Director de experiencia del cliente del sector tecnológico afirma que los líderes automatizan en exceso en lugar de corregir un mal diseño del producto
Shankar Sahai explica por qué los líderes de experiencia del cliente deben corregir el mal diseño del producto y los datos desordenados antes de usar la IA para automatizar los problemas del recorrido del cliente.
Shankar Sahai
Director de experiencia del cliente en UpendNow.com
Investigación sobre IA: La IA reduce el tiempo de investigación cualitativa de semanas a minutos al revelar puntos específicos de fricción del usuario en tiempo real.
Criterio humano: Los seres humanos deben interpretar el contexto del sector, rediseñar los recorridos y gestionar las decisiones delicadas de recuperación del servicio.
Asistencia contextual: La IA proporciona al personal de soporte el contexto completo de la sesión, lo que permite ofrecer ayuda más rápida y pertinente sin atrapar a los clientes en bots.
Diseño primero: Un mejor diseño del producto suele ser más eficaz que la personalización cuando los usuarios necesitan flujos de trabajo más sencillos, interfaces más claras y búsquedas más rápidas.
Base de datos: Los proyectos piloto de IA exitosos requieren datos depurados y unificados; de lo contrario, la automatización amplifica las contradicciones, el ruido y las decisiones deficientes.
Shankar Sahai es el CXO de UpendNow.com, una plataforma de orquestación de producción con IA que agiliza la creación de videos, películas y anuncios. Su enfoque consiste en evitar que la organización construya cosas costosas que nadie quiere. Y lo hace con IA.
Nos sentamos con Shankar para conocer qué está automatizando y dónde el diseño supera a la automatización.
Garantizar que la experiencia humana cumpla las promesas de la sala de juntas
Hola a todos, soy Shankar Sahai y soy el director de experiencia del cliente en UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Si tuviera que resumir en una sola frase lo que hago todos los días, sería esto: evito que las empresas construyan cosas increíblemente costosas que nadie quiere o sabe utilizar. Paso la mayor parte de mi tiempo en la caótica intersección entre el desarrollo de productos, la investigación de clientes y la estrategia operativa.
En UpendNow trabajamos profundamente en el ámbito B2B, ayudando a las organizaciones a afrontar grandes transformaciones digitales y a reparar recorridos del cliente defectuosos. Cuando hablamos de "escala", no se trata tanto de contar un enorme volumen de tickets de soporte —aunque vemos muchos— como de abordar una enorme complejidad operativa. Examinamos ecosistemas multicanal en los que los clientes pueden pasar de un portal web a una aplicación móvil, al soporte directo y a un representante de ventas en la misma semana, esperando que la empresa recuerde mágicamente cada interacción.
Como CXO, ayudo a los equipos directivos a dejar de ver la CX como un centro de costos de "soporte" y a empezar a tratarla como un motor central del negocio. Nos encargamos del trabajo pesado —desde la investigación exhaustiva de usuarios hasta la automatización de flujos de trabajo y las transformaciones ágiles— para garantizar que la experiencia humana cumpla las grandes promesas hechas en la sala de juntas.
Cómo integrar la IA en la investigación cualitativa de usuarios
Construimos un flujo interno de IA que ingiere, categoriza y mapea el sentimiento de los datos de conversaciones sin procesar en tiempo real… Eso eliminó las suposiciones. Nuestro tiempo hasta obtener información útil pasó de tres semanas a unos minutos. De hecho, recientemente detectamos un importante problema de UX en un nuevo portal en las 48 horas posteriores a su lanzamiento, lo solucionamos de inmediato y evitamos un aumento masivo de los tickets de soporte.
Nuestro mayor cambio no consistió en instalar un chatbot llamativo de cara al cliente. En su lugar, integramos la IA profundamente en nuestra investigación cualitativa de usuarios y en el análisis posterior a las interacciones.
Teníamos una montaña de datos no estructurados: miles de horas de entrevistas con usuarios, transcripciones de soporte y comentarios abiertos. Antes, revisar todo eso manualmente para encontrar información útil llevaba semanas. Para cuando habíamos mapeado los puntos de fricción, los datos ya estaban desactualizados.
