SaaS B2B IA aplicada Producto digital Backend Caso anonimizado

Copiloto interno con IA para un equipo de soporte B2B

Construimos un copiloto interno con búsqueda semántica sobre la base de conocimiento, integrado al flujo de trabajo del equipo de soporte, con evaluación continua y métricas de impacto.

SaaS B2B ·

38% Reducción en tiempo de resolución De 25 a 15 minutos promedio por ticket complejo.
84% Adopción del equipo Medida sobre uso semanal activo en el primer mes.
200 Casos en evaluación continua Set de regresión que bloquea deploys con caída de calidad.

Problema

El equipo de soporte gastaba 25 minutos promedio resolviendo cada ticket complejo porque la información estaba dispersa entre wiki, tickets históricos y documentación de producto. Onboarding de nuevos agentes tomaba 6 semanas.

Intervención

Diseñamos un copiloto que indexa la documentación interna, los tickets resueltos y los runbooks usando un pipeline de RAG con embeddings. Lo integramos como extensión en la herramienta de soporte que ya usaban (Zendesk). Construimos un set de evaluación con 200 preguntas reales para medir calidad y bloquear regresiones en cada deploy del prompt o del modelo.

Resultado

Tras 12 semanas en producción, el tiempo promedio de resolución bajó 38% y el tiempo de onboarding de agentes nuevos pasó de 6 a 3 semanas. La adopción del copiloto fue del 84% del equipo en el primer mes.

Stack

Python FastAPI OpenAI pgvector PostgreSQL Zendesk API LangChain

El problema real, no el problema de moda

Cuando el cliente nos buscó, hablaba de “necesitamos IA”. Lo que tenían era un problema concreto: tickets de soporte tomando demasiado tiempo y costando rotación en el equipo.

Empezamos validando que la IA fuera la solución correcta y no un workflow simple. Hicimos entrevistas con agentes y un análisis de los tipos de tickets. Confirmamos que un asistente de búsqueda contextual sobre conocimiento propietario podía resolver la mayor parte del problema.

Construir con guardrails

Desde el día uno construimos el set de evaluación con 200 preguntas representativas. Cada cambio en el prompt, modelo o pipeline corre contra ese set y bloquea el deploy si la calidad baja. Eso nos dio confianza para iterar rápido sin romper lo que ya funcionaba.

Medir lo que importa

Definimos tres métricas antes de empezar: tiempo de resolución, adopción y satisfacción interna. Reportamos las tres semanalmente. Eso permitió al cliente justificar la inversión y al equipo de Caps priorizar mejoras con impacto medible.

No esperábamos que un copiloto realmente nos ahorrara tiempo, pero el rigor con el que lo construyeron y midieron hizo la diferencia. Hoy es parte del onboarding.
Líder de Soporte Head of Customer Support · Cliente anónimo

¿Tu reto se parece a este?

Cuéntanos contexto. Si hemos resuelto algo similar, podemos ir directo a la conversación útil.

Agendar diagnóstico Ver todos