La directora de Experiencia del Cliente afirma que la IA está cambiando los organigramas de CX — y por eso está haciendo la transición a un modelo de «equipos de servicio»

Sofia Barbosa es la directora de Clientes en BMC Software, una empresa B2B que presta servicio a clientes con entornos de TI complejos.

Hablamos con Sofia para saber cómo está implementando la IA y cómo está cambiando el organigrama de su organización de CX. Esto es lo que nos contó.

Liderar todo el ciclo de vida del cliente posterior a la venta

Soy Sofia Barbosa, directora de Clientes en BMC Software. Lidero la Oficina de Clientes, una organización unificada que reúne Servicios Profesionales, Soporte, Gestión del Éxito del Cliente, Formación y Voz del Cliente.

En conjunto, estas funciones abarcan todo el ciclo de vida del cliente posterior a la venta, desde la implementación y la capacitación hasta el éxito continuo, la adopción y la promoción.

Atendemos a clientes B2B que operan algunos de los entornos de TI más complejos del mundo, lo que significa que nuestros equipos trabajan a través de una amplia variedad de canales y modelos de interacción, desde relaciones estratégicas de alta atención con cuentas hasta soporte escalable y de autoservicio.

Por qué la IA está cambiando los organigramas de CX

La mayoría de los organigramas de CX actuales reflejan décadas de complejidad acumulada: equipos especializados, traspasos limitados y procesos que dan por hecho que los humanos realizan cada paso del trabajo. La IA rompe con esa premisa, pero muchos líderes todavía intentan incorporar la IA a la estructura existente en lugar de preguntarse cómo debería ser la estructura si se diseñara desde cero, dando por sentada la IA.

Mi consejo es olvidar deliberadamente el estado actual y centrarse en el estado futuro. Eso significa resistirse a la tentación de preguntar: «¿Cómo encaja la IA en nuestros equipos y procesos actuales?». En su lugar, hay que preguntar: «Si construyéramos hoy esta organización desde cero, con capacidades de IA disponibles, ¿cómo sería?»

En la mayoría de los casos, la respuesta es más sencilla que lo que existe hoy: menos compartimentos estancos, menos traspasos y roles definidos por resultados en lugar de por tareas funcionales limitadas.

Esto es difícil porque implica dejar atrás estructuras, cargos y procesos construidos a lo largo de los años, pero los líderes que rediseñen la organización en torno al estado futuro, en lugar de adaptar el estado actual, crearán estructuras organizativas más sencillas y capaces que las originales.

Cómo la IA permite un modelo de «células de servicio»

Sofia comparte

La responsabilidad está pasando de «qué equipo es responsable de esto» a «qué célula es responsable de la experiencia integral de este cliente, de principio a fin,», lo que reduce gradualmente el señalamiento de culpables y facilita ver dónde la IA ayuda realmente y dónde todavía es necesario el seguimiento humano.

Durante el último año, implementamos un modelo de «células de servicio»: una reestructuración continua para eliminar los compartimentos estancos entre servicios, soporte, CSM y formación, e integrar agentes de IA en ese mismo organigrama unificado, en lugar de tratarlos como una herramienta independiente añadida posteriormente.

El catalizador fueron los agentes de IA, que asumieron una proporción cada vez mayor de las interacciones rutinarias. Nos dimos cuenta de que, si la IA operaba fuera de la estructura de equipos existente, crearía un nuevo compartimento estanco: otra brecha en los traspasos en lugar de cerrar las existentes. Por eso, estamos trabajando para situar a los agentes de IA, soporte, CSM, servicios y formación bajo un liderazgo compartido, con una visión común del historial de la cuenta, los problemas abiertos y el contexto del cliente.

Como resultado, en las áreas donde el modelo de células ya está tomando forma, los clientes ya no tienen que volver a explicar su situación a través de distintos canales. El contexto los acompaña, independientemente de si responde primero la IA o una persona.

Los agentes de IA también detectan patrones, como preguntas frecuentes y puntos de fricción, en tiempo real, lo que nos permite actualizar proactivamente la formación y la documentación, en lugar de hacerlo de forma reactiva.

La responsabilidad está pasando de «qué equipo es responsable de esto» a «qué célula es responsable de la experiencia integral de este cliente, de principio a fin», lo que reduce gradualmente el señalamiento de culpables y facilita ver dónde la IA ayuda realmente y dónde todavía es necesario el seguimiento humano.

Un flujo de trabajo de IA integral para capacitar a los usuarios

Un flujo de trabajo integral impulsado por IA que utilizamos actualmente se centra en la creación de contenido y formación, y ahora lo estamos ampliando con un agente de adopción.