Construimos un flujo interno de IA que ingiere, categoriza y mapea el sentimiento de los datos de conversaciones sin procesar en tiempo real. En lugar de limitarse a señalar "feliz frente a triste", identifica obstáculos conductuales específicos, como el punto en el que un usuario se confunde con la terminología de la interfaz o abandona un flujo de incorporación.
En cuanto a las herramientas, utilizamos la API Whisper de OpenAI para la transcripción de audio y video. Para el análisis y la categorización, utilizamos Claude (3.5 Sonnet) de Anthropic.
Eso eliminó las suposiciones. Sustituimos las intuiciones de la sala de juntas por datos concretos. Ahora tenemos un panel en tiempo real que muestra exactamente por qué y dónde tienen dificultades los usuarios. Y aumentó la velocidad. Nuestro tiempo hasta obtener información útil pasó de tres semanas a unos minutos. De hecho, recientemente detectamos un importante problema de UX en un nuevo portal en las 48 horas posteriores a su lanzamiento, lo solucionamos de inmediato y evitamos un aumento masivo de los tickets de soporte.
Un flujo de trabajo de CX de alto contacto respaldado por IA
Todo nuestro mundo en UpendNow.com gira en torno a Solt OS, nuestra plataforma que ayuda a cineastas y agencias de publicidad a automatizar la pesadilla de la preproducción: convertir un guion desordenado en storyboards, listas de planos y presupuestos. Como la producción cinematográfica es tan visual y compleja, un flujo de trabajo estándar de tickets de soporte no funciona para nosotros. Cuando un director se queda atascado intentando generar un video de previsualización y la coherencia de los personajes sigue fallando, no quiere un servicio de asistencia informática genérico.
Ahora gestionamos esto sin problemas. Este es el flujo de trabajo.
En el momento en que un creador señala un problema o se queda bloqueado, nuestra IA interna no se limita a leer su reclamación escrita; incorpora todo el contexto de su sesión creativa. Revisa el guion que subió, las indicaciones que utilizó y los storyboards que fallaron.
Desde ahí, la IA realiza el trabajo analítico más exigente. Diagnostica el punto exacto de fricción creativa, como darse cuenta de que el cineasta utilizó un encabezado de escena no estándar que confundió el seguimiento de ubicaciones del sistema.
Entonces, en lugar de hacer esperar al usuario o de obligarlo a hablar con un bot, el sistema entrega todo a uno de los miembros humanos de nuestro equipo. Pero lo hace acompañado de una guía completa. El operador humano abre el caso y ve al instante qué números de escena están entrando en bucle, cuál es el error de formato y una solución redactada previamente.
El cineasta recibe una respuesta rápida y profundamente contextualizada de una persona que habla su lenguaje cinematográfico, y nosotros evitamos que su impulso creativo se desvanezca. Para cerrar el ciclo, la IA registra automáticamente ese error de formato específico en nuestra lista de tareas de ingeniería, de modo que podamos corregir la interfaz del producto y evitar que le ocurra al siguiente director.
Cómo la IA informa las decisiones de CX mientras los humanos guían la estrategia
Shankar comparte
…no automatizamos las relaciones humanas. Usamos la IA para encargarse del trabajo analítico rutinario, de modo que nuestro equipo tenga tiempo para centrarse en el trabajo valioso y profundamente humano de construir relaciones y resolver problemas complejos.
Seguimos una regla general estricta: la IA se encarga del "Qué" y el "Dónde", pero los humanos son responsables del "Por qué" y el "Cómo".
Estos son un par de ejemplos de lo que la IA gestiona bien:
Priorización de problemas y detección de tendencias: la IA analiza en tiempo real miles de transcripciones de soporte y sesiones de usuarios entrantes. Marca al instante anomalías, como un aumento repentino del 15 % en los usuarios que se quedan atascados en una página de pago, mucho antes de que un responsable humano detecte el patrón. Usamos PostHog para esto.
Mapa de fricciones del recorrido: la IA analiza el comportamiento de los usuarios en nuestras plataformas y señala exactamente dónde se producen los abandonos. Elimina las conjeturas. Actualmente estamos trasladando nuestras herramientas a FullStory (StoryAI y API).
Por parte de los humanos:
Rediseño y estrategia del recorrido: la IA puede decirme dónde abandonan las personas, pero carece del contexto empresarial y la empatía creativa necesarios para rediseñar la experiencia. Corregir un recorrido B2B defectuoso requiere gestionar las dinámicas políticas entre equipos, aceptar compromisos de ingeniería y comprender profundamente el comportamiento humano. La IA no puede sentarse en una sala y conseguir que tres departamentos distintos se pongan de acuerdo sobre una solución.
