El futuro de la experiencia del cliente es conversacional: claves del webinar con Twilio

El futuro de la experiencia del cliente es conversacional: claves del webinar con Twilio

El futuro ( y el presente) de la experiencia con el cliente es conversacional

En el webinar en el que recientemente participé con Juan Marrugo, Head de New Business para Latam en Twilio, profundizamos en lo que realmente se necesita para que la IA conversacional genere valor en la customer experience (CX): marketing, ventas y servicio.

A continuación, los temas centrales que abordamos.

1. El problema actual: mucha IA, poco fundamento

En los últimos cinco años, muchas empresas se acercan con la misma frase: “mi jefe me dijo que hiciera algo con inteligencia artificial”. Eso suele traducirse en:

• Proyectos impulsados por apagar fuegos y por ver si la IA nos ayuda, no por la estrategia ni por el gobierno de datos.

• Falta de alineación entre:

  • Departamentos (marketing, ventas, servicio, operaciones).

  • Plataformas (CRM, contact center, analytics, knowledge base).

  • Modelos de datos y semántica del negocio.

• Ausencia de:

  • Centro de excelencia de datos/IA.

  • PMO que coordine iniciativas.

  • Roles y destrezas claras en torno a datos y AI.

El resultado: es posible montar un piloto o una prueba de concepto, pero integrar la IA como parte estructural del negocio casi siempre falla.

2. Datos y semántica: la base olvidada de la IA conversacional

2.1. Datos estructurados vs. no estructurados

Para que un agente conversacional funcione, no basta con “enchufarlo” al CRM. Necesita conectar:

Datos estructurados

• Contactos, cuentas, direcciones, teléfonos, correos, casos, transacciones, oportunidades, tickets, campañas, compras, actividades, encuestas, etc.

• Segmentos, audiencias, NPS, historiales, datos inferidos, métricas.

Datos no estructurados

• Conversaciones (voz y chat) transcritas.

• Emails, comentarios

• Videos, PDFs, documentos internos.

• FAQs, knowledge bases, contenido en portales de ayuda.

» Muchos de estos repositorios de datos no están estructurados:

• Desactualizados (3–6 años sin mantenimiento).

• Sin categorías ni tags. Sin metadatos.

• Fuera de sincronía con la realidad del cliente.

Aun así, esa capa de conocimiento no estructurado es la “columna vertebral” de la IA conversacional, porque complementa los datos de CRM con contexto, semántica, lenguaje natural y casos reales.

2.2. El problema de la semántica: ¿qué significa “campaña”?

Un obstáculo crítico es la falta de una semántica común. Ejemplo real:

• Una organización con 14 marcas:

  • 14 brand managers.

  • Varias agencias (marketing, publicidad, contenido).

  • Equipos de ventas (B2B y B2C) y de servicio (onboarding y soporte).

• Si reúnes a 100 personas y les preguntas qué es una “campaña”, obtienes fácilmente 200 definiciones distintas.

Sin glosario compartido:

• Una campaña en Facebook ≠ una campaña en CRM ≠ una campaña de retención ≠ una campaña de NPS.

• El agente de IA no puede interpretar bien las preguntas ni los datos (“¿Qué clientes compraron más en la campaña X?”) porque ni siquiera los humanos se ponen de acuerdo en los términos.

De ahí la necesidad de:

• Un glosario semántico unificado (términos clave y definiciones claras).

• Un catálogo de contexto: qué significa cada término según el canal, la línea de negocio, el producto, etc.

• Un layer de datos semánticos que todos (personas, sistemas y agentes) compartan.

Juan Marrugo, Head de New Business para Latam en Twilio, y Jesus Hoyos, CRM Coach, CX2Advisory.

3. IA vs. humano: no se trata de reemplazar, sino de orquestar

Uno de los errores más comunes es ver la IA solo como herramienta de reducción de costos de personal:

“Quiero automatizar para tener menos personal.”

El enfoque correcto es otro:

• Diseñar procesos para saber cuándo debe intervenir un humano, no para eliminarlo.

• Aceptar que:

  • Si el humano tiene que entrar 20 veces, tiene que entrar 20 veces.

  • El objetivo no es “cero humanos”, sino “humanos que realmente aportan valor”.

3.1. Casos de uso prácticos

Varios ejemplos reales en bancos y salud muestran patrones claros:

• Call centers con alta rotación (agentes que no duran ni 30 ni 90 días).

