Un agente IA para atención al cliente puede reducir el volumen de tickets en un 65% y aumentar la satisfacción del cliente en un 40%, según los datos reales de esta implementación. En este artículo documentamos el caso completo de un ecommerce español mediano: el problema inicial, la solución técnica, las métricas antes y después, y las lecciones aprendidas.
Este no es un caso de éxito de marketing. Es una documentación técnica honesta, con datos reales, errores incluidos, de lo que ocurre cuando una empresa implementa un agente IA conversacional en su atención al cliente.
El contexto: empresa y situación inicial
La empresa (que llamaremos ModaMedio para preservar el anonimato) es un ecommerce de moda español mediano con las siguientes características en el momento de iniciar el proyecto:
- Facturación anual: ~3.5M€
- SKUs activos: ~2.800 referencias de ropa y accesorios
- Pedidos mensuales: ~4.200 pedidos/mes
- Consultas de atención al cliente: 3.000 tickets/mes
- Equipo de soporte: 4 personas a jornada completa + 1 a media jornada
- Canales de atención: email (principal), chat web (Tidio básico), teléfono (2h/día)
El problema: saturación del equipo y clientes insatisfechos
El equipo de soporte de ModaMedio estaba al límite. El problema no era la falta de ganas sino el volumen y la naturaleza repetitiva de las consultas:
Distribución de los 3.000 tickets mensuales
• Estado de pedidos: 34% (1.020 tickets) — «¿Cuándo llega mi pedido?», «¿Ha salido ya?»
• Devoluciones y cambios: 22% (660 tickets) — política, cómo iniciar, estado de devolución
• Consultas de producto: 18% (540 tickets) — tallas, materiales, disponibilidad
• Problemas con pagos: 12% (360 tickets) — fallos en pasarela, facturas, reembolsos
• Incidencias complejas: 14% (420 tickets) — pedidos perdidos, errores, reclamaciones
El 74% de los tickets (categorías 1-4) eran consultas que, en teoría, podían responderse automáticamente si el sistema tuviera acceso a los datos correctos. Pero el Tidio básico que usaban no tenía integración con su plataforma de ecommerce (Shopify) ni con su sistema de envíos (Correos Express + MRW).
Métricas de partida (antes del agente IA)
• Tiempo medio de primera respuesta: 6.2 horas
• Tiempo medio de resolución: 18.4 horas
• CSAT (satisfacción del cliente): 3.2/5.0
• Tasa de reapertura de tickets: 23% (clientes insatisfechos con la respuesta)
• Coste total mensual de soporte: 8.400€ (4.5 personas × ~1.800€ + herramientas)
• Tickets resueltos por agente/día: ~28 tickets
“El equipo llegaba al lunes con 400 tickets sin responder del fin de semana. Era una fuente constante de estrés y el principal motivo de quejas en Google Reviews.”
— Directora de Operaciones, ModaMedio
La solución: stack técnico y arquitectura
Tras un análisis de 2 semanas con el equipo de ModaMedio, diseñamos un agente IA conversacional con la siguiente arquitectura:
Stack tecnológico
- Orquestación: LangGraph (grafo de agente con nodos especializados por tipo de consulta)
- Modelo principal: Claude Sonnet para razonamiento + Claude Haiku para respuestas simples (reducción de costes de LLM del 60%)
- Memoria y contexto: base de datos vectorial (Qdrant) con historial de conversaciones del cliente
- RAG (Retrieval-Augmented Generation): 847 artículos de FAQ, política de devoluciones, guía de tallas y materiales
- Herramientas del agente: API de Shopify (estado de pedidos, historial, productos), API de Correos Express + MRW (tracking en tiempo real), sistema interno de devoluciones (webhook personalizado)
- Canales: chat web (sustituyendo a Tidio), WhatsApp Business API
- Escalado a humano: integración con Freshdesk para transferir conversaciones complejas con contexto completo
Capacidades del agente
El agente IA podía hacer de forma autónoma lo que antes requería intervención humana:
- Consultar el estado exacto de cualquier pedido en tiempo real, incluyendo tracking del transportista
- Iniciar el proceso de devolución o cambio (hasta el punto de generar la etiqueta de devolución)
