Con el crecimiento acelerado de la compañía, sabíamos que necesitábamos nuevas maneras de escalar hacia nuestros clientes sin perder calidad. Por eso decidimos incorporar Inteligencia Artificial en el área de Customer Experience (CX), con el objetivo de mejorar la velocidad de respuesta, elevar la precisión y asegurar que nuestros equipos puedan enfocarse en los casos de mayor complejidad.
El punto de partida: diagnóstico inicial
El primer paso fue realizar un relevamiento exhaustivo de métricas de uno de los equipos de CX —que representaba aproximadamente el 50% de todos los tickets de Pomelo— y del equipo de TechOps (segundo nivel de escalamiento). Se analizaron:
- Cantidad de tickets totales
- Motivos de contacto
- Clasificación de dificultad de automatización
- SLA
- Escalamientos a nivel 2 y 3 (IT)
En paralelo, relevamos las herramientas utilizadas en ese momento para resolver tickets y realizamos reuniones para entender en detalle el paso a paso en la resolución. También analizamos las APIs disponibles para definir qué podíamos automatizar de forma programática.
Elección de la vertical y análisis de datos
Una vez finalizado el diagnóstico, definimos comenzar por una vertical de producto específica y todos sus motivos de contacto asociados. Descubrimos que gran parte de las consultas de ese equipo de CX se resolvían con información residente en nuestro Datalake.
Para capitalizar este hallazgo:
- Mapeamos y documentamos todas las queries utilizadas para resolver los tickets de esa vertical.
- Usamos una API construida por nuestro equipo de Data para ejecutar queries programáticas al Datalake.
- Pusimos a disposición del equipo un backend y un frontend iniciales que funcionaron como cimientos para la evolución de la herramienta.
- Conectamos estas soluciones a las APIs de Data y de la ticketera.
De esta forma, centralizamos en un único frontend las herramientas de consulta, evitando que los analistas tuvieran que escribir queries manuales o navegar entre múltiples sistemas.
El resultado inmediato fue un aumento de velocidad y una reducción en la complejidad del trabajo diario de CX.
De los árboles de decisión a manuales técnicos
Con el frontend validamos qué datos del Datalake eran realmente útiles y cuáles no. Esto nos permitió avanzar en la siguiente fase: crear árboles de decisión teóricos junto con el equipo de CX para cada caso de uso de los motivos de contacto seleccionados.
Luego, transformamos estos árboles de decisión en manuales técnicos estructurados, lo que permitió que la AI pudiese entender y procesar las resoluciones de tickets.
El agente inteligente: de instrucciones a acción
En paralelo, incorporamos un modelo de lenguaje de gran escala al sistema y diseñamos un agente personalizado con instrucciones específicas. Con el tiempo, pulimos su comportamiento y definimos cómo debía consumir la información de los manuales técnicos.
Para eso, creamos un nuevo microservicio con una base vectorial especializada, que almacena los manuales en un esquema optimizado para que el agente pudiera consultarlos de forma eficiente.
Así, el agente pasó a tener:
- Instrucciones generales para responder tickets.
- Instrucciones particulares provenientes de los manuales de resolución.
Todo esto se hizo de manera iterativa: comenzamos con un solo motivo de contacto, probamos, ajustamos y luego escalamos a más casos.
5. Entrenamiento y validación en vivo
Una vez que el agente tuvo acceso a las APIs del backend para ejecutar acciones, lo disponibilizamos en el frontend para que los analistas de CX lo usaran sobre tickets reales. Cada vez que un analista presionaba el botón de “analizar ticket”, el agente generaba una narrativa con la resolución propuesta.
El entrenamiento se realizó mediante un esquema de feedback simple:
- Pulgar arriba si la respuesta era correcta.
- Pulgar abajo si era incorrecta, en cuyo caso el analista escribía la respuesta adecuada.
Esa respuesta se almacenaba en la base de datos y además se enviaba automáticamente a la ticketera como contestación al cliente, evitando sobrecarga operativa.
De esta manera armamos un prompt compuesto por:
- El problema del cliente (desde la ticketera)
- El manual de resolución correspondiente
- Ejemplos validados de respuestas anteriores
Este entrenamiento constante fue la clave para mejorar la precisión del agente.
Escalamiento e impacto
Después de días de entrenamiento, integramos el agente a la ticketera para responder automáticamente de manera interna a tickets de un motivo de contacto.
Dos meses después ya teníamos 17 motivos de contacto automatizados, lo que representaba:
- 50% de los tickets del equipo de CX inicial
- 25% de los tickets de todos los equipos de CX de Pomelo
Esto fue posible gracias a un modelo escalable y robusto, desarrollado con buenas prácticas de programación, un backend y un frontend sólidos, potenciado con AI.
Además, se implementó:
- Loggeo y métricas para monitorear el % de tickets analizados con AI.
- Participación activa de analistas de CX en la validación del sistema.
- Auditoría, health checks y alertas en la aplicación.
Desde el primer día, medimos el impacto de la AI en CX con la pregunta clave:
¿Te ayudó o no la IA a resolver el ticket?
El sistema partió con un 70% de efectividad percibida, que fue aumentando progresivamente con cada interacción y ajuste.
Sinergias y automatizaciones adicionales
El agente resolutor también se integró con un agente categorizador de tickets, incorporado al dashboard de Pomelo para interactuar directamente con clientes. Este categorizador determina la criticidad y motivo de contacto, creando el ticket correspondiente para que luego el agente resolutor ejecute los procesos necesarios.
Además, se utilizaron flujos automatizados para integrarnos con Jira, disparando acciones automáticas o semiautomáticas que facilitaban la tarea de los analistas de CX en caso de fallos.
El resultado fue contundente: escalar el negocio preservando la eficiencia operativa, manteniendo la calidad del servicio y ofreciendo tiempos de respuesta cada vez más rápidos.
La incorporación de AI en Customer Experience en Pomelo fue un proceso iterativo, técnico y colaborativo que nos permitió transformar la manera en que resolvemos tickets. Partimos de un diagnóstico preciso, construimos bases sólidas de backend y frontend, y sobre ellas sumamos AI para potenciar la operación.
El impacto fue claro: mayor velocidad, más eficiencia, y analistas enfocados en las interacciones de mayor valor.
En Pomelo creemos que la innovación no es un destino, sino un camino. Este proyecto es un ejemplo de cómo combinamos tecnología de punta con visión de negocio para escalar con velocidad, siempre con el objetivo de ofrecer la mejor experiencia a nuestros clientes.