Ertas para Soporte al Cliente

The Challenge

Los equipos de soporte al cliente se ahogan en volumen de tickets mientras luchan por mantener la calidad. Los chatbots genéricos de IA prometen alivio pero consistentemente decepcionan: alucinan características de producto que no existen, dan pasos de solución de problemas incorrectos con total confianza y escalan a agentes humanos a tasas tan altas que la automatización apenas mueve la aguja. La causa raíz es simple: estos modelos nunca han visto tu documentación de producto, tus runbooks internos ni los miles de casos límite matizados que tus agentes senior han aprendido a manejar.

El problema se profundiza a medida que los productos se vuelven más complejos. Cada nueva funcionalidad, cambio de precios o integración añade otra superficie donde un modelo genérico fallará. Los pipelines RAG ayudan pero introducen sus propios problemas de fiabilidad: artefactos de fragmentación, fallos de recuperación y desbordamientos de ventana de contexto que degradan la calidad de las respuestas de forma impredecible. Los líderes de soporte necesitan IA que genuinamente comprenda su producto a la profundidad de un agente entrenado, no un sistema que hace coincidencia de patrones contra fragmentos recuperados y espera lo mejor.

The Solution

Ertas convierte el mejor conocimiento de tu equipo de soporte en un modelo de IA hecho a medida. En Studio, los equipos de operaciones de soporte ajustan modelos abiertos con historiales de tickets resueltos, bases de conocimiento internas y pares de preguntas y respuestas seleccionados, que suben como JSONL o construyen en Data Craft, el constructor guiado de datasets de Studio, donde los agentes con más experiencia editan y aprueban conversaciones de ejemplo. El modelo resultante ha aprendido la lógica, la terminología y las rutas de solución de tu producto, así que sus respuestas se parecen a las de tus mejores agentes.

Cada modelo entrenado aparece en Hub para exportarlo en GGUF o en safetensors completos. Sírvelo con Ollama, llama.cpp o vLLM en tu propia infraestructura y conéctalo a tu plataforma de helpdesk mediante tu propia API, sin depender de Ertas para funcionar. Los modelos de 3B a 8B responden rápido en GPU modestas. Cuando tu producto cambie, vuelve a entrenar en Studio con tickets recientes, compara la nueva ejecución con la actual y sustituye el modelo exportado cuando alcance tu nivel de calidad. Si prefieres recibirlo como servicio, puedes usar el endpoint de modelo adaptativo: un modelo a medida entrenado con tus propias solicitudes y las valoraciones de tu equipo asume una parte creciente de las solicitudes de soporte en cuanto supera tus evaluaciones, mientras los casos difíciles siguen en el modelo frontera que ya usas.

Key Features

Example Workflow

El equipo de soporte de una empresa SaaS exporta 100,000 tickets resueltos de Zendesk, se queda con los que tienen CSAT alto y resoluciones verificadas, y elimina nombres, correos e identificadores de cuenta de los clientes con sus propios scripts antes de guardarlos como un dataset JSONL. El dataset se sube a Ertas Studio, y dos agentes sénior usan Data Craft para corregir y aprobar unos cientos de ejemplos sobre los problemas de facturación y de cuentas más complicados. En Studio, el equipo ajusta Llama 3.1 8B con LoRA en los dominios de resolución de problemas y gestión de cuentas de la empresa, y lanza tres configuraciones en paralelo. Compara cada ejecución con un conjunto reservado de 5,000 tickets, puntuando sus respuestas frente a las resoluciones que los agentes enviaron de verdad y frente a las respuestas de su chatbot RAG actual. El mejor modelo se exporta desde Hub, se sirve con vLLM en el servidor GPU propio de la empresa y se conecta a un webhook de Zendesk. Redacta respuestas para los tickets de nivel 1, y el equipo decide qué categorías automatizar por completo según su propia revisión de esos borradores; el resto pasa a los agentes para su aprobación.