Los agentes de DRING en llamadas reales
Cinco despliegues en producción, cada uno medido en todas sus llamadas durante su propio periodo, desde una campaña de una hora hasta un año en producción.
Los casos de éxito se publican anonimizados por sector, sin el nombre del cliente. Las marcas que han dado permiso por escrito para ser citadas figuran en la página de referencias. Abajo se documentan cinco despliegues, cada uno con su periodo indicado; la lista crece a medida que maduran otros.
| Sector | Proceso | Cifra clave |
|---|---|---|
| E-commerce, electrónica reacondicionada | Soporte entrante, encuesta saliente, línea de tiendas | ~75 % resueltas sin traspaso |
| Finanzas, pagos digitales | Soporte entrante, piloto de encuestas | 92,6 % atendidas al instante |
| Distribución B2B | Campaña a distribuidores | 17,3 % de leads calientes |
| Logística, bolsa de cargas | Línea de transportistas, 24/7 | 100 % atendidas al instante |
| Logística, plataforma internacional | Cualificación saliente de leads | 194 leads cualificados |
La IA atiende la mayoría de las entrantes
Un gran marketplace de electrónica reacondicionada en Turquía gestiona una tienda con muchísimas transacciones: estado de pedidos, garantías de equipos clasificados por estado y devoluciones, todo a gran escala. Antes de DRING, el volumen entrante superaba a menudo al equipo de soporte, las esperas crecían en torno a las promociones y las reposiciones de stock, y no había una forma sistemática de contactar con los compradores tras la entrega ni de cubrir una línea propia para las sucursales.
Tres agentes, tres momentos
Un agente de soporte entrante atiende la línea principal, consulta el pedido y resuelve dudas de garantía y devoluciones en la propia llamada, incluidos casos propios del reacondicionado, como una discrepancia en la salud de la batería. Un agente saliente llama a los compradores tras la entrega para una breve encuesta de satisfacción, y un tercer agente atiende la línea de soporte de tiendas y sucursales.
- Descubrir
Mapear los motivos
Antes de escribir una sola línea del prompt se identificaron los motivos de llamada con más volumen: estado del pedido, garantía y devoluciones.
- Construir
Tres agentes, un sistema de pedidos
Los agentes de soporte entrante, encuesta saliente y línea de tiendas se construyeron sobre los pedidos y el CRM del propio marketplace.
- Probar
Casos límite del reacondicionado
Antes del lanzamiento, las conversaciones simuladas cubrieron disputas sobre el grado del equipo y lecturas de batería que no coincidían.
- Lanzar
Despliegue gradual
El agente asumió primero una parte de las llamadas entrantes y pasó a toda la línea cuando la tasa de resolución se mantuvo estable.
- Evolucionar
Ajustes tras el traspaso
Con el traspaso activado, el tiempo medio de gestión bajó a unos 40 segundos. Después, el equipo ajustó las reglas de transferencia para que el agente dejara de pasar llamadas que podía resolver por sí mismo.
| Métrica | Resultado | Nota |
|---|---|---|
| Resuelto sin traspaso a una persona | ~75% | Tras un año en producción, con traspaso a una persona y su contexto cuando hace falta |
| Ventaja en coste operativo | Hasta un 81 % menos | Frente a la referencia acordada solo con personas para el mismo proceso |
| Cuota de la IA en las entrantes | Del 60 al 80 % | Creció hasta estabilizarse durante el primer año, con personas disponibles para las excepciones |
| Volumen mensual | 17.000 a 18.000 llamadas | Situación estable actual, tras un año |
| Volumen gestionado | ~43.000 llamadas | En un periodo de medición de dos meses y medio |
| Disponibilidad | 24/7, sin cola | Sin espera a ninguna hora |
| Tiempo medio de gestión | ~40 segundos | Desde que se activó el traspaso |
Cerca del 75 % de las conversaciones se cerró sin traspaso a una persona, y la derivación seguía disponible cuando un caso requería criterio. En este despliegue concreto, el coste operativo llegó a ser hasta un 81 % inferior a la referencia acordada de atención solo con personas. La cuota de la IA creció de forma constante desde el lanzamiento hasta estabilizarse entre el 60 y el 80 % durante el primer año, una tendencia que dice más que el pico de una sola semana. Activar el traspaso redujo el tiempo medio de gestión a unos 40 segundos, pero también dejó ver un problema propio: el exceso de transferencias, que se ajusta aparte de la tasa de resolución. Los agentes de encuesta y de la línea de tiendas cubren momentos que la línea entrante nunca ve.
