La inteligencia artificial no sustituirá a las personas. Pero una persona que usa AI sustituirá a quien no lo hace.
Anastasia, Client Relationship Lead, Oki-Toki.
¿Saben qué es lo que más me sorprende en las conversaciones sobre AI en los contact centers?
Todo el mundo habla de tecnología, pero nadie habla de las personas.
Durante 8 años en esta industria he visto a cientos de agentes sentados en cubículos, leyendo guiones de forma mecánica y soñando con el viernes. Agentes que eran despedidos después de la siguiente «optimización». Se quemaban, y la rotación de personal alcanzaba entre el 30 y el 45% anual (employee turnover), además de un ciclo interminable de contratación de nuevas personas.
Y escucho constantemente esta pregunta, cargada de miedo: «¿Y qué pasará cuando AI me sustituya?»
Esto es lo que respondo: y no es un consuelo, sino un hecho: la mayoría de los expertos se equivocan cuando dicen que AI sustituirá por completo a los agentes.
AI no sustituirá a los agentes. AI liberará a los agentes de aquello que mataba la motivación: la monotonía, la lectura de guiones, la pregunta número 100 del día: «¿Cómo restablezco la contraseña?».
El nuevo rol del agente: de ejecutor a arquitecto de relaciones
Esto es lo que realmente está ocurriendo: la profesión de agente está viviendo un renacimiento. El agente trabaja cada vez menos como un «FAQ con voz» y cada vez más como moderador de la experiencia del cliente — un especialista que gestiona una red de asistentes AI y entra en acción en situaciones complejas, emocionales o técnicamente exigentes.
AI elimina la monotonía y apuesta por las Human-Centric Skills (habilidades centradas en las personas): EQ (Emotional Quotient — inteligencia emocional), Critical Thinking (pensamiento crítico) y creatividad.
En 2025, los agentes se habrán convertido en lo que siempre debieron ser: profesionales que resuelven problemas, no que repiten frases memorizadas, aunque eso es más una tendencia que un hecho consumado.
La verdad sobre lo que está pasando con la profesión
El estudio de Metrigy muestra que el 55,7% de las empresas redujo el número de nuevos agentes que planeaba contratar tras la implementación de la IA, y el 36,8% de las empresas realizó recortes de personal con una media del 24,1%.
Pero, en mi opinión, esto no es el final de la profesión, sino su transformación.
Cuando les pregunto a los agentes: «¿Qué preferirías: cien preguntas idénticas al día o veinte complejas, en las que hay que pensar?», el cien por cien elige la segunda opción. Y por esa segunda opción se paga más.
AI automatiza la rutina, y a las personas les queda lo que de verdad importa: la interacción, las emociones y las decisiones. Por eso no es una amenaza para la profesión, sino su evolución.
¿Cómo funciona exactamente en la práctica? Analicemos tres roles clave del futuro: Experience Orchestrator, AI Supervisor y Specialized Problem Solver.
Experience Orchestrator — gestión de la experiencia del cliente
Cuando vi por primera vez el modelo «Agent as Coworker» (el agente trabaja junto con AI como colega) en uno de los proyectos de Latinoamérica, pensé: «¡Así debería ser siempre!».
Esto es lo que cambió: antes el agente estaba solo frente al cliente y a un montón de sistemas en los que había que buscar información. AI asumió ese trabajo tedioso. Encuentra datos, muestra el historial, sugiere soluciones. El agente ve todo en pantalla en segundos y puede centrarse en lo importante. No solo escucha palabras, sino también emociones. Entiende cuándo el cliente necesita algo más que una respuesta estándar. Y toma decisiones que AI nunca tomaría, porque requieren no lógica, sino empatía.
Analicemos dos escenarios reales que muestran cómo funciona esto.
Caso 1: Empatía y Crisis Resolution — la ira se convierte en lealtad
En 2024, Delta Airlines se enfrentó a una incidencia informática a gran escala que paralizó el sistema de registro y provocó retrasos masivos de vuelos en todo el país. Los clientes llamaban furiosos: reuniones perdidas, planes arruinados, nivel de enfado: 9 sobre 10. El análisis de este caso muestra cómo el análisis de sentimiento ayudó a gestionar la crisis.
Mecánica: El análisis de sentimiento en tiempo real procesaba más de 30.000 menciones de la marca al día. Ante picos bruscos de negatividad, el sistema enviaba automáticamente alertas al equipo de respuesta a crisis. Este enfoque redujo el sentimiento negativo en un 37% en 24 horas.
