Durante años respondimos prácticamente todos los correos de soporte de forma manual. Hoy, una gran parte de ellos obtiene respuesta en cuestión de segundos gracias a un asistente de inteligencia artificial. Lo curioso no fue construir el sistema. Lo difícil fue aprender a organizar correctamente el conocimiento que lo alimenta.
Desde que lanzamos nuestras primeras aplicaciones hemos intentado mantener una relación muy cercana con nuestros usuarios. Siempre hemos pensado que el soporte técnico no es un servicio adicional, sino una parte importante más del propio producto.
Cuando alguien encuentra un problema, tiene una duda o simplemente necesita ayuda, queremos que pueda hablar con nosotros y obtener una respuesta rápida. Gracias a esa filosofía hemos incorporado numerosas mejoras sugeridas por los propios usuarios, corregido errores en muy poco tiempo y mantenido una tasa de respuesta muy alta tanto en correos electrónicos como en reseñas de la Play Store y otros canales de contacto. Diría que más del 90% de las reseñas en Google Play han recibido respuesta, y lo mismo con los emails y los mensajes directos, es algo de lo que nos sentimos orgullosos y que queremos seguir manteniendo, es parte de nuestra esencia y marca.
Sin embargo, hay un problema evidente: conforme una aplicación crece también lo hace el número de consultas. Muchas de ellas son repetitivas, sencillas de resolver y consumen un tiempo que podríamos dedicar a seguir mejorando el producto.
Fue entonces cuando nos preguntamos una cosa: ¿Sería posible automatizar una parte del soporte sin perder la calidad de la atención?
La respuesta no la teníamos clara, suponíamos que sí pero no sabíamos cómo y probablemente no sería de la forma que imaginas.
Qué queríamos conseguir
Nuestro objetivo nunca fue sustituir el soporte humano. De hecho, seguimos leyendo personalmente todas las conversaciones y continuamos atendiendo aquellos casos que requieren un trato más cercano o una investigación específica.
Lo que buscábamos era eliminar las tareas repetitivas. Concretamente, queríamos que el sistema fuese capaz de responder inmediatamente a las dudas más habituales, hacerlo en el idioma y lenguaje del usuario, utilizar únicamente información oficial y verificada, mantener un tono coherente con el resto del producto y permitir supervisión humana cuando fuese necesario.
En otras palabras, queríamos que la inteligencia artificial actuase como un primer nivel de soporte, un filtro, no como un sustituto. Lo humano aporta y su valor va a incrementarse todavía más en los próximos años.
La clave no es la IA, sino el conocimiento que recibe
Uno de los errores más habituales cuando se habla de asistentes de inteligencia artificial es pensar que basta con conectar un modelo de lenguaje para obtener respuestas útiles. Nuestra experiencia ha sido completamente distinta.
El asistente únicamente es capaz de responder correctamente porque dispone de una base documental muy extensa sobre WorkIO, nuestra aplicación de control de horas. En ella se describe cómo funciona la aplicación, sus características, preguntas frecuentes, procesos internos, políticas de privacidad, el funcionamiento de cada apartado y también instrucciones específicas sobre cómo debe responder a los usuarios, hasta dónde debe llegar y qué temas debe evitar o redirigir.
Es decir, no responde utilizando únicamente el conocimiento general del modelo, sino apoyándose en documentación preparada específicamente para ese propósito. Esa base cubre las tres plataformas disponibles —Android, iPhone y versión web— y permite responder en los mismos idiomas en los que el usuario tiene configurada la aplicación. Eso reduce enormemente las respuestas incorrectas y hace que las contestaