De 140 triggers sin dueño a un Zendesk con IA que clasifica y sugiere respuestas

Reto

La tienda vende moda y complementos en España y Portugal. En temporada alta recibe unos 4.500 tickets al mes, sobre todo por email y chat: dónde está mi pedido, cambios de talla, devoluciones e incidencias con el transportista.

Zendesk lo había configurado una agencia tres años antes. La persona que lo mantenía internamente se fue y nadie tomó el relevo. El resultado:

• 140 triggers activos, varios contradictorios. Algunos tickets recibían dos respuestas automáticas distintas.
• Un campo “motivo de contacto” con 47 opciones, rellenado a mano y mal en la mitad de los casos.
• Seis agentes dedicaban la primera hora de cada turno a repartir tickets.
• La primera respuesta tardaba de media 9 horas en días laborables.

La responsable de atención al cliente quería IA para responder más rápido. Pero meter IA encima de ese desorden habría multiplicado los errores.

Solución

Empezamos con la administración de Zendesk en plan Ampliado (1.000 €/mes + IVA, 20 h/mes).

Mes 1: limpieza. Inventariamos todos los triggers y automatizaciones, qué hacía cada uno y cuándo se había disparado por última vez. Pasamos de 140 a 38 triggers activos, documentados y con un orden de ejecución claro. El motivo de contacto bajó de 47 a 12 opciones, las que de verdad servían para decidir algo. Rehicimos las vistas por equipo y prioridad. Cuento el método en por qué ordenar los triggers de Zendesk antes de meter IA.

Mes 2: clasificación con IA. Cuando entra un ticket, Claude lee el mensaje, rellena el motivo de contacto y la prioridad, detecta el idioma y extrae el número de pedido si aparece. Con ese número consulta Shopify y añade al ticket el estado del pedido y del envío. Los triggers ya ordenados enrutan el ticket al grupo correcto. Es el flujo que describo en clasificar tickets de soporte con IA.

Mes 3: respuestas sugeridas. Para los cinco motivos más frecuentes, Claude prepara un borrador como nota interna, con los datos del pedido y siguiendo las macros y el tono de la marca. El agente lo revisa, lo ajusta si hace falta y lo envía. Ningún mensaje sale al cliente sin que lo apruebe una persona.

Resultado

Seis meses después del arranque:

• 38 triggers activos en lugar de 140, y ninguna respuesta automática duplicada.
• El tiempo hasta la primera respuesta baja un 58 %, de 9 horas a menos de 4.
• 45 horas al mes menos de triage y redacción. Los agentes ya no reparten tickets por la mañana.
• La clasificación automática coincide con la revisión humana en el 93 % de los casos. Los agentes aceptan sin cambios el 64 % de las respuestas sugeridas.
• Los informes de Explore por motivo de contacto, por fin, reflejan lo que pasa.

“Lo más útil no fue la IA. Fue que alguien entendiera por fin nuestro Zendesk y lo dejara ordenado.” — Responsable de atención al cliente (anonimizado)

Qué haría distinto

Habría medido la calidad de las respuestas sugeridas por motivo desde el primer día. Las de devoluciones funcionaron enseguida; las de incidencias con transportista necesitaron dos semanas más de ajuste en las instrucciones.