Veamos cómo podría verse esto durante una llamada habitual de un cliente a una aerolínea con AI:
- El cliente llama al contact center; primero le recibe un bot de IA, que ofrece una compensación estándar según el reglamento;
- Pero, en paralelo, el análisis de sentimiento detecta: «Anger Level: 9/10″, «Churn Risk: High»;
- El sistema entiende que aquí hace falta una persona. La llamada se deriva automáticamente a un agente en vivo.
- El agente recibe la llamada para escuchar de forma humana y proponer una mejora — una solución que el cliente no espera, pero valora. En lugar de seguir el protocolo estándar, el agente ofrece:
- Un billete para el siguiente vuelo en clase business;
- Un vale de hotel;
- Una carta personal de disculpa de la dirección.
Resultado: no solo una compensación, sino Customer Retention (retención del cliente).
Ahí está la magia del factor humano. AI detectó la ira y evaluó el riesgo. La persona entendió qué hacer con eso y convirtió la catástrofe en una victoria.
Caso 2: Creatividad y Value-Based Selling — vender no parece vender
Imaginemos otra situación. El cliente llama a una tienda online con una pregunta sencilla: «¿Dónde está mi traje de esquí?»
La mayoría de los agentes responderá: «Está en camino, llegará mañana». Conversación terminada.
¿Y qué hace el agente que trabaja con AI?
Mecánica: La IA proporciona al agente datos contextuales (Contextual Data) sobre el cliente en tiempo real: historial de compras, intereses, patrones de comportamiento, lifetime value. El agente usa estos datos no para «vender a la fuerza», sino para hacer una oferta personalizada que realmente sea útil para el cliente.
Caso paso a paso:
- El cliente llama a la tienda online para preguntar por el estado de la entrega del traje de esquí;
- El sistema de IA muestra al agente en pantalla:
- «Compras recientes: esquís de montaña, fijaciones, ropa térmica»;
- «Próximo viaje (Upcoming trip): Alpes, en 2 semanas (según los datos del CRM)».
- El agente responde a la pregunta sobre la entrega y después añade:
«Veo que se está preparando para una jornada seria en la nieve. Nuestro seguro de viaje (Travel Insurance) incluye cobertura para deportes extremos y protección del nuevo equipo hasta 5.000 €, algo que no ofrecen los seguros habituales. Teniendo en cuenta su equipamiento, esto puede ser importante».
Esto no es una venta agresiva, sino una venta basada en el valor añadido. El cliente no siente presión, siente atención.
Cuando se permite a los agentes pensar, no solo leer un guion, los resultados hablan por sí solos: mayor conversión, mayor ticket medio, mayor retención de clientes. Y, lo que es importante, los propios agentes trabajan con más interés.
Specialized Problem Solver — el «solucionador» de tareas complejas
Si Experience Orchestrator gestiona la experiencia del cliente junto con la IA y atiende todo el abanico de consultas — de las más simples a las más complejas —, Specialized Problem Solver interviene en los puntos de mayor complejidad. Es el experto que asume situaciones en las que un error puede salir caro.
Por ejemplo:
- En el sector financiero: la IA atiende las consultas sobre saldo, Experience Orchestrator trabaja con reclamaciones y ventas, y Specialized Problem Solver investiga fraudes o lleva casos de crédito complejos;
- En telecomunicaciones: la IA resuelve dudas sobre tarifas, Experience Orchestrator ayuda con la activación de servicios, y Specialized Problem Solver aborda problemas técnicos de la red o negociaciones con clientes VIP.
Según un estudio sobre la industria de la IA en Latinoamérica, la empresa brasileña Blip ha desarrollado una plataforma de AI para el procesamiento del lenguaje natural en portugués y español. Sus bots gestionan más de 50 millones de conversaciones diarias para clientes corporativos como GM, Dell e Itaú, liberando a los agentes para trabajar solo en escalaciones complejas que requieren conocimiento legal, matices técnicos o habilidades de negociación.
Según el estudio de GoodCall sobre la transformación de los roles de agente, los salarios en puestos especializados son entre un 20% y un 40% superiores a los básicos. Es difícil rebatirlo.
El nuevo rol del supervisor: del control a la Data Science y el Strategic Leadership
¿Recuerdan el modelo antiguo? El supervisor escucha entre el 5 y el 7% de las llamadas aleatorias, rellena listas de verificación y una vez al mes da retroalimentación al agente. Para entonces, nadie recuerda lo que pasó tres semanas antes.
