Cómo crear un agente de IA para soporte al cliente

Caso de uso: construye un agente de IA que responde tickets de soporte usando tu documentación real (RAG), con escalamiento a humanos cuando corresponde.

Un agente de soporte efectivo no es un chatbot que responde con texto genérico — es un sistema que busca en tu documentación real (RAG), decide si puede resolver el caso solo, y escala a un humano cuando la confianza es baja o el tema es sensible.

Este caso de uso cubre la arquitectura completa: desde indexar tu documentación hasta definir cuándo el agente debe "rendirse" y avisar a un humano.

Paso a paso

  1. 1. Recolecta y limpia tu base de conocimiento: Reúne documentación, FAQs y tickets resueltos anteriormente. Elimina información obsoleta — un agente con datos viejos genera respuestas confiadas pero incorrectas, peor que no tener agente.
  2. 2. Indexa con RAG (Retrieval-Augmented Generation): Divide tu documentación en fragmentos, conviértelos en embeddings y guárdalos en una base vectorial (Supabase pgvector es suficiente para empezar). Esto permite que el agente busque contexto relevante antes de responder.
  3. 3. Define el prompt del agente con límites claros: El system prompt debe indicar: rol, tono, qué puede y qué no puede hacer (reembolsos, cambios de cuenta), y que debe citar la fuente de su respuesta cuando sea posible.
  4. 4. Implementa el criterio de escalamiento: Define reglas explícitas: baja confianza en la respuesta, temas de facturación/legal, o el usuario pide explícitamente hablar con un humano. El agente debe reconocer sus límites, no improvisar en zonas grises.
  5. 5. Prueba con casos reales antes de lanzar: Toma 20-30 tickets históricos reales y corre el agente contra ellos. Mide cuántos resuelve correctamente, cuántos escala apropiadamente y cuántos falla — ajusta el prompt y el contexto según los resultados.
  6. 6. Monitorea en producción: Registra cada conversación y revisa semanalmente casos donde el agente falló o el usuario quedó insatisfecho. Los agentes de soporte mejoran iterando sobre casos reales, no en teoría.

Herramientas

LLM (Claude / GPT), Supabase pgvector, Function calling, Panel de escalamiento a humano

Qué aprender

Preguntas frecuentes

¿Un agente de soporte con IA reemplaza al equipo humano?

No debería reemplazarlo del todo — reduce el volumen de tickets repetitivos y libera al equipo humano para casos complejos y sensibles.

¿Qué pasa si el agente da una respuesta incorrecta?

Por eso el criterio de escalamiento es crítico: ante baja confianza, el agente debe admitir límites y pasar el caso a un humano en vez de inventar una respuesta.

¿Necesito reentrenar el modelo con mis datos?

No. RAG conecta el modelo a tu documentación en cada consulta sin reentrenamiento — es más rápido, más barato y más fácil de mantener actualizado.