- Responder sobre disponibilidad de tallas, materiales y composición de cualquier producto del catálogo
- Verificar si un pago había sido procesado correctamente y cuándo llegaría el reembolso
- Detectar cuándo una incidencia era compleja (pedido perdido, error grave) y escalar a humano con contexto completo
Timeline de implementación: semana a semana
Semanas 1-2: análisis y diseño
• Auditoría de los 3.000 tickets del mes anterior, categorización y análisis de patrones
• Mapeo de APIs disponibles (Shopify, transportistas, sistema de devoluciones)
• Diseño de la arquitectura del agente y definición de herramientas
• Recopilación del knowledge base: FAQs, política de devoluciones, fichas de producto
Semanas 3-5: desarrollo
• Implementación del grafo LangGraph con nodos por tipo de consulta
• Desarrollo de las integraciones con Shopify y APIs de transportistas
• Configuración de la base de datos vectorial y pipeline de RAG
• Implementación del canal de WhatsApp Business
Semana 6: pruebas internas
• Testing con 200 tickets históricos reales (blind test: el agente no sabía las respuestas esperadas)
• Tasa de respuesta correcta inicial: 71% (objetivo era >80%)
• Identificación y corrección de los 30 casos de fallo más frecuentes
Semana 7: piloto con el 20% del tráfico
• El agente atendía 1 de cada 5 conversaciones nuevas en chat web
• Monitorización en tiempo real por el equipo de soporte
• Ajuste diario de prompts y casos edge
Semana 8: rollout completo
• El agente atendía el 100% de nuevas conversaciones en chat web y WhatsApp
• El equipo humano pasaba a gestionar exclusivamente tickets de email y escalados del agente
Métricas: antes vs después (3 meses post-lanzamiento)
Métrica · Antes · Después · Variación
Tickets mensuales (humanos) · 3.000 · 1.050 · -65%
Tiempo medio primera respuesta · 6.2h · 8 segundos · -99.96%
Tiempo medio resolución · 18.4h · 4.2h (incluye escalados) · -77%
CSAT · 3.2/5.0 · 4.5/5.0 · +40%
Tasa de reapertura de tickets · 23% · 8% · -65%
Cobertura horaria · 8h/día · 24h/día · +200%
Coste mensual de soporte · 8.400€ · 6.200€ · -26%
Tasa de resolución autónoma del agente · — · 67% · —
NPS · 32 · 51 · +19 puntos
Nota sobre el coste: a los 3 meses, el ahorro directo fue de 2.200€/mes. Sin embargo, ModaMedio redujo el equipo de soporte en una persona (por jubilación voluntaria, sin despidos), lo que elevó el ahorro real a aproximadamente 4.000€/mes a partir del mes 4. El ROI total del proyecto (incluyendo setup) fue positivo al mes 7.
Desglose: ¿qué resolvía el agente vs qué escalaba?
Estos son los datos de los primeros 90 días de operación real:
Resuelto autónomamente por el agente:
• Estado de pedidos: 94% de resolución autónoma (Shopify + tracking API)
• Consultas de producto/tallas: 88% de resolución autónoma (RAG)
• Inicio de devoluciones estándar: 79% de resolución autónoma
• Estado de reembolsos: 71% de resolución autónoma
Escalado a humanos:
• Pedidos perdidos o con incidencia grave de transportista: 100% a humano
• Reclamaciones sobre calidad del producto: 100% a humano
• Disputas de pago o chargebacks: 100% a humano
• Consultas en catalán o euskera (no configurado en v1): 100% a humano
Lecciones aprendidas (incluyendo los errores)
Lo que funcionó bien
- Empezar con un piloto del 20%: identificamos 12 casos edge críticos antes del rollout completo. Sin piloto, habrían llegado al 100% del tráfico.
- La arquitectura LangGraph con nodos especializados: tener nodos distintos para 'consulta de pedido' vs 'inicio de devolución' vs 'consulta de producto' mejoró la precisión frente a un agente monolítico.
- Usar dos modelos (Sonnet + Haiku): el 73% de las consultas las resuelve Haiku (más barato y rápido), Sonnet solo se activa para casos que requieren razonamiento complejo. Reducción de costes de LLM del 58%.
- La integración del historial del cliente: saber que el cliente había hecho 3 compras anteriores y que su último pedido llegó tarde permitía al agente personalizar las respuestas y ofrecer compensaciones de forma autónoma.