El supervisor ya no tiene que controlar una muestra aleatoria de llamadas. Ahora AI analiza el 100% de las llamadas, chats y consultas de correo electrónico por él: cumplimiento de estándares, compliance (GDPR, regulaciones financieras), tono de la conversación, calidad de la resolución. AI encuentra al instante patrones y anomalías que una persona simplemente no podría ver tras un mes de trabajo manual.
El rol del supervisor cambia de forma radical. Deja de ser un «cazador de errores» y se convierte en estratega: analiza patrones, forma al equipo a partir de los datos, mejora procesos. AI aporta transparencia: muestra lo que realmente está pasando. El supervisor convierte esa transparencia en acciones.
A continuación, dos escenarios reales que muestran cómo funciona
Caso 1: Total Quality Management — control del 100% en lugar de muestreo
Estudiando la implantación de AI en el sector financiero, me encontré con un caso muy ilustrativo de un gran banco estadounidense (cuyo nombre no puedo revelar por NDA). El problema era típico de la industria: el control de calidad tradicional analizaba solo entre el 2 y el 5% de las llamadas. Las infracciones críticas de compliance (por ejemplo, que el agente no mencionara la información obligatoria sobre riesgos al vender un producto financiero) podían pasar desapercibidas.
El banco desplegó una plataforma de AI para el control total de calidad y el análisis del habla, y los resultados me impresionaron. Así es como cambió el trabajo de los supervisores.
Mecánica: QA Bot (bot de control de calidad) analiza todas las conversaciones según múltiples criterios: AHT, Compliance (GDPR), Adherencia al guion de llamada (cumplimiento del guion), Sentiment Dynamics (dinámica emocional), Resolution Quality (calidad de la resolución). El sistema identifica de inmediato las infracciones críticas y envía alertas al supervisor.
Veamos cómo podría verse esto en el trabajo de un supervisor con AI:
- QA Bot analiza 5.000 llamadas en una semana;
- El sistema detecta un patrón: el 20% de los agentes del turno de noche tiene un CSAT bajo y un nivel de estrés alto;
- El supervisor recibe un análisis detallado con ejemplos de llamadas;
- Profundiza y descubre que por la noche hay más llamadas de clientes cansados e irritados, y que las consultas estándar consumen el tiempo de los agentes;
- Solución: implanta un bot de AI para atender consultas transaccionales simples en horario nocturno (saldo de cuenta, estado del pedido, restablecimiento de contraseña);
- Resultado: los agentes quedan liberados de la rutina y pueden centrarse en casos emocionales complejos. El CSAT sube un 12% en dos semanas y el estrés de los agentes disminuye.
Eso es gestión basada en datos. AI mostró un patrón que el supervisor no habría visto escuchando una muestra aleatoria. El supervisor entendió la causa y tomó una decisión estratégica.
Caso 2: AI-Powered Workforce Management — planificación basada en datos
Imaginemos otra situación. El supervisor planifica los turnos de la próxima semana basándose en estadísticas del año anterior e intuición: «El lunes suele haber muchas llamadas, el viernes menos».
El problema es que la realidad no coincide con los datos del año pasado. Se lanza una campaña de marketing: el flujo de llamadas se duplica y faltan agentes. O al revés: hay tiempos muertos porque los clientes no llaman.
Veamos lo que hace un supervisor que trabaja con AI:
Mecánica: Machine Learning analiza no solo el historial de llamadas, sino también factores externos: lanzamiento de campañas de marketing, condiciones meteorológicas (en los días lluviosos aumenta la actividad de compra online), menciones de la marca en redes sociales, festivos y eventos estacionales. El supervisor usa estos datos no para adivinar, sino para prever con precisión la carga de trabajo.
Caso paso a paso:
- El gran minorista europeo H&M se prepara para lanzar sus rebajas de verano;
- El sistema de AI analiza los factores:
- Historial de llamadas durante rebajas anteriores;
- Envío programado de correo electrónico a 500.000 suscriptores;
- Previsión meteorológica (fin de semana caluroso = más compras online);
- Actividad en redes sociales (aumento del 30% en las menciones de la marca).
- El sistema prevé un pico de consultas del +40% el sábado de 14:00 a 18:00;
- El supervisor recibe automáticamente la propuesta de horario óptimo de turnos con 5 días de antelación.
Resultado: todas las consultas se atienden sin retrasos, los agentes trabajan con una carga óptima (75-85%), y el SLA se cumple en más del 95%.
