Una reclamación tarda más de lo necesario cuando el cliente ve un problema y la empresa ve tres sistemas sueltos. El correo llega a soporte, el pedido vive en el ERP, la entrega está en una web de transporte y la garantía en una carpeta que nadie abre hasta que ya hay tensión. El resultado no suele ser un fallo técnico: es fricción operativa.
La mejora real no empieza con más automatización, sino con menos búsqueda manual.
El problema no es responder, es reconstruir el caso
Si un cliente escribe “me llegó dañado” o “falta una pieza”, el trabajo real no es contestar. Es reconstruir qué pedido corresponde, cuándo salió, qué recibió de verdad y qué política aplica. Ahí es donde muchas empresas pierden tiempo: cada equipo optimiza su parte, pero nadie posee el caso completo.
La dirección suele ver un dashboard con “tickets abiertos” y “tiempo medio de respuesta”. Eso ayuda, pero oculta lo importante: cuántos minutos se van en buscar datos, cuántos mensajes se rebotan entre áreas y cuántas veces alguien copia el mismo número en dos pantallas distintas. Ese desgaste no aparece en el cuadro, pero sí en el equipo y en el cliente.
Qué puede hacer la IA y qué no debe hacer
La forma útil de aplicar IA aquí no es dejarla “decidir” la postventa. Es usarla para leer, relacionar y preparar. En un flujo sensato, el proceso puede verse así:
- Entrada: llega un email, formulario o WhatsApp con una reclamación.
- Tarea de IA: el modelo interpreta el texto, detecta pedido probable, producto, fecha y tipo de incidencia.
- Regla de negocio: el sistema contrasta esa información con pedido, entrega y garantía.
- Aprobación humana: una persona revisa excepciones, dudas o casos sensibles.
- Salida: se prepara una respuesta borrador o se deriva el caso con contexto completo.
La clave es no mezclar tres cosas distintas. La IA interpreta lenguaje. El sistema calcula plazos, importes o elegibilidad. La persona decide cuando hay ambigüedad, riesgo legal o impacto en una cuenta importante. Esa separación evita falsas expectativas y también evita que la automatización convierta un error pequeño en un error masivo.
NIST lo resume con claridad: su AI Risk Management Framework es de uso voluntario y busca ayudar a gestionar riesgos de la IA durante diseño, despliegue y uso; además, su núcleo organiza el trabajo en gobernar, mapear, medir y gestionar el riesgo. Esa lógica encaja muy bien con postventa: primero defines el contexto, luego mides, y solo después automatizas lo que soporta el negocio. (nist.gov)
El caso incómodo: automatizar demasiado pronto
El error más común es intentar que la IA responda todo desde el día uno. Suena eficiente, pero puede empeorar la operación por dos vías. La primera: si el pedido no está bien identificado, la respuesta automática puede ser correcta en tono y equivocada en fondo. La segunda: si el equipo confía demasiado en el resumen automático, deja de revisar los casos raros, y justo ahí es donde suelen vivir las pérdidas.
Hay otra trampa menos visible: premiar solo la velocidad. Si mides únicamente “casos resueltos por hora”, el equipo empujará hacia respuestas rápidas aunque sean pobres. Si mides además retrabajo, escalados y reclamaciones reabiertas, cambias el incentivo. Las personas dejan de “cerrar” y empiezan a resolver.
Un experimento pequeño que sí merece la pena
Piensa en una pyme de distribución con reclamaciones por email. No hace falta tocar todo el servicio. Basta con empezar por un único tipo de caso: daño en transporte con número de pedido visible.
La IA puede extraer el número, sugerir el artículo, comprobar si la entrega llegó dentro de plazo y preparar un borrador de respuesta. Si detecta una discrepancia —por ejemplo, pedido ambiguo, cliente con varias compras iguales o garantía dudosa— el caso pasa a una persona con todo el contexto ya reunido. Eso no elimina el juicio humano; lo hace más rápido y más consistente.
El valor no está solo en contestar antes. Está en reducir el tiempo de localización, bajar los errores de asignación y evitar que el cliente tenga que repetir tres veces la misma historia. Si además el equipo comercial, logística y soporte trabajan con la misma ficha del caso, la conversación cambia: deja de ser “¿quién lo tenía?” y pasa a ser “qué hacemos ahora”.
Qué medir para saber si funciona
No hace falta un programa grande para validar la idea. Bastan tres señales muy concretas:
- tiempo hasta localizar el pedido correcto;
- tiempo hasta la primera respuesta útil;
- porcentaje de casos que la IA deriva a una persona por duda real, no por fallo de diseño.
Si esos tres números mejoran, el experimento tiene sentido. Si solo baja el tiempo de respuesta pero suben las correcciones y los enfados, el ahorro era aparente.
La mejor pregunta no es “¿podemos usar IA en postventa?”. La pregunta útil es: ¿podemos hacer que el cliente no tenga que explicar su problema a tres departamentos distintos? Esa es la fricción que el dashboard suele esconder.
Tres acciones para esta semana:
- Elige una sola categoría de reclamación y traza su recorrido real entre email, ERP y transporte.
- Define qué parte puede interpretar la IA y qué excepción debe firmar una persona.
- Mide una semana de tiempo perdido buscando datos antes de pensar en automatizar más.
Si quieres empezar por un piloto pequeño y reversible, en Codefuente podemos ayudarte a diseñarlo sin convertirlo en un proyecto pesado.