Los errores que cometimos
- No configurar soporte multilingüe desde el inicio: ModaMedio tiene el 18% de clientes en Cataluña y País Vasco. Tuvimos que hacer un sprint adicional de 2 semanas en el mes 3 para añadir catalán y euskera.
- Subestimar el tiempo de construcción del knowledge base: pensábamos que las FAQs existentes eran suficientes. No lo eran — había inconsistencias, información desactualizada y casos no documentados. Limpiamos el knowledge base durante 3 semanas.
- No establecer un proceso claro de feedback loop: durante el primer mes, los agentes humanos no tenían una forma estructurada de marcar respuestas incorrectas del agente IA. Lo solucionamos en la semana 5 con un sistema de feedback integrado en Freshdesk.
- La política de devoluciones tenía excepciones no documentadas: el agente aplicaba la política general, pero había casos (pedidos de outlet, promociones especiales) con condiciones distintas. Causó fricciones hasta que mapeamos todos los casos especiales.
¿Qué pasó con el equipo de soporte?
Esta es la pregunta más frecuente. La respuesta honesta: el equipo se redujo de 4.5 a 3.5 personas equivalentes, pero no hubo despidos. La persona que dejó el equipo de soporte fue una empleada que pidió cambiar de departamento (pasó a gestión de contenidos). El resto del equipo reportó mayor satisfacción laboral porque dejaron de gestionar consultas repetitivas y aburridas para enfocarse en casos complejos, incidencias graves y en mejorar la experiencia del cliente.
Tres meses después del lanzamiento, uno de los agentes de soporte participó en el proceso de mejora continua del agente IA, revisando conversaciones y proponiendo mejoras. Lo que antes era un trabajo repetitivo de responder 30 emails idénticos al día se convirtió en un trabajo más variado y con más impacto.
Preguntas frecuentes sobre implementación de agentes IA en atención al cliente
¿Cuánto tiempo tarda en estar operativo un agente IA similar?
Para un caso de uso similar (ecommerce con integraciones con plataforma y transportistas), el tiempo desde el inicio hasta el rollout completo es de 6-8 semanas. La mayor variable es la calidad del knowledge base existente: si las FAQs están bien documentadas y actualizadas, el proceso es más rápido. Si hay que construir el conocimiento desde cero, añade 2-3 semanas adicionales.
¿El agente IA puede gestionar devoluciones completas o solo informar?
Depende de las integraciones implementadas. En el caso de ModaMedio, el agente podía iniciar el proceso de devolución (hasta generar la etiqueta de devolución) pero la aprobación final del reembolso la realizaba un humano. Con mayor integración en el sistema de back-office, es técnicamente posible automatizar el proceso completo para devoluciones estándar, dejando solo las excepciones a revisión humana.
¿Qué pasa si el agente da una respuesta incorrecta a un cliente?
En el caso de ModaMedio, la tasa de respuesta incorrecta fue del 3.2% en los primeros 90 días (bajó al 1.8% al mes 6 con el feedback loop activo). Para minimizar el impacto: 1) el agente está configurado para reconocer su incertidumbre y ofrecer escalado a humano cuando no está seguro, 2) todas las conversaciones quedan registradas para revisión, 3) los clientes tienen siempre la opción de hablar con una persona. Ninguna respuesta incorrecta generó una reclamación formal; en todos los casos, el equipo humano pudo corregir la situación rápidamente.
¿Cuál es el coste mensual de un agente IA para un ecommerce de este tamaño?
Para un ecommerce con ~3.000 consultas/mes, el coste mensual de un agente IA similar al de ModaMedio es de entre 3.500€ y 5.500€/mes (infraestructura + API de LLMs + mantenimiento + soporte). El setup inicial suele estar entre 10.000€ y 18.000€. Con el ahorro en personal que se puede liberar, el break-even está generalmente entre los 6 y 12 meses.
¿Quieres un caso de uso similar para tu empresa?
Si tienes un equipo de soporte saturado con consultas repetitivas, o simplemente quieres ofrecer atención 24/7 sin contratar más personas, podemos configurar un agente IA para tu caso de uso concreto. El piloto es gratuito: en menos de una semana tienes el agente funcionando con tus datos reales.