El flujo de trabajo comienza con entradas sin procesar: interacciones con clientes, tickets de soporte, datos de uso del producto y notas de casos. La IA sintetiza estos datos para identificar preguntas frecuentes, puntos de fricción y brechas en la adopción de funciones entre las cuentas.

A partir de ahí, la IA redacta el contenido pertinente: módulos de formación, actualizaciones de la documentación, historias de éxito o materiales localizados/traducidos, según las brechas que revela el análisis. Después, una persona revisa y perfecciona este contenido preliminar antes de publicarlo o incorporarlo a nuestra biblioteca de formación y capacitación.

Las herramientas que componen este sistema son Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach y herramientas de telemetría del producto.

También estamos implementando un componente más reciente: un agente de adopción creado internamente junto con Copilot Studio. Este cierra el circuito de modo que, en lugar de limitarse a crear contenido de formación y esperar a que los clientes lo encuentren y utilicen, el agente identifica de forma proactiva cuándo un cliente o usuario no está adoptando una función o un flujo de trabajo según lo esperado, y le muestra directamente la formación o las instrucciones pertinentes en el momento en que las necesita.

El flujo de trabajo integral es el siguiente: señales de datos → contenido/formación generado por IA → revisión y perfeccionamiento humanos → publicación → el agente de adopción relaciona el contenido adecuado con el cliente adecuado en el momento adecuado, basándose en sus brechas de uso reales.

Seguimos en una etapa inicial del despliegue del agente de adopción, pero nuestro objetivo es convertir la creación de contenido de una difusión unidireccional en un sistema de circuito cerrado en el que la IA informe tanto la creación como la entrega del contenido.

Cómo genera la IA mejoras de eficiencia en CX

En cuanto a los resultados que estamos observando, la IA ha generado mejoras significativas en la escala y la producción. Hemos triplicado aproximadamente el número de historias de éxito y hemos observado mejoras similares en la automatización de la documentación, la creación de cursos de formación/aprendizaje, el contenido de vídeo y la traducción automática.

El esfuerzo manual solía crear cuellos de botella en tareas como redactar historias de clientes, localizar contenido o crear módulos de formación. Ahora la IA redacta este trabajo en una fracción del tiempo, lo que permite a los equipos producir más contenido para más cuentas y en más idiomas de lo que antes era viable.

La división entre el trabajo de la IA y el trabajo humano en CX

En general, la IA ahora informa varias actividades de CX: la priorización de la cartera de trabajo pendiente, el análisis de casos, la planificación de la adopción, la creación de historias de éxito y las revisiones del valor obtenido. En cada una de estas áreas, la IA sintetiza los datos, identifica patrones entre los casos, señala las cuentas en riesgo y redacta resultados iniciales, mientras que las personas revisan, perfeccionan y aportan su criterio antes de que algo llegue al cliente.

Las actividades explícitamente humanas requieren contexto relacional o criterio estratégico: la gestión de las relaciones con los promotores, la gestión de escalaciones con partes interesadas clave y las conversaciones sobre la materialización del valor, en las que el «porqué» de una recomendación importa tanto como la recomendación en sí. La IA no puede reproducir la confianza, el tono ni el historial vivido de la cuenta en estas áreas.

La división es sencilla: la IA reduce el tiempo dedicado al análisis y la redacción, tareas que antes requerían horas de búsqueda manual entre casos, datos de uso o notas. Al delegar esto en la IA, liberamos tiempo de nuestros equipos para que se concentren en actividades de mayor valor.

Por qué los proyectos piloto de IA deben ser escalables desde el primer día

Los desafíos que he observado han tenido menos que ver con la IA en sí y más con la ampliación desde la prueba de concepto hasta la producción. Muchos de estos casos de uso funcionaron bien en entornos piloto o a pequeña escala, pero descubrimos que convertirlos en procesos preparados para producción y repetibles —con los controles de calidad adecuados, integración en los flujos de trabajo existentes y coherencia entre los equipos— era más difícil de lo que sugería la experimentación inicial.

La brecha entre «esto funciona en una demostración» y «esto está integrado de forma fiable en nuestra manera de trabajar día a día» ha sido el principal punto de fricción.

Cuando se trata de IA, la experimentación es el punto de partida adecuado, y avanzar sin esperar a tener una certeza perfecta es fundamental. Sin embargo, les diría a los equipos que están comenzando ahora que diseñen pensando en la escalabilidad y la producción desde el principio, incluso mientras siguen experimentando.

De ese modo, no se quedarán atrapados en un modelo de POC, ejecutando un piloto tras otro que demuestra que un concepto funciona, pero sin crear los procesos subyacentes, las integraciones y los controles de calidad necesarios para llevarlo a producción. Si no piensan pronto en ese camino, terminarán con un cementerio de pilotos exitosos que nunca se convirtieron en una capacidad operativa real.