El 92,6 % de las llamadas, atendidas al instante
Una plataforma de pagos digitales atiende por teléfono consultas sobre el estado de transacciones, pagos fallidos y cuentas: llamadas en las que cada minuto de espera se interpreta como una señal de alarma. El volumen de soporte crecía y las incidencias eran urgentes. Además, la plataforma quería medir de forma fiable la satisfacción tras cada interacción de soporte, en lugar de depender de contactos manuales esporádicos.
Soporte en directo y encuesta piloto
El agente de soporte entrante consulta el estado de la cuenta y de la transacción, resuelve lo que puede en la llamada y pasa el caso a una persona con todo el contexto cuando hace falta criterio o un rastreo manual con el banco. Un segundo agente, saliente, realiza un piloto de encuesta de satisfacción después de las interacciones de soporte.
- Descubrir
Mapear los tipos de llamada
Las transferencias pendientes, los pagos fallidos y las consultas de cuenta resultaron ser los motivos de llamada con más volumen y más urgencia.
- Construir
Conectar con las cuentas
El agente se construyó sobre el estado real de transacciones y cuentas, no sobre una copia almacenada.
- Probar
Simular reclamaciones
Antes del lanzamiento se simularon conversaciones sobre transacciones fallidas y cargos en disputa.
- Lanzar
En producción en soporte
El agente entrante empezó a atender la línea principal de soporte, con el traspaso a una persona siempre disponible.
- Evolucionar
Encuesta piloto
La encuesta de satisfacción saliente se probó primero con un grupo reducido, antes de decidir si se ampliaba.
| Métrica | Resultado | Nota |
|---|---|---|
| Interacciones (30 días) | 479 | 417 de soporte, 62 de encuesta |
| Llamadas atendidas al instante | 92.6% | Sin cola |
| Diálogos que llegan a una conclusión | 70.3% | 40 resueltos solo por la IA, 218 pasados a una persona con todo el contexto |
| Sentimiento | 96,9 % positivo | |
| Recomendación (piloto) | +54 | Media de 8,4/10, n=13, muestra pequeña |
En pagos, descolgar al instante pesa más que en casi cualquier otra línea: atender sin espera el 92,6 % de las llamadas generó confianza antes incluso de que el agente abordara el problema. La tasa de resolución, por sí sola, se queda corta para explicar el resultado. Del 70,3 % de los diálogos que llegaron a una conclusión, la mayoría se pasó a una persona, y 218 de esos traspasos llevaban todo el contexto, así que el cliente nunca tuvo que repetirse. La puntuación de recomendación de +54 del piloto es alentadora, pero con n=13 es pronto para hablar de tendencia. El siguiente paso es repetir la encuesta con una muestra mayor antes de sacar conclusiones.
Escuchar este proceso
117 distribuidores en cerca de una hora
Un mayorista tecnológico B2B necesitaba presentar una nueva oferta a toda su red de distribuidores, una lista basada en relaciones de confianza donde el tono importa tanto como el alcance. Llamar a mano a 117 distribuidores le habría costado a un comercial más o menos una jornada entera, un tiempo que el equipo de ventas no tenía para contactos que quizá no llegaran a convertirse.
Llamar y derivar
Un agente de campañas salientes recorrió la lista de distribuidores, presentó la oferta y preguntó si querían que un comercial les enviara un presupuesto. Los distribuidores interesados se marcaron como leads calientes, y el agente anotó además el interés en otros productos que surgió fuera del guion original.
- Descubrir
Segmentar la lista
Antes de escribir el guion se revisaron la lista de 117 distribuidores y la oferta de la campaña.
- Construir
Guion de la oferta
El agente se construyó para presentar la oferta, responder dudas básicas y señalar a ventas cualquier interés.
- Probar
Simular objeciones
Antes del lanzamiento se simularon las objeciones habituales: el momento, el precio y las versiones anteriores del producto.
- Lanzar
Llamar a toda la lista
La campaña llamó a los 117 distribuidores de la lista en una sola sesión.