• Costos altos de:

  • Reclutamiento.

  • Capacitación.

  • Supervisión inicial.

Allí funciona bien:

• Automatizar interacciones altamente repetitivas (entry level).

• Reservar agentes humanos experimentados para:

  • Casos complejos.

  • Clientes de alto valor.

  • Situaciones emocionales o críticas.

Triggers típicos para pasar de IA a humano:

• Lenguaje de frustración o insultos.

• Frases como: “este muchacho no me está ayudando” (refiriéndose al agente virtual).

• Señales de urgencia o de alta ansiedad.

El rol del supervisor también cambia:

• En vez de monitorear 7–15 agentes humanos, puede supervisar:

  • 2–3 agentes de IA.

  • Más un equipo humano más pequeño, pero mejor calificado.

3.2. ¿Y cuándo la IA falla?

Una cuestión que aparece cada vez más:

• Cuando un humano se equivoca, hay:

  • Tener un proceso de QA.

  • Reforzar la capacitación.

  • Involucrar a Recursos Humanos.

  • Mitigar los procesos de performance.

• Cuando un agente con IA falla, no es “alucinación mágica”:
  Hay diseño, datos y decisiones humanas detrás.

Por eso, los mismos principios de responsabilidad (QA, RRHH, gobernanza) deben aplicarse a:

• ¿Quién diseña los flujos?

• ¿Quién entrena el modelo?

• ¿Quién decide cuándo y cómo se usa la IA frente al cliente?

4. Monitorear el 100% de las conversaciones: cambio total de paradigma

La mayoría de las empresas sigue anclada en el modelo tradicional de CX – la encuesta de NPS:

• “Espere hasta el final de la llamada para responder una encuesta.”

En la práctica:

• Casi nadie responde.

• El NPS se captura, pero se acciona tarde o nunca.

Con IA conversacional y análisis en tiempo real podemos:

• Leer sentimiento, emociones y contexto:

  • “Estoy molesto.”

  • “No me funciona.”

  • “Me voy a mudar.”

  • “Me voy de vacaciones.”

• Inferir:

  • Riesgo de churn.

  • Oportunidades de upsell/cross-sell.

  • Posible fraude.

• Actualizar el CRM automáticamente con:

  • Motivos de contacto.

  • Estado emocional.

  • Compromisos y próximos pasos.

Beneficios clave:

• Acción inmediata en vez de reacción tardía:

  • Resolver el problema antes de cerrar la llamada.

  • Disparar seguimientos automáticos relevantes.

• Mejor calidad de datos:

  • El agente (IA) estructura y normaliza la información en el CRM.

• Omnicanalidad real:

  • La conversación fluye sin fricción entre:

    • Voz.

    • Chat.

    • WhatsApp.

    • Puntos físicos de venta.

  • Sin pedirle al cliente que repita todo cada vez que cambia de canal.

5. Requisitos fundamentales: datos limpios, talento y arquitectura

5.1. Datos limpios: no es opcional

Para que la IA funcione, se requiere, como mínimo:

• Entre el 90% y el 96% de calidad de los datos en los campos clave.

• Un ejercicio serio de perfilamiento de datos, evaluando criterios como:

  • Completitud.

  • Exactitud.

  • Consistencia.

  • Duplicados.

Ejemplos de preguntas básicas sobre los datos:

• Correos:

  • ¿Llegan o rebotan?

  • ¿Son personales o corporativos?

  • ¿Cuál es el principal? ¿Cuál es el secundario?

• Teléfonos:

  • ¿Cuál es el válido para WhatsApp, SMS y llamadas?

  • ¿Es del cliente, de la oficina, del asistente, de un familiar?

• Direcciones, nombres, apellidos:

  • ¿Están normalizados y segmentables?

Si esto no funciona bien con humanos hoy, con IA será peor. Esto es aparte de la calidad de los datos no estructurados.

5.2. Talento adecuado: el gran cuello de botella

Otro hallazgo claro:

• No hay suficiente talento interno con:

  • Hard skills:

    • Datos.

    • IA.

    • Arquitectura.

    • Integraciones.

  • Soft skills:

    • Pensamiento crítico.

    • Trabajo transversal.

    • Orientación a cliente.

Además, muchas empresas:

• Compran tecnología que luego no saben usar o la usan al 10–20%.