Esto no es adivinación. Es planificación basada en datos. AI ve patrones que una persona no notará, y el supervisor toma decisiones que AI por sí sola no tomaría.
AI Operations Supervisor: quien enseña y supervisa a AI
Hay otro rol que ha aparecido hace muy poco y que lo pone todo patas arriba.
Antes, los supervisores solo controlaban a las personas. Ahora hay especialistas que controlan a AI.
AI Operations Supervisor es la persona que vigila cómo funcionan los bots. ¿Suena raro? En realidad es un rol críticamente importante. Porque AI no es un botón mágico de «enciende y olvida». Los bots se equivocan. Dan respuestas incorrectas, no entienden la jerga, se bloquean con consultas atípicas.
Esto es lo que hace AI Operations Supervisor:
Analiza dónde los bots funcionan bien y dónde no. Ve que el 30% de los clientes que preguntan por devoluciones sale del chat con el bot sin solución, y reentrena el sistema. Encuentra consultas que el bot no entiende («devuélvanme el dinero del pedido» en lugar de «tramitar una devolución») y añade esas frases a la base de datos. Observa las métricas: cuántas consultas resolvió el bot por sí solo, cuántas derivó a personas, y dónde los clientes se enfadan y piden un agente.
No es un programador ni un desarrollador de AI. Es una persona que entiende tanto al cliente como a la tecnología. Hace que AI sea más inteligente cada día, porque sabe cómo habla realmente la gente, qué necesita y dónde falla el sistema.
Analizando materiales sobre la gestión de AI en contact centers, he visto algo claro: cuando las empresas asignan un especialista para controlar y entrenar a los bots, los resultados son mucho mejores. Menos errores en las respuestas, clientes más satisfechos y más consultas resueltas sin intervención humana. La lógica es simple: alguien supervisa continuamente el sistema, lo entrena y lo mejora.
¿El salario? Entre un 30% y un 50% más alto que el de un supervisor estándar. Porque este especialista debe entender tanto el atención al cliente como las particularidades técnicas de los sistemas de AI, y esa combinación no es habitual.
Tu futuro empieza ahora
La pregunta no es si AI sustituirá a los agentes y supervisores. La pregunta es quién se adaptará más rápido.
Quienes desarrollan su inteligencia emocional, aprenden a usar herramientas de AI y eligen una especialización, aumentan su valor y su salario. Quienes se aferran a los métodos antiguos, corren el riesgo de quedarse atrás.
Domina la inteligencia emocional (EQ) y aprende a trabajar con AI. La buena noticia: no hace falta convertirse en programador para ello. Basta con entender cómo la tecnología potencia tus capacidades. Puedes empezar por aquí:
Cursos online (gratuitos o económicos):
- Emotional Intelligence — Coursera (Arizona State University) — fundamentos de EQ para el trabajo, unas 4 semanas;
- Emotional Intelligence in Leadership — Coursera — estrategias prácticas para equipos;
- Developing Your Emotional Intelligence — LinkedIn Learning — curso corto (2-3 horas);
- Customer Service in the Age of Generative AI — Coursera (University of Virginia) — cómo usar AI chat bots y personalización;
- Contact Center AI: Conversational Design Fundamentals — Google Cloud — curso gratuito sobre creación de agentes virtuales;
- 10 Best Free AI Customer Service Courses — Sobot Academy — selección de cursos gratuitos;
- Libro clásico: «Emotional Intelligence 2.0» de Daniel Goleman.
Practica tus habilidades con Chat GPT
Una de las formas más sencillas de mejorar tus habilidades: entrenar con Chat GPT. Está disponible siempre y no se ofende por los errores.
Pídele que haga de cliente descontento, mantén una conversación y recibe retroalimentación. Cuando te resulte fácil, complica los escenarios: el cliente exige lo imposible o se pone personal.
Exige formación a tu empleador
¿Tu empresa está implantando AI? Exige formación y tiempo para practicar. No es un favor, es tu derecho como profesional.
Ya hemos analizado qué está pasando con la profesión de agente y qué roles están apareciendo. Pero, ¿cómo funciona esto desde el punto de vista tecnológico? ¿Qué herramientas concretas de AI están cambiando las reglas del juego? Y, sobre todo: ¿cómo pueden los responsables implantar todo esto en sus contact centers sin convertir el proceso en caos?
Sobre esto en la segunda parte. Allí mostraré la mecánica tecnológica de la transformación: desde escenarios concretos de AI hasta una hoja de ruta de implementación paso a paso. Con casos, métricas y cifras reales de ROI.
