Control de calidad basado en IA en los centros de atención al cliente: cómo convertir el control de calidad de un centro de costes en una fuente de inteligencia estratégica

Por Kathleen McNair y Tonya Webber

Las herramientas de control de calidad basadas en la inteligencia artificial han pasado de la fase piloto a la fase de producción en la mayoría de los grandes centros de atención al cliente de todo el mundo y se utilizan para escuchar cada interacción, evaluar cada llamada y señalar cualquier posible problema en tiempo real. Sin embargo, a nivel directivo, los beneficios siguen sin estar claros. Los resultados fundamentales, como la resolución de problemas, la satisfacción del cliente y el coste por servicio, suelen ser muy similares a los que se obtenían con el muestreo tradicional.

En nuestro último estudio en COPC, hemos constatado que el 79 % de las organizaciones utilizan actualmente la IA en la atención al cliente, y que un 15,9 % adicional tiene previsto implementarla en un plazo de 18 meses. Solo el 5 % no tiene ningún plan al respecto. Pero el matiz fundamental es que, entre los usuarios actuales, casi dos tercios (el 61,7 % de todos los encuestados) están planeando activamente renovar, cambiar o actualizar sus soluciones de IA. Esto podría indicar una brecha entre las expectativas y la realidad.

Esta es precisamente la brecha que observamos en nuestro trabajo en COPC Inc. Durante casi treinta años, hemos ayudado a las organizaciones a mejorar sus operaciones relacionadas con la experiencia del cliente (CX), hemos diseñado y perfeccionado la Norma COPC de Experiencia del Cliente (CX) y hemos asesorado a los líderes sobre cómo obtener un valor real de sus decisiones tecnológicas. Hemos aprendido que solo se obtienen resultados cuando la tecnología se adapta a la forma en que realmente se lleva a cabo el trabajo y a cómo los clientes perciben tu marca.

En la actualidad, muchos programas de calidad siguen aplicando una mentalidad basada en muestras reducidas a un contexto que abarca a toda la población. Algunos intentan medir la resolución de incidencias, pero suelen hacerlo desde la perspectiva de la empresa (es decir, ¿siguió el agente el guion, aplicó la política y dio la respuesta aprobada?). En ese contexto, el resultado para el cliente se da por supuesto en lugar de medirse, y la automatización genera cuadros de mando que miden en qué medida los agentes se ajustan a las políticas. Lo que sigue faltando son los detalles de diagnóstico necesarios para comprender qué políticas, procesos o herramientas están provocando realmente el fracaso en la resolución desde la perspectiva del cliente. 

Cuando la calidad se reorienta hacia los resultados para el cliente, se perfila un panorama diferente. A menudo, una gran parte de los problemas sin resolver se debe a las políticas, los procesos o las herramientas, más que al comportamiento de los agentes.

A continuación, analizaremos los tres elementos necesarios para convertir esa visibilidad en ROI significativo: datos organizados en función de los resultados para el cliente, equipos de calidad capacitados para actuar en función de lo que observan, y la inteligencia artificial y la experiencia humana trabajando en colaboración, en lugar de hacerlo de forma aislada.

Cómo la supervisión de la calidad mediante IA convierte los datos de control de calidad en información útil

El control de calidad tradicional de los centros de contacto se basaba en la escasez de datos. La mayoría de los equipos solo podían revisar una pequeña muestra de interacciones —a menudo entre el dos y el cinco por ciento— y utilizaban esa muestra para formar a los agentes, supervisar el cumplimiento normativo y estimar el rendimiento a nivel de programa. El reto era la visibilidad. Las organizaciones carecían de la tecnología necesaria para analizar las interacciones con la profundidad y la escala requeridas para comprender por qué se resolvían o no se resolvían los problemas. Podían identificar que existía un problema, pero no podían determinar fácilmente qué fallos en las políticas, los procesos o las herramientas lo provocaban.

El control de calidad basado en IA cambia esta situación. Es capaz de puntuar, etiquetar y clasificar cada llamada, chat e interacción digital. Esto supone un gran avance con respecto a los programas tradicionales, que solo revisaban manualmente unos pocos contactos por agente al mes. Sin embargo, disponer de más datos no garantiza automáticamente mejores decisiones. En muchas organizaciones, esto solo se traduce en más paneles de control, más alertas y más transcripciones que los equipos deben revisar.

