Guedes. Llevo 10 años creando y liderando organizaciones de Éxito del Cliente, siempre en el ámbito del SaaS B2B.

Actualmente, soy la directora de Éxito del Cliente en Enginy, una plataforma GTM inteligente integral y nativa de IA para equipos de ventas B2B. Somos una empresa de SaaS vertical en el ámbito de la automatización de ventas y atendemos a todos los segmentos, desde pequeñas y medianas empresas hasta grandes empresas. Estamos en la etapa semilla y este año estamos creciendo de 3 millones de dólares a 10 millones de dólares de ARR.

Actualmente contamos con un modelo de experiencia del cliente de alta interacción, que estamos transformando en uno segmentado. Todos los clientes tienen acceso al soporte del producto mediante el chat dentro de la aplicación y el correo electrónico. También les asignamos un responsable de incorporación y un responsable de cuenta. Atendemos a nuestros clientes mediante reuniones, llamadas telefónicas y correo electrónico. A principios de este año, introdujimos seminarios web semanales de incorporación para ampliar la incorporación y la formación.

Superviso la gestión de cuentas, la incorporación y el soporte del producto con un equipo de 12 personas. Tenemos previsto terminar el año con 20.

Cómo dos cambios sencillos pueden afectar la eficacia de un equipo de CX

He realizado dos cambios concretos durante el último año:

El primero estaba orientado al cliente. Utilizamos FIN, el agente de IA de Intercom, para desviar solicitudes de soporte. En cuatro meses, la tasa de resolución aumentó 10 puntos porcentuales. Esto significó que menos tickets de nivel uno llegaran al equipo y que los tickets que llegaban a una persona fueran realmente complejos. Eso nos permitió reasignar el tiempo del equipo.

Sin embargo, el Índice de CX cayó 9 puntos en febrero. Entendimos rápidamente por qué: FIN proporcionaba respuestas incorrectas porque se le había suministrado contenido desactualizado. Respondía con seguridad a preguntas que no debería haber contestado, y la lógica de escalamiento no lograba detectarlo. Los clientes se quedaban bloqueados.

Lo solucionamos realizando una auditoría de contenido y una revisión completa de las reglas de escalamiento: determinamos qué debía gestionar FIN, qué debía derivar inmediatamente y qué ocurría cuando no conocía la respuesta. Reescribimos la lógica de escalamiento para transferir antes los casos ante señales como reformulaciones repetidas, indicadores de frustración y categorías temáticas específicas, como facturación y errores. En abril, el Índice de CX se recuperó y se situó 5 puntos por encima de nuestro punto de partida.

Angela comparte

…La IA en el soporte no es una herramienta de desvío que se implementa una sola vez. Es un sistema con una capa de contenido que se deteriora y, si no la mantienes, terminas utilizando un bot seguro de sí mismo que erosiona lentamente la confianza del cliente, de manera tan gradual que no te das cuenta hasta que cambian las cifras.

La lección aquí fue que la IA en el soporte no es una herramienta de desvío que se implementa una sola vez. Es un sistema con una capa de contenido que se deteriora y, si no la mantienes, terminas utilizando un bot seguro de sí mismo que erosiona lentamente la confianza del cliente, de manera tan gradual que no te das cuenta hasta que cambian las cifras. La caída de febrero mostró que las cifras estaban cambiando. Lo positivo es la señal clara. Cuando algo sale mal, puedes rastrearlo. Esto es más de lo que obtienes con un equipo humano a gran escala.

El segundo cambio fue interno. Mejoramos nuestro flujo de trabajo de preparación de llamadas conectando Claude con Granola, Intercom, HubSpot y nuestro propio producto. Antes, los responsables de cuenta dedicaban entre 20 y 30 minutos a recopilar contexto antes de cada llamada: notas de la última reunión, tickets de soporte abiertos, etapa de la oportunidad y uso del producto.

Ahora, Claude reúne todo automáticamente en un único informe previo a la llamada. Los responsables de cuenta llegan con un contexto preciso en lugar de realizar comprobaciones genéricas. Esto nos permitió reducir el tiempo de preparación, y las horas que ahorramos se destinan a la comunicación proactiva y a conversaciones sobre valor.

Cómo el análisis de abandono basado en IA mejora la toma de decisiones

Veamos en detalle un flujo de trabajo de análisis de abandono que creé en Claude. El punto de partida evidente para analizar el abandono es el campo «motivo del abandono» del CRM. También es donde se encuentra la mayor parte de la distorsión. El responsable de cuenta completa ese campo después de perder la oportunidad, bajo la presión de cerrar el mes. Refleja cómo el responsable de cuenta interpretó la pérdida, no necesariamente por qué se marchó el cliente.

Comencé con una instrucción manual de IA que ejecutaba cada mes. El resultado era inconsistente; pasaba más tiempo corrigiéndolo del que ahorraba, así que desarrollé una habilidad automatizada que extrae datos directamente de HubSpot con reglas claras sobre qué propiedades y actividades buscar en el CRM.

Extrae todos los negocios perdidos y en riesgo correspondientes a un periodo determinado, normaliza las etiquetas del CRM y los agrupa por múltiples dimensiones, incluida una razón inferida a partir del historial completo del negocio: notas, transcripciones de llamadas, actividades y finalización de la incorporación. Lo más importante es que reasigna la responsabilidad de la pérdida mediante una lógica causal, no según lo que registró el AM.