Recuperación del servicio y escalamiento: si una interrupción del sistema afecta las operaciones de un cliente de alto valor y lo enfurece, no quiere una disculpa de IA perfectamente generada. La recuperación en situaciones de alto riesgo requiere empatía humana genuina, responsabilidad y autoridad para flexibilizar las reglas y solucionar las cosas.
En otras palabras, no automatizamos las relaciones humanas. Usamos la IA para encargarse del trabajo analítico rutinario, de modo que nuestro equipo tenga tiempo para centrarse en el trabajo valioso y profundamente humano de construir relaciones y resolver problemas complejos.
Cómo la IA tiene dificultades con el contexto específico de la industria
Shankar comparte
Confiar ciegamente en el panel automatizado sin una comprobación humana de sentido común habría supuesto desperdiciar semanas reescribiendo código perfectamente válido. La IA encuentra patrones, pero tiene grandes dificultades con el contexto profundo y específico de cada industria.
La integración de la IA en nuestro análisis de datos cualitativos y la priorización de problemas ha transformado nuestro ritmo operativo.
Nuestro equipo solía pasar semanas etiquetando datos manualmente para detectar fallos sistémicos de UX o cuellos de botella en la incorporación en distintas cuentas. Ahora, la IA marca estos patrones de fricción recurrentes casi al instante. Detectar estos problemas más rápidamente nos permite corregir errores y arreglar flujos de trabajo confusos antes de que se conviertan en una avalancha de quejas de los clientes. Esto alejó fundamentalmente a nuestros equipos de producto e investigación de la tediosa introducción de datos en hojas de cálculo y les permitió centrarse en diseñar soluciones.
Pero no todo ha sido un camino fácil. Nuestro mayor problema fue el ruido analítico y la falta de contexto real.
Al principio, sobrevaloramos la capacidad de la IA para etiquetar sentimientos y tendencias. Observamos un fuerte aumento en las etiquetas de sentimiento negativo relacionadas con una función recién lanzada. El equipo casi se apresuró a revertir la actualización. Sin embargo, un análisis humano en profundidad reveló que la IA había interpretado completamente mal la jerga específica de la industria y las quejas técnicas de nuestros usuarios avanzados. No estaban enfadados con la función; simplemente hablaban apasionadamente sobre sus propios flujos de trabajo complejos.
Confiar ciegamente en el panel automatizado sin una comprobación humana de sentido común habría supuesto desperdiciar semanas reescribiendo código perfectamente válido. La IA encuentra patrones, pero tiene grandes dificultades con el contexto profundo y específico de cada industria.
Por qué el diseño del producto puede ser más importante que una IA sofisticada
La hiperpersonalización contextual es otro ámbito en el que la IA no está cumpliendo las expectativas.
La promesa era que la IA podría analizar sin problemas el comportamiento pasado de un cliente B2B, el uso actual del producto y su historial de soporte para adaptar dinámicamente su experiencia de incorporación o de panel en tiempo real. Esperábamos que resultara intuitiva, como una conserjería digital que anticipara exactamente lo que un usuario necesitaba a continuación. En cambio, en su mayoría resultó intrusiva o irrelevante.
En un entorno tecnológico B2B complejo, la intención del usuario cambia radicalmente de una hora a otra. Un usuario puede iniciar sesión para realizar una tarea administrativa rápida y repetitiva, pero la IA —que intenta ser útil basándose en tendencias más amplias de la cuenta— llena su vista de recomendaciones sobre una función avanzada que no le interesa en ese momento. Añadió carga cognitiva en lugar de reducirla.
Nos dimos cuenta de que, al navegar por una plataforma, los usuarios no quieren que la IA adivine qué desean hacer a continuación; quieren un diseño de interfaz de usuario limpio, flujos de trabajo predecibles y una funcionalidad de búsqueda ultrarrápida. Esperábamos que la IA resolviera un problema de experiencia de usuario que, en última instancia, requería un diseño de producto mejor y más sencillo.
Por qué la calidad de los datos es fundamental antes de lanzar proyectos piloto de IA
Ojalá hubiera sabido cuánto afectarían nuestros propios datos internos desordenados en las primeras etapas.