La verdadera pregunta no es si la tecnología puede supervisar cada interacción. Es que sí puede. La pregunta es cómo recopilar y organizar los datos adecuados para que los responsables puedan detectar dónde se está perdiendo valor y qué es lo que hay que cambiar en primer lugar.

Empieza por el cliente, no por la lista de comprobación.

En nuestro trabajo en COPC, el primer cambio es sencillo. Dejamos de preguntarnos únicamente si el agente siguió los procedimientos correctos y empezamos a preguntarnos si el problema del cliente se resolvió realmente.

No son lo mismo.

Si un cliente llama para solicitar un reembolso y el agente sigue la política al pie de la letra, rechaza la solicitud y documenta la interacción correctamente, muchos programas de calidad tradicionales consideran que ese contacto está resuelto. Desde el punto de vista de la empresa, el proceso ha funcionado. Desde el punto de vista del cliente, no ha sido así. El cliente seguía queriendo un reembolso y se fue sin él.

Una forma sencilla de mostrar la diferencia es la siguiente:

Si la calidad se evalúa únicamente en función de si el agente ha seguido las normas, las organizaciones sobreestimarán el rendimiento y pasarán por alto las políticas, los procesos y las herramientas que impiden una resolución efectiva.

Esa distinción es importante porque modifica lo que mide el control de calidad basado en la IA. Si el sistema solo comprueba el cumplimiento, se convierte en una versión más rápida del antiguo modelo de control de calidad. Si, por el contrario, mide la percepción que tiene el cliente de la resolución del problema, puede empezar a poner de manifiesto en qué aspectos las políticas, los procesos y las herramientas están impidiendo obtener mejores resultados.

Las herramientas de calidad basadas en la inteligencia artificial suelen medir los comportamientos basados en reglas de forma más fiable que los resultados para el cliente. El cumplimiento de los guiones, los saludos corteses y los procedimientos adecuados de puesta en espera son más fáciles de puntuar, ya que siguen patrones claros. La resolución de incidencias, el esfuerzo, la confianza y la satisfacción del cliente son más difíciles de evaluar con la misma seguridad. Esto puede llevar a que las organizaciones obtengan puntuaciones de calidad que parecen precisas, pero que pasan por alto las señales de la experiencia que más importan. 

Un análisis estructurado revela qué factores impulsan la resolución.

En nuestro trabajo con los centros de atención al cliente, utilizamos una visualización en forma de árbol de resolución como una de las formas de organizar los datos de control de calidad de la IA desde la perspectiva del cliente. Otra opción es un panel de control de Pareto con función de desglose que clasifica los principales factores que contribuyen a los contactos sin resolver y permite a los equipos acceder a las causas fundamentales con un simple clic. El formato puede variar. Lo importante es proporcionar a los equipos de calidad una forma práctica de pasar de resultados generales a causas específicas y, a continuación, a la acción.

El árbol de resolución toma datos a nivel de población y los estructura jerárquicamente:

• Resultado: problema resuelto o sin resolver
• Controlabilidad: controlable por un agente o no controlable por un agente

Causa principal: política , proceso, herramienta u otros factores

Cuando cambiamos el enfoque del control de calidad, pasando de la perspectiva del agente a la del cliente, para un cliente norteamericano del sector del comercio electrónico B2B, las cifras revelaron una realidad muy diferente.

En la parte izquierda del árbol, el 40 % de los problemas se resolvieron desde el punto de vista del cliente, mientras que el 60 % restante no. Al desglosar ese 60 %, solo 7 puntos porcentuales dependían realmente de los agentes. El resto de los puntos porcentuales, o el porcentaje de fallos, se debían a políticas, procesos o herramientas, y no a los agentes a título individual. Observamos un patrón similar de 70/30 en muchos entornos cuando aplicamos este enfoque. Los porcentajes exactos varían según el cliente y el recorrido, pero la tónica general es la misma: la mayoría de los problemas de calidad son sistémicos, no individuales.

El árbol nos permite profundizar aún más. De esos 28 puntos sistémicos, 24 se referían a cuestiones relacionadas con las políticas y los procesos de la experiencia del cliente:

• 14 puntos por el requisito de que el cliente presente una solicitud por escrito en relación con su problema
• 6 puntos por escaladas o traslados
• 4 puntos sobre los requisitos de confirmación del cliente

Las normas financieras, las herramientas y las restricciones específicas de cada cliente constituyeron los 4 puntos restantes.

