Agente de IA para automatizar los tickets de soporte, de la respuesta al cierre

Un ticket bien clasificado que se queda sin respuesta no sirve de nada. Una vez que se sabe de qué trata y cuánto urge, todavía hay que redactar la respuesta, publicarla, seguir el plazo antes de que se agote, y cerrar el ticket correctamente. Es esta parte del trabajo, la más repetitiva y la más sensible al volumen, la que un agente de IA autónomo puede asumir.

El problema

El costo de un mal tratamiento de tickets se nota rápido en el comportamiento de los clientes. Según los datos de Zendesk Benchmark recogidos por Zendesk, el 73 % de los consumidores cambia de marca tras varias malas experiencias de servicio, y más de la mitad lo hace ya desde una sola mala experiencia (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). El informe CX Trends 2026 de Zendesk, basado en más de 11 000 encuestados en 22 países, va en el mismo sentido: el 85 % de los responsables de CX encuestados considera que los clientes se van tras un problema sin resolver, incluso en el primer contacto (https://cxtrends.zendesk.com/).

La buena noticia es que los mismos datos de Zendesk Benchmark muestran que la IA ya se percibe como útil en este terreno concreto: cerca de 8 de cada 10 consumidores considera útil un bot de IA para los problemas sencillos, y dos tercios de los directivos encuestados afirma que sus inversiones en IA para el servicio al cliente han producido mejoras de rendimiento significativas. Una señal de resultado concreto viene de un proveedor del sector: Intercom, que vende su propio agente de IA de soporte (Fin), indicaba en junio de 2026 una tasa de resolución media del 76 % en el conjunto de sus más de 7000 equipos clientes, una cifra que había progresado cada mes según el proveedor (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). Es una cifra anunciada por un proveedor sobre su propio producto, no una medición independiente, hay que leerla con esa reserva, pero el orden de magnitud da una idea de lo que un tratamiento asistido por IA puede cubrir en tickets basados en conocimiento.

Lo que estas cifras no muestran es el trabajo previo necesario para que una tasa de resolución alta sea alcanzable: una base de conocimiento actualizada, macros pertinentes para los casos recurrentes, un seguimiento SLA que alerte antes del vencimiento en lugar de después. Sin esa preparación, un tratamiento automatizado produce sobre todo respuestas genéricas o fuera de tema, lo que deteriora la confianza en lugar de mejorarla. Es precisamente esa brecha la que este agente está diseñado para cerrar: apoyarse en lo que ya existe en lugar de inventar una respuesta desde cero.

Qué hace el agente, paso a paso

En Atako, este agente trabaja sobre tickets ya abiertos y categorizados, hayan sido clasificados por una persona o por un agente de triaje dedicado. Supervisa la cola de forma continua, en todos los canales de ticketing conectados, sin depender del horario del equipo.

Para cada ticket, busca en la base de conocimiento de la empresa el artículo más relevante, y luego redacta una respuesta adaptada al contexto preciso del ticket y al tono definido por la empresa. Si el grant concedido sobre el conector de ticketing lo autoriza en escritura, publica la respuesta directamente; si no, la prepara en borrador para su validación humana. En paralelo, calcula y sigue el plazo SLA restante de cada ticket según su prioridad, y avisa al equipo en Slack cuando un ticket se acerca a su vencimiento sin respuesta suficiente. Cuando el motivo de un ticket coincide con un patrón ya resuelto varias veces, aplica o sugiere una macro en lugar de redactar una respuesta desde cero. Una vez resuelto el ticket, actualiza la ficha del cliente en el CRM con un resumen de la resolución.

Las integraciones utilizadas

Zendesk y Freshdesk reciben la respuesta redactada mediante update_ticket, si el grant lo autoriza en escritura, y permiten al agente seguir el estado del ticket hasta su cierre. Notion sirve como base de conocimiento: el agente busca ahí el artículo pertinente con search o query_database antes de redactar nada, lo que evita que invente una respuesta sin fuente.

HubSpot actualiza la ficha del cliente una vez resuelto el ticket, con un resumen de la resolución registrado en el contacto o el negocio correspondiente. Slack recibe la alerta cuando un ticket se acerca a su vencimiento SLA sin respuesta suficiente, para que una persona retome el control antes de que se agote el plazo.

Lo que sigue en manos humanas

El agente nunca redacta una respuesta desde cero: se apoya en la base de conocimiento existente, y si esta no cubre el tema del ticket, no tiene nada fiable que proponer. Cada integración que usa depende de un grant preciso: un grant de solo lectura en Zendesk, por ejemplo, obliga al agente a preparar sus respuestas en borrador en lugar de enviarlas directamente, lo que deja un punto de control humano sistemático mientras el equipo lo desee.

Tres responsabilidades siguen siendo claramente humanas. Primero, validar o corregir las respuestas generadas antes de enviarlas en todo lo que no corresponde a una macro ya validada por el equipo. Segundo, atender los tickets complejos o escalados que la base de conocimiento no cubre, lo que exige un juicio real sobre el caso del cliente y a veces una decisión comercial que el agente no tiene mandato para tomar solo. Tercero, mantener la base de conocimiento actualizada: por bien diseñado que esté, un agente no puede responder correctamente a partir de una documentación obsoleta o incompleta.

Este funcionamiento sigue el principio del human-in-the-loop: el agente absorbe la redacción repetitiva y el seguimiento de los plazos, la persona conserva el control sobre lo que realmente sale hacia el cliente en cuanto el caso se sale del marco conocido. Cada acción del agente, respuesta publicada, macro aplicada, actualización del CRM, queda registrada con su estado y consultable en la línea de tiempo de actividad del agente, y en el registro de integraciones de toda la empresa para un administrador.

Resultado medible

A lo largo del tiempo, esta regularidad también cambia la forma en que el equipo de soporte vive su carga de trabajo: menos picos de estrés por plazos SLA que se agotan en silencio, y más tiempo dedicado a los tickets que realmente exigen un juicio humano en lugar de una respuesta ya escrita en otro lugar.

El beneficio principal se mide en dos ejes: el cumplimiento de los plazos SLA, porque el agente supervisa cada ticket de forma continua y alerta antes del vencimiento en lugar de después, y la regularidad de la calidad de las respuestas, porque siempre proceden de la misma base de conocimiento en lugar de reformularse cada vez de forma distinta por personas distintas. Esto no exime de mantener actualizada la base de conocimiento, es incluso una condición para que el resultado se sostenga en el tiempo: por bien diseñado que esté, un agente sigue dependiendo de la calidad de lo que se le da para leer, lo que convierte la documentación en una inversión continua más que en una tarea puntual resuelta de una vez al inicio del proyecto y olvidada después hasta el próximo incidente.

El plan Standard de Atako cobra 20 euros al mes por slot de agente, con 1000 créditos incluidos cada mes para las llamadas al modelo movilizadas por la búsqueda de artículos, la redacción y el seguimiento SLA. Este costo se mantiene igual sea cual sea el volumen de tickets tratados en el mes, solo cuenta el número de agentes activos simultáneamente. El detalle está en la página de precios.