Cuando escuchas a los proveedores de IA, hacen que parezca que solo tienes que conectar esta herramienta mágica y que, al instante, generará análisis brillantes y listos para ser utilizados por personas. Pero la realidad es que tu IA solo es tan buena como los datos que le proporcionas.
Antes de nuestro primer proyecto piloto, teníamos años de comentarios de clientes, investigaciones antiguas de usuarios y registros de soporte dispersos en distintos silos. Parte de esa información estaba desactualizada, otra era directamente contradictoria y mucha carecía del contexto específico de producción cinematográfica de lo que hacemos en UpendNow.
Como no limpiamos primero esa base de datos, la IA pasó las primeras semanas alucinando tendencias extrañas y generando una enorme cantidad de ruido analítico que mi equipo perdió tiempo refutando.
Si pudiera hacerlo de nuevo, habría dedicado mucho menos tiempo a evaluar funciones llamativas de IA y mucho más a limpiar nuestra arquitectura interna de datos antes de activar el sistema. Primero hay que arreglar los cimientos; de lo contrario, solo estás automatizando el caos.
El área en la que todos los líderes de experiencia del cliente deberían centrarse
El área que todos deben rediseñar por completo ahora mismo es el mapeo del recorrido del cliente…Si no rediseñas la forma en que mapeas y visualizas el recorrido del cliente, utilizarás la IA para optimizar puntos de contacto individuales y aislados, mientras pasas completamente por alto que la experiencia global está rota. Tenemos que dejar de mapear el pasado y empezar a orquestar el presente.
Director de experiencia del cliente en UpendNow.com
El área que todos deben rediseñar por completo ahora mismo es el mapeo del recorrido del cliente.
Históricamente, el mapeo del recorrido era un ejercicio estático de sala de juntas. La gente se reunía en una sala con notas adhesivas, trazaba un recorrido idealizado, lo convertía en un PDF y después nadie volvía a consultarlo durante un año. Representa lo que esperamos que haga el cliente, no la realidad.
En un mundo aumentado por la IA, ese enfoque está obsoleto.
Los líderes deberían rediseñar activamente los mapas del recorrido del cliente para que sean dinámicos, en tiempo real y se alimenten de datos actualizados. Como las herramientas de IA ahora pueden procesar datos no estructurados —como sesiones de usuarios en directo, llamadas de soporte y puntos de abandono— en tiempo real, tu mapa del recorrido no debería ser un documento. Debería ser un panel de software vivo y dinámico.
En lugar de adivinar dónde está la fricción, tu sistema debería informarte activamente: "Oye, ahora mismo, los cineastas de agencias boutique están encontrando un obstáculo en el tercer paso de la incorporación debido a un retraso de la interfaz de usuario". Si no rediseñas la forma en que mapeas y visualizas el recorrido del cliente, utilizarás la IA para optimizar puntos de contacto individuales y aislados, mientras pasas completamente por alto que la experiencia global está rota. Tenemos que dejar de mapear el pasado y empezar a orquestar el presente.
No puedes automatizar para salir de un mal diseño
Mi consejo es sencillo: deja de intentar automatizar para salir de un mal diseño.
Ahora mismo, los líderes de CX sienten una enorme tentación de aplicar AI a cada punto de fricción del recorrido del cliente porque parece rápido y barato. Si tu proceso de incorporación es confuso, ponle un asistente de AI. Si tu documentación es un desastre, crea un bot de búsqueda con AI. Pero lo único que estás haciendo es poner una curita de alta tecnología sobre un proceso defectuoso. Estás utilizando AI para ayudar a los clientes a sortear una complejidad que no debería existir desde el principio.
Antes de comprar otra herramienta de AI o lanzar otro flujo de trabajo automatizado, vuelve a lo esencial. Analiza tu producto principal y la prestación de tu servicio principal. Corrige primero los problemas subyacentes de UX, depura las desordenadas canalizaciones de datos y simplifica el recorrido del cliente.
Sigue el contenido
Puedes seguir el trabajo de Shankar Sahai en LinkedIn y X.
¡Próximamente, más entrevistas con expertos en The CX Lead!
We're building a curated community for senior leaders to pressure-test decisions, compare notes, and have the conversations they can't have everywhere else.