Por qué esta estructura cambia el enfoque del debate

Un panel de análisis detallado puede aplicar la misma lógica en un formato diferente, lo que ayuda a los equipos a identificar en primer lugar los principales factores que contribuyen a los contactos sin resolver y, a continuación, profundizar en las políticas, los procesos, las herramientas o los comportamientos de los agentes que subyacen a ellos.

Una vez que los datos se organizan de esta manera, hay tres cosas que cambian de inmediato.

1. Fijación realista de objetivos. La mayoría de las organizaciones establecen objetivos de resolución basándose en el rendimiento histórico y añadiendo luego un objetivo ambicioso. En este ejemplo, la organización se había fijado como meta alcanzar una tasa de resolución del 75 %. Mes tras mes, el centro de atención al cliente no lograba alcanzar el objetivo a pesar de aumentar coaching la presión sobre los equipos de primera línea.
   
   El análisis estructurado reveló el motivo. Incluso si todos los agentes trabajaran a la perfección, el centro de atención al cliente solo podría pasar de una tasa de resolución del 60 % a alrededor del 72 %. Sin cambiar las políticas, los procesos o las herramientas, el 75 % estaba matemáticamente fuera de su alcance. Ninguna cantidad de coaching los agentes superar el techo que el propio sistema ha creado. En lugar de preguntarse: «¿Por qué los agentes no alcanzan el 75 %?», los líderes pueden preguntarse: «¿Qué tiene que cambiar en nuestras políticas o procesos para que el 75 % sea alcanzable?».
   
2. Casos de negocio cuantificados. Cuando una política, como «se requiere solicitud por escrito», es responsable de 14 puntos porcentuales de los casos sin resolver, los responsables pueden respaldarla con cifras concretas. Con algunos datos adicionales, como el coste por contacto, las políticas de reembolso y las posibles alternativas digitales, los equipos de calidad pueden estimar el impacto financiero anual y compararlo con el coste de mantener esa norma frente a sustituirla por una solución tecnológica o de procesos que elimine la fricción con el cliente.
   
   En lugar de decir: «Creemos que esta política está causando fricción», el equipo de calidad puede afirmar: «Este requisito específico está suponiendo un coste estimado en contactos adicionales y resoluciones perdidas». En un escenario simulado, los 100 000 contactos iniciales aumentaron hasta alcanzar un total de casi 136 972 contactos a lo largo del tiempo, a medida que los clientes volvían a ponerse en contacto, lo que supuso unos 147 888 dólares en costes anuales evitables. Visto así, la calidad se convierte en una forma de sacar a la luz la demanda y los costes ocultos, y no solo de puntuar el comportamiento. Ese es el cambio de la calidad como centro de costes a la calidad como proveedora de inteligencia empresarial para el centro de contacto.
   
3. Análisis en profundidad más rápidos. Esta tecnología agiliza considerablemente los análisis en profundidad, mientras que una vista estructurada ayuda a los equipos a centrarse en la sucursal o categoría adecuada. Si la opción «requiere escalado o transferencia» supone un coste de 7,1 puntos porcentuales en la resolución, los equipos pueden extraer en cuestión de segundos todas las interacciones que requieran escalado o transferencia.
   
   Los responsables de calidad y operaciones pueden examinar una muestra específica y detectar rápidamente qué factores están determinando esa tendencia:
   • ¿Las escaladas se exigen por política o simplemente por costumbre?
   • ¿Existen lagunas de conocimiento o limitaciones en las herramientas que impidan resolver el problema en la primera interacción?
   • ¿Hay algún producto, proceso o segmento de clientes que esté sobrerrepresentado en esa sucursal?

Sin una estructura, esas preguntas quedan sepultadas bajo miles de puntuaciones indistintas. Con una estructura, los líderes pasan de pensar «tenemos un problema de resolución» a «sabemos qué medidas acelerarán la resolución y podemos demostrar su impacto antes de pedir a la organización que cambie».

Por qué la supervisión humana sigue siendo importante 

El próximo reto no es la escala, sino el criterio. McKinsey ha señalado que, aunque la IA se haga cargo de una parte cada vez mayor de las interacciones de servicio, los centros de atención al cliente gestionados por personas siguen siendo fundamentales tanto para validar la IA como para gestionar aquellos casos complejos y con matices emocionales que la tecnología aún no logra manejar adecuadamente. CX Dive ha planteado una idea similar desde otro punto de vista: en la experiencia del cliente, el mayor obstáculo no suele ser la tecnología en sí, sino la gestión del cambio y su adopción. 