Por eso, mi consejo es mantener la mentalidad de experimentación, pero combinarla desde el primer día con una visión clara de lo que exige estar preparados para la producción, de modo que los pilotos tengan un camino real para avanzar en lugar de convertirse en callejones sin salida.

Sofia comparte

Cuando se trata de IA, la experimentación es el punto de partida adecuado, y avanzar sin esperar a tener una certeza perfecta es fundamental…Por eso, mi consejo es mantener la mentalidad de experimentación, pero combinarla desde el primer día con una visión clara de lo que exige estar preparados para la producción, de modo que los pilotos tengan un camino real para avanzar en lugar de convertirse en callejones sin salida.

Por qué la IA no puede sustituir la estrategia humana en CX

La expectativa de que la IA pudiera ampliar la cobertura de cuentas estratégicas del mismo modo en que amplió la producción de contenido o la documentación no se ha cumplido. Las relaciones de alto contacto y alto riesgo siguen estando impulsadas fundamentalmente por las personas, mientras que la IA desempeña un papel de apoyo, no de liderazgo.

En cambio, la IA ha aportado eficiencia a ese proceso. Ayuda a prepararse más rápidamente para conversaciones estratégicas, muestra datos y contexto relevantes antes de las reuniones y redacta materiales que luego las personas dan forma y presentan. Es un acelerador de la estrategia liderada por personas, no un sustituto de esta.

Cómo la IA ha cambiado las preferencias de canal según la generación

Una suposición arraigada que la IA nos obligó a reconsiderar estaba relacionada con las preferencias de canal según la generación: la idea de que los clientes más jóvenes optan por defecto por el chat o el autoservicio, mientras que los clientes mayores prefieren el teléfono o el correo electrónico, y que debíamos diseñar las experiencias estrictamente en torno a esas diferencias generacionales.

Hemos descubierto que la IA ha difuminado esas diferencias más de lo esperado, pero no las ha borrado por completo. En todas las generaciones, los clientes se inclinan cada vez más por el canal que resuelve su problema con mayor rapidez.

Por ejemplo, un cliente joven podría descolgar el teléfono para tratar un asunto complejo, mientras que un cliente mayor podría utilizar sin problemas un chat de IA para algo sencillo. En el pasado, habríamos supuesto lo contrario. La rapidez y la calidad de la resolución suelen pesar ahora más que el canal en sí.

Dicho esto, también hemos observado que, para determinados clientes —a menudo, aunque no exclusivamente, en las generaciones mayores—, la necesidad del contacto humano no ha desaparecido. Esto es especialmente cierto en el caso de problemas complejos, situaciones delicadas o conversaciones basadas en la relación, en las que la tranquilidad y la confianza importan tanto como la respuesta en sí. La IA no ha sustituido esa necesidad. Si acaso, ha hecho más visibles los casos en los que la interacción humana realmente importa, porque ahora la IA gestiona un mayor volumen de interacciones transaccionales.

Por eso, en lugar de abandonar por completo el enfoque generacional, hemos pasado de «diseñar por generación» a «diseñar según la necesidad». Utilizamos la IA para gestionar interacciones de gran volumen y resolución rápida para todo el mundo, al tiempo que preservamos y priorizamos vías de alto contacto lideradas por personas para momentos complejos o emocionalmente significativos, independientemente de quién realice la consulta.

Por qué los líderes de CX deben diferenciarse mediante datos propios

Mi consejo para los líderes de CX es que se centren en la diferenciación a través de sus propios datos. Las capacidades genéricas de IA se están convirtiendo en requisitos básicos; todos los proveedores y competidores tienen acceso a modelos y herramientas subyacentes similares. La verdadera diferenciación proviene de los datos propios que han acumulado: interacciones con clientes, patrones de uso, historial de soporte, resultados de éxito y conocimiento institucional único de su empresa y de sus relaciones con los clientes.

Los líderes que lograrán avanzar serán aquellos que traten esos datos como un activo estratégico y los incorporen activamente a sus iniciativas de IA, en lugar de depender de una IA estándar que produce los mismos resultados genéricos que obtienen los demás. Eso significa invertir ahora en la calidad, accesibilidad e integración de los datos, para que las herramientas de IA trabajen con todo el contexto de sus relaciones con los clientes en lugar de basarse en patrones genéricos.

No compitan por tener IA. Compitan por lo bien que fundamentan su IA en los datos y conocimientos que solo ustedes poseen.

Sigue la actualidad

Puedes seguir el trabajo de Sofia Barbosa en LinkedIn.

¡Próximamente habrá más entrevistas con expertos en The CX Lead!