Por eso, el “norte” actual en muchas organizaciones es:

“Ayúdame a hacer más con menos.”

Eso exige:

• Invertir en talento, datos e IA.

• Estructurar:

  • Gobierno de datos.

  • Centro de excelencia.

  • PMO que conecte el negocio y la tecnología.

5.3. Arquitectura y orquestación

La IA conversacional no es un “chatbot lindo”:

• Es un tema de arquitectura y orquestación:

  • Integrar canales, sistemas y modelos.

  • Diseñar journeys y flujos en torno a las conversaciones, no en silos de canal.

• Ejemplos:

  • Dos call centers con tecnologías distintas pueden unificarse detrás de:

    • Una plataforma que orquesta:

      • Agentes humanos.

      • Agentes de IA.

      • Automatizaciones (RPA, workflows, journeys).

Twilio, en particular, está avanzando con:

• Maestro: orquestador de agentes y de flujos.

• Memoria: capa de contexto persistente entre interacciones.

Más tiene su CDP y toda la infraestructura de soluciones para generar customer engagement. Justo las piezas necesarias para que la IA conversacional tenga continuidad y un contexto unificado.

6. Privacidad, regulación y el futuro a 3 años

La conversación también abordó la diferencia entre:

• IA pública (Google, ChatGPT, etc.):

  • Entrenada con datos masivos.

  • Contexto rápido, pero sin relación contractual directa con el cliente final.

• IA “customer-facing” propia de las empresas:

  • Maneja datos sensibles:

    • Identificación.

    • Finanzas.

    • Salud.

  • Debe ajustarse a:

    • Privacidad.

    • Seguridad.

    • Regulaciones (GDPR y similares).

Tendencias claras para los próximos 3 años:

• Mayor presión regulatoria:

  • Derecho a ser olvidado también en los modelos de IA.

  • Obligación de explicar y controlar qué se hace con los datos en los LLM.

• Necesidad de:

  • Separar claramente:

    • Modelos públicos vs. modelos privados.

    • Casos internos vs. de cara al cliente.

• Evolución hacia:

  • Experiencias realmente omnicanales.

  • Conversaciones sin fricción entre:

    • Canales digitales.

    • Puntos físicos (por ejemplo, tiendas donde un dispositivo captura la interacción y desencadena acciones en tiempo real).

7. ¿Por dónde empezar? Pasos prácticos

Derivado de la discusión, una ruta pragmática podría ser:

Próximos 30 días

• Medir el estado actual de los datos:

  • Perfilamiento de la calidad de los datos (correos electrónicos, teléfonos, IDs y direcciones).

• Hacer un checklist de:

  • Tecnología disponible y qué tanto se usa.

  • Talento actual (datos, IA, arquitectura).

  • Gaps críticos.

• Identificar un champion interno con coraje para liderar el cambio.

• Iniciar un glosario semántico con términos básicos (cliente, campaña, lead, caso, etc.).

Próximos 60 días

• Poner en marcha un plan de limpieza y gobierno de datos.

• Formalizar:

  • Equipo de gobierno de datos/IA (centro de excelencia).

  • PMO o una estructura similar para coordinar.

• Montar los primeros pilotos internos:

  • IA para empleados (no aún de cara al cliente):

    • Automatizar tareas internas.

    • Asistencia contextual (resúmenes, búsquedas, etc.).

Próximos 90 días

• Ampliar pilotos a:

  • “Friends & Family” con clientes seleccionados.

• Integrar sistemas clave:

  • CRM.

  • Plataforma de comunicaciones.

  • Knowledge base.

• Desarrollar:

  • Catálogo de contexto y de semántica más robusto.

• Definir KPIs claros:

  • Reducción de tiempos.

  • Mejora en NPS/CSAT.

  • Aumento de conversión.

  • Calidad de datos.

Conclusión

La tesis central del webinar es clara:

El futuro de la experiencia del cliente es conversacional, pero la IA conversacional solo funciona si se construye sobre datos limpios, una semántica compartida, talento adecuado y una arquitectura de orquestación clara.

No se trata de reemplazar humanos, sino de:

• Quitar fricción.

• Orquestar múltiples agentes (humanos e IA).

• Convertir conversaciones en acciones concretas:

  • Ventas.

  • Retención.

  • Resolución efectiva de problemas.

El reto ya no es “si” usar IA, sino cómo hacerlo con responsabilidad, estructura y foco en el cliente.