Este es el punto en el que los programas de control de calidad basados en IA ROI bien generan ROI se quedan cortos. La tecnología es capaz de analizar interacciones a gran escala, detectar patrones con rapidez, identificar problemas en todos los canales y recorridos, y liberar a los equipos de control de calidad de gran parte del trabajo manual de evaluación. Esto supone un avance importante con respecto al control de calidad basado en muestras reducidas. Sin embargo, una mayor cobertura no mejora automáticamente los resultados.

Lo que los equipos de recursos humanos aún deben hacer

En el modelo de COPC, la supervisión humana sigue siendo necesaria para lograr ROI de calidad:

• Defina el criterio de resolución determinando qué significa «resuelto» desde el punto de vista del cliente
• Calibre el sistema en función de resultados reales, como los contactos repetidos, la resolución de incidencias y la satisfacción del cliente
• Analizar las causas fundamentales separando coaching de los fallos en las políticas, los procesos o las herramientas
• Prioriza los resultados para que los responsables puedan centrarse en los cambios que mejoren el rendimiento con mayor rapidez
• Elabora un argumento a favor del cambio en los ámbitos operativo y financiero que permita pasar a la acción

Esta es la colaboración entre personas e inteligencia artificial que realmente aporta valor. La inteligencia artificial aporta la escala; las personas aportan la estructura, el criterio y el seguimiento que la convierten en inteligencia.

El ciclo de calibración que convierte la visibilidad en ROI

Los programas más eficaces siguen un proceso de calibración bien definido:

1. El sistema puntúa y clasifica las interacciones
2. Los equipos de calidad contrastan esos resultados con los datos sobre resolución de incidencias, repetición de contactos y satisfacción
3. Los criterios se perfeccionan
4. El sistema se adapta mejor a lo que realmente importa a los clientes y a la empresa

Esto hace que el sistema resulte más útil para los responsables, ya que vincula los resultados de la IA a resultados reales, y no solo a puntuaciones automatizadas. Además, hace que el proceso sea más justo para los agentes. En lugar de evaluar el rendimiento a partir de una muestra muy reducida, los responsables pueden examinar un conjunto de datos mucho más completo y ver con mayor claridad cuándo el verdadero problema radica en el sistema que rodea al agente, y no solo en el propio agente.

Desde cuadros de mando e informes hasta análisis estratégicos

En un modelo tradicional de control de calidad, el equipo dedica gran parte de su tiempo a revisar transacciones, cumplimentar fichas de evaluación y documentar los pasos omitidos. En un modelo basado en la inteligencia artificial, los equipos ya no se limitan a publicar los informes generados por la tecnología. Analizan y sintetizan los datos, los organizan en formatos útiles y los presentan de manera que los responsables puedan actuar en consecuencia. Esto les coloca en una posición mucho más favorable para responder a cuestiones de mayor envergadura:

• ¿Qué política está provocando que se repitan los contactos?
• ¿Qué regla de transferencia está impidiendo la resolución?
• ¿Qué problema relacionado con las herramientas está generando dificultades innecesarias tanto para los agentes como para los clientes?
• ¿Qué cambio haría que las métricas mejoraran más rápidamente?

Ese cambio puede generar un valor cuantificable. En un proyecto de COPC con un gran proveedor de telecomunicaciones estadounidense, la empresa armonizó las normas, las prácticas de gestión y la supervisión de los proveedores en todos los centros, tanto internos como externalizados. El resultado fue un aumento en la resolución de incidencias del 66 % hasta situarse en torno al 85 %, una mejora de 17,5 puntos en la puntuación de satisfacción del cliente (CSAT) en las dos categorías superiores, y un ahorro de más de 50 millones de dólares.

La lección no es que la IA por sí sola haya logrado esos resultados. Es que, una vez que los equipos cuentan con la estructura, los estándares y la disciplina de gestión adecuados, la tecnología resulta mucho más eficaz a la hora de generalizar los comportamientos adecuados.

La oportunidad ahora no consiste solo en aumentar el número de llamadas. Se trata de dotar a los equipos de calidad de la visibilidad y la autoridad necesarias para identificar qué está impidiendo la resolución, cuantificar el impacto y ayudar a la empresa a decidir qué es lo siguiente que hay que solucionar.

¿Qué distingue a los programas de control de calidad basados en IA que generan ROI?

La diferencia rara vez radica en la herramienta en sí. Según nuestra experiencia, la diferencia más importante es el modelo operativo que la rodea.

Algunas organizaciones consideran la supervisión automatizada como una versión más rápida del antiguo programa de control de calidad. Registran más interacciones, generan más paneles de control y forman más a los agentes, pero no modifican la forma en que se define la calidad ni cómo se actúa ante los resultados. En esos entornos, la tecnología suele aportar más visibilidad sin generar un valor añadido significativo.

Los programas más sólidos siguen un enfoque diferente. Parten de la perspectiva del cliente, organizan los datos de manera que permitan profundizar hasta llegar a la causa raíz y dotan al equipo de calidad de las herramientas necesarias para convertir los patrones observados en decisiones empresariales. En ese modelo, la supervisión no es solo una forma de analizar más interacciones, sino que se convierte en una herramienta para identificar qué políticas, procesos y herramientas están obstaculizando la resolución de los problemas y generando costes evitables.

Esa distinción es importante porque, a menudo, los mayores avances se producen fuera del tablero de mando. Si los contactos sin resolver se deben a reglas de transferencia, requisitos obsoletos o limitaciones de las herramientas, coaching mayor coaching no bastará para mejorar los resultados. Lo que realmente mejora los resultados es utilizar información de calidad para decidir qué debe solucionar la organización en primer lugar.

La conclusión práctica es muy clara. Para obtener ROI significativo ROI en cuenta tres aspectos:

1. Una definición de calidad desde la perspectiva del cliente
2. Una forma estructurada de distinguir los problemas relacionados con los agentes de los problemas sistémicos y comprender las causas fundamentales
3. Un equipo de calidad capaz de convertir las ideas en acciones
   

Sin esos elementos, las organizaciones pueden obtener más datos, pero rara vez logran sacarles todo el partido.

Si tu programa de calidad aún no genera beneficios

El control de calidad basado en la inteligencia artificial genera oportunidades. El beneficio depende de lo que tu organización haga con él. Esto implica definir la calidad desde la perspectiva del cliente, estructurar los datos para que apunten a las causas reales y dotar al equipo de calidad de las herramientas necesarias para convertir los conocimientos en acciones.

Si su programa de calidad no le ofrece ese nivel de visibilidad y si internamente no se considera un centro de beneficios, deberíamos hablar. COPC ayuda a las organizaciones a convertir la calidad en una función más estratégica mediante evaluaciones, una estructura definida y un modelo diseñado para generar un impacto empresarial cuantificable.

Si el control de calidad solo te indica quién se ha saltado un paso, seguirá siendo un centro de costes. Si te muestra qué es lo que le está costando dinero a la empresa, se convierte en un centro de beneficios.

Acerca de los autores

Kathleen McNair, directora ejecutiva para la región de América
Kathleen dirige las áreas de consultoría, certificación y formación en experiencia del cliente de COPC América, y es responsable de toda la prestación de servicios y de la cuenta de resultados. Con una amplia experiencia en gestión de proveedores, contratación y mejora del rendimiento, ha liderado proyectos de transformación en gestión de operaciones, BPO y diseño del recorrido del cliente para operaciones globales a gran escala. Kathleen cuenta con una trayectoria probada en la creación de programas multicanal que abarcan ventas, servicio al cliente y soporte técnico, ayudando a los clientes a ampliar tanto las experiencias de cliente asistidas como las digitales.

Tonya Webber, directora de consultoría
Tonya cuenta con más de 16 años de experiencia en liderazgo en el ámbito de la experiencia del cliente (CX), y está especializada en transformación operativa, optimización de procesos y mejora del rendimiento. Colabora con los clientes de COPC para reforzar las operaciones de interacción con el cliente mediante el análisis de deficiencias en los procesos, la gestión del conocimiento, gobernanza e iniciativas de mejora basadas en datos. Como antigua directora de operaciones del proveedor de SaaS RealPage, Tonya dirigió equipos de analistas para impulsar la eficiencia, apoyar el lanzamiento de productos y subsanar deficiencias críticas en los procesos. Experta en gestión de proyectos, calidad y gestión estratégica de las relaciones con proveedores, es reconocida por aplicar el análisis de las causas raíz y prácticas de mejora continua que generan un impacto empresarial cuantificable.