- Evolucionar
Captar señales secundarias
El interés en venta cruzada que surgió fuera del guion original es ahora algo que las siguientes campañas buscan captar a propósito.
| Métrica | Resultado | Nota |
|---|---|---|
| Distribuidores objetivo | 117 | |
| Distribuidores contactados | 92% | |
| Conversaciones reales completadas | 98 | |
| Leads calientes pasados a ventas | 17 | 17,3 % de las conversaciones |
| Duración de la campaña | Cerca de una hora | Frente a una jornada de una persona, aprox. |
| Acogida positiva | 97.2% | |
| Oportunidades de venta cruzada detectadas | 4 | Fuera del alcance original de la campaña |
Una campaña que a un comercial le habría llevado una jornada de llamadas se completó en cerca de una hora. La rapidez por sí sola no habría servido de nada si las llamadas hubieran caído mal: el 97,2 % de acogida positiva es lo que hizo aprovechable esa velocidad, porque la relación con los distribuidores se construye durante años. Las 4 oportunidades de venta cruzada no eran algo que la campaña buscara. Recuerdan que un agente conversacional recoge información más allá de su guion, y que conviene captarla a propósito en la próxima campaña en lugar de tratarla como una nota al pie.
Escuchar este proceso
Línea de transportistas, siempre abierta
Una bolsa de cargas pone en contacto a transportistas con cargas disponibles, y los transportistas llaman por cargas abiertas, tarifas o su propio perfil a cualquier hora, según cuándo estén en carretera. Antes de esta línea, las llamadas fuera del horario laboral se quedaban sin respuesta y esa demanda era prácticamente invisible: nadie sabía cuánta había, porque no había nadie para atenderla y registrarla.
Una línea, a cualquier hora
El agente de la línea entrante responde sobre cargas disponibles y tarifas, recoge los datos del perfil del transportista y pasa las negociaciones de precio al equipo con el contexto ya incluido, igual a las 9:00 que a las 2:00 de la madrugada.
- Descubrir
Mapear por qué llaman
Las cargas disponibles, las consultas de tarifas y la actualización del perfil resultaron ser los motivos principales de llamada.
- Construir
Conectar con la bolsa de cargas
El agente se construyó sobre datos reales de cargas y tarifas, no sobre una lista estática.
- Probar
Simular negociaciones
Antes del lanzamiento se simularon objeciones a la tarifa y contraofertas.
- Lanzar
24/7 desde el primer día
La línea arrancó funcionando las 24 horas, no solo en horario laboral.
- Evolucionar
Observar el patrón fuera de horario
Los primeros datos sobre cuándo llaman de verdad los transportistas ya orientan los próximos ajustes de la línea y de sus reglas de derivación.
| Métrica | Resultado | Nota |
|---|---|---|
| Llamadas (primeros 5 días) | 56 | |
| Atendidas al instante | 100% | Sin cola |
| Conversaciones reales | 87.5% | |
| Resultado positivo | 34.7% | 4 cargas aceptadas, 6 negociaciones derivadas, 6 perfiles de transportista registrados |
| Fuera del horario laboral | 21.4% | Algunas a las 2:00 |
| Acogida positiva | 87.8% |
El 21,4 % de las llamadas llegó fuera del horario laboral, algunas a las 2:00 de la madrugada. Esa demanda ya existía antes de abrir la línea, pero no tenía adónde ir: la cobertura la hizo visible por primera vez. No todas las llamadas necesitan una resolución completa para contar como buen resultado: derivar una negociación de precio con el contexto del transportista ya incluido fue, en sí, un resultado útil. Cinco días es un periodo corto, y estas proporciones, un 87,5 % de conversaciones reales y un 34,7 % de resultados positivos, son una primera lectura y no una tendencia consolidada. Conviene seguirlas a medida que crezca el volumen.
Escuchar este proceso
194 leads cualificados de una cartera inactiva
Una plataforma logística internacional tenía una gran bolsa de leads que se habían enfriado: empresas con las que hubo conversaciones, que nunca llegaron a convertirse y que tampoco se dieron por cerradas. Trabajar esa cartera a mano habría obligado a apartar al equipo de ventas de operaciones activas para hacer llamadas que quizá no llevaran a nada.
Cualificar y luego derivar
Un agente de cualificación saliente llamó a la cartera inactiva durante cinco semanas, comprobó si seguían necesitando servicios de transitario y planteó unas pocas preguntas de cualificación. Las empresas cualificadas pasaron a ventas con ese contexto ya incluido.
- Descubrir
Segmentar la cartera
Antes de empezar a llamar se identificaron 6.804 empresas objetivo dentro de la cartera de leads inactivos.