Por ejemplo, un negocio reciente se registró como «Sin ROI», algo que la mayoría interpreta como un fallo de CS. Pero las notas del negocio mostraban que el proceso de ventas había establecido expectativas que el producto nunca podría haber cumplido. Es un problema de cualificación de ventas, no de CS. Habríamos necesitado que alguien leyera cada nota de cada negocio perdido (algo que no ocurre) para detectarlo sin IA.

El resultado es un documento listo para el CEO, además de extractos separados para CS, Producto y Ventas, cada uno con los casos y análisis de las causas raíz que le corresponden.

Por qué se debe demostrar el flujo de la información al resultado antes de añadir IA

Implemento IA allí donde una persona ya ha demostrado el flujo de la información al resultado. Si ese flujo aún se está probando, la IA no interviene: no se puede omitir ese trabajo de validación. Si automatizas antes de confirmar el patrón, escalas el comportamiento equivocado.

Estos son los ámbitos en los que actualmente trabaja la IA:

• Análisis: previsión de renovaciones y detección de patrones de pérdida. Este es el ejemplo más claro. Dejé de confiar en las razones de pérdida indicadas por los AM (que suelen agruparse en torno a «presupuesto» y «no encaja», porque son fáciles de registrar) y empecé a inferir las razones reales a partir de notas, transcripciones y uso del producto. La IA detectó una incorporación estancada detrás de la mitad de las etiquetas de «presupuesto». Eso trasladó nuestra intervención a una fase más temprana.
• Resúmenes: preparación de reuniones, seguimientos y síntesis semanal de decisiones. Es la única manera de que un CSM pueda gestionar la densidad de relaciones que necesitamos con nuestro objetivo de eficiencia.
• Chat de soporte: respuestas de primera línea basadas en documentación que una persona revisó previamente. El orden importa.

Intentamos mantener a una persona dentro del circuito. Cuando la IA sugiere una acción (indicadores de riesgo, señales de expansión, próximos pasos), un CSM o yo la revisamos y validamos antes de que llegue al cliente. La IA detecta patrones más rápido que yo, pero la persona que mantiene la relación conserva el criterio.

Como he dicho, necesito demostrar por mí misma el flujo de la información al resultado antes de integrar la IA, así que la formación de los AM y las evaluaciones de rendimiento son los ejemplos más claros de tareas que han permanecido completamente en manos humanas. Con el tiempo delegaré esta tarea, pero primero necesito probar con mis AM si asociar acciones específicas con señales específicas genera mejores resultados para la cartera. Hasta que ese patrón se mantenga en las reuniones individuales, automatizarlo solo escala una suposición.

Por qué los líderes de CX deben proporcionar contexto a la IA

Nunca delegues el pensamiento ni omitas el contexto.

Recuerda que la calidad del resultado de la IA depende del contexto que le proporciones. Y nada puede sustituir al pensamiento humano. Sí, utiliza la IA para cuestionar tus suposiciones, encontrar lagunas en tu razonamiento y comparar tus ideas con los estándares del sector. Pero para obtener resultados relevantes, debes proporcionarle el contexto que tienes en la mente y en los documentos internos.

Si simplemente le pides que construya algo sin esto, el resultado será, en el mejor de los casos, insulso y, en la mayoría de los casos, irrelevante.

Esto es especialmente importante con los chatbots: trabaja en tu capa de contexto del cliente. Un agente sin el contexto completo del cliente no solo da una respuesta incorrecta; da una respuesta incorrecta con seguridad. Y recuerda que los chatbots no pueden funcionar por sí solos. Alguien debe ser responsable del contenido que alimenta la IA, definir las reglas de escalado y realizar un control de calidad activo de sus resultados.

Cómo puede la IA revelar lagunas en tus datos

¿Mi consejo? Empieza con tus datos, no con tus herramientas.

Lo más útil que la IA puede hacer ahora mismo es sacar a la luz lo que está fallando en tus sistemas actuales —no generar un informe, sino encontrar brechas. Mi primer análisis de abandono con Claude no me dijo por qué se iban los clientes; me mostró que los AM etiquetaban los motivos de abandono de forma inconsistente, que los datos del CRM estaban desactualizados y que faltaban campos críticos. Ese es un problema de datos que no llegué a ver por completo hasta que la IA intentó trabajar con ellos.

Ese es el punto de partida. Entiende lo que tienes, corrige las inconsistencias y completa lo que falta. La IA solo será tan buena como los datos que le proporciones. Los líderes que se saltan este paso automatizarán el ruido y se preguntarán por qué los insights no tienen impacto.

Los datos limpios no son un consejo glamuroso, pero son el requisito previo.

Angela comparte

¿Mi consejo? Empieza con tus datos, no con tus herramientas…Ese es el punto de partida. Entiende lo que tienes, corrige las inconsistencias y completa lo que falta…Los datos limpios no son un consejo glamuroso, pero son el requisito previo.

Sigue la conversación

Sigue a Angela Guedes en su LinkedIn y Substack.

¡Próximamente habrá más entrevistas con expertos en CX Lead!