Clasificación inicial de tickets de soporte con IA: clasifica, enriquece, deriva y mide las reasignaciones

Cada ticket de soporte empieza con el mismo minuto de trabajo poco vistoso. Alguien lo lee, decide de qué se trata, estima su urgencia y lo envía a una cola. Multiplica ese minuto por todos los tickets y representa una parte considerable del día del equipo de soporte. Cuando la estimación falla, el ticket pasa de un equipo a otro mientras el cliente espera. La asignación incorrecta es la parte costosa: no el minuto, sino las reasignaciones.

Ese primer minuto es una de las tareas más claras para delegar a un modelo, siempre que el modelo se ocupe de la clasificación inicial y no de atender al cliente.

Qué hace el sistema

Clasifica. Un modelo de lenguaje lee el ticket y genera etiquetas estructuradas: área del producto, tipo de solicitud (error, consulta de uso, facturación, solicitud de funcionalidad), señales de urgencia y un nivel de confianza para cada una. No es texto libre: son etiquetas sobre las que pueden actuar tus reglas de asignación, tomadas de una taxonomía que tu equipo ya usa.

Enriquece. Antes de que el ticket llegue a un agente, adjunta lo que el agente tendría que buscar: tickets similares ya resueltos, el artículo de ayuda o el problema conocido pertinente, el nivel del cliente y su historial reciente y, cuando la solicitud es rutinaria, un borrador de respuesta que el agente pueda editar en lugar de escribir desde cero.

Deriva. La asignación se basa en las etiquetas y en lo que el sistema de tickets ya sabe: qué equipo es responsable del área, quién tiene capacidad y qué cuentas cuentan con una vía de escalamiento. Son reglas deterministas sobre las etiquetas del modelo, de modo que la asignación se puede explicar y modificar sin volver a entrenar nada.

Recurre a la revisión humana. Los casos de baja confianza pasan a una cola de clasificación humana, en lugar de resolverse con la mejor suposición disponible. Una asignación incorrecta cuesta más que un minuto de atención de una persona.

Dónde aporta valor

Las mejoras son reales, pero se concentran en puntos específicos:

• Reasignaciones. La métrica que importa. Si los tickets dejan de pasar de un equipo a otro, los tiempos de primera respuesta y resolución mejoran; si no, el clasificador se equivoca con confianza.
• Enriquecer antes que acelerar. Reducir ese minuto de clasificación está bien. Darle al agente los últimos tres tickets similares y el artículo correcto es lo que acorta la conversación con el cliente.
• La taxonomía. Un modelo solo puede clasificar en categorías que existen. Si las categorías actuales se diseñaron para generar informes en lugar de asignar tickets, corrige primero la taxonomía: el modelo reproducirá fielmente cualquier desorden que reciba.
• Cambios en los datos. Una nueva versión del producto cambia lo que dicen los tickets. Comprueba cada semana la precisión de la clasificación con una muestra de tickets etiquetados por personas, o el sistema se deteriorará sin que resulte evidente mientras el tablero sigue en verde.

Qué no debería hacer

No debería responder al cliente. Preparar un borrador para que un agente lo envíe forma parte de la clasificación inicial; enviarlo es atención al cliente, y las formas de fallar son distintas: una etiqueta incorrecta cuesta una reasignación; una respuesta incorrecta cuesta un cliente. Mantén el modelo del lado interno del soporte hasta que los borradores se hayan ganado el derecho a salir, una categoría a la vez.

Cómo empezar

Exporta unos miles de tickets resueltos junto con el equipo que finalmente los atendió. Ese es el conjunto de entrenamiento y evaluación, y no cuesta nada. Ejecuta el clasificador en modo sombra —etiquetando sin asignar— durante dos semanas, compáralo con lo que hicieron las personas y corrige la taxonomía donde haya diferencias. Luego permite que asigne los tickets de las categorías en las que coincide con el equipo y conserva el resto en la cola humana. La lista de categorías que gestiona debería crecer; la tasa de reasignaciones, no.