- Construir
Diseñar el guion de cualificación
Se preparó una breve serie de preguntas para separar a las empresas realmente interesadas de las que no llevaban a ninguna parte.
- Probar
Simular reacciones frías
Se simularon respuestas desinteresadas y escépticas para que el agente supiera cerrar la llamada con corrección, sin insistir.
- Lanzar
Cinco semanas de campaña
La campaña avanzó por la lista de contactos en fases durante cinco semanas, no de golpe.
- Evolucionar
Pasar a ventas con contexto
Los leads cualificados llegaron a ventas con las respuestas de cualificación adjuntas, así que los comerciales partían de un contexto y no de una lista fría.
| Métrica | Resultado | Nota |
|---|---|---|
| Llamadas realizadas | 9,666 | |
| Empresas objetivo | 6,804 | |
| Empresas contactadas | 2,513 | |
| Conversaciones completas | 1,602 | |
| Leads cualificados pasados a ventas | 194 | 12,1 % de las conversaciones |
| Acogida constructiva | 95.1% | Satisfecha o neutra |
| Tiempo de ventas liberado | 36 horas de conversación | Gestionadas sin ocupar al equipo de ventas |
La mayor sorpresa fue un 95,1 % de acogida constructiva, satisfecha o neutra, en una cartera que el equipo daba por fría: los leads dormidos eran, en su mayoría, leads a los que nadie había vuelto a llamar. El verdadero cuello de botella fue el contacto, no la conversión. De 6.804 empresas objetivo, se contactó con 2.513 en cinco semanas, así que planificar la siguiente campaña implica calcular cuántas empresas se pueden contactar de forma realista en un periodo dado. La cifra que importaba a ventas era la tasa de cualificación, el 12,1 % de las conversaciones, no el recuento bruto de 9.666 llamadas.
Escuchar este proceso
Escrito desde primera línea.
Artículos más extensos sobre lo que hemos aprendido desplegando agentes de voz, del turismo de salud y la hostelería a la operación de call centers. Todos los artículos
El futuro del turismo de salud: crecer con soluciones de IA
Cómo cambia la captación de pacientes internacionales cuando la admisión, la cualificación y el seguimiento los gestionan agentes de voz en el idioma del paciente.
Leer SectorMás implicación y satisfacción del paciente en el turismo de salud con agentes de IA realistas
Por qué la voz tiene que sonar como alguien del equipo antes de que un paciente reserve una consulta en el extranjero.
Leer SectorDiversificar la cartera de clientes en hostelería: la atención a huéspedes en varios idiomas, a fondo
Cómo diversificar la cartera de clientes de un hotel cuando la recepción habla el idioma de cada huésped.
Leer SectorLos pasos de un gran avance: agentes de IA en sectores tradicionales
Cómo se están aplicando los agentes de IA en sectores tradicionales y menos digitalizados.
Leer Calidad y pruebasReplicar a los mejores profesionales: el papel de los agentes de equipo en la IA de voz
Cómo usar agentes de equipo en la IA de voz para replicar la forma de trabajar de los mejores profesionales.
Leer Modelo operativoCuellos de botella en el call center: ¿es la contratación un problema del pasado?
Un análisis de los cuellos de botella al contratar para un call center y de si la IA de voz cambia la ecuación.
LeerMedido en cada llamada, publicado por sector.
Cada caso informa de los indicadores que sigue su proceso, a partir de las mismas cuatro definiciones, para que los resultados se puedan comparar entre sectores y a lo largo del tiempo.
Atendido por IA
Porcentaje de llamadas que el agente atendió y gestionó por sí mismo, con una resolución o con un traspaso con el contexto adjunto. Desviar a una llamada de vuelta no cuenta. Cuántas de ellas se cerraron sin una persona se indica por separado.
Atendidas al instante
Porcentaje de llamadas atendidas al primer tono, sin cola. Se mide en toda la línea, noches y festivos incluidos.
Tasa de resultado
Porcentaje de conversaciones que terminaron con el resultado para el que se diseñó la campaña: un lead cualificado, una reserva hecha, una encuesta completada.
Acogida
Sentimiento al final de la llamada, etiquetado en cada conversación y auditado por personas sobre una muestra periódica.
Sectores con agentes en producción, casos de éxito en preparación.
Despliegues en producción que aún no se han documentado. Cada uno tendrá su caso de éxito cuando reúna datos de producción suficientes para informar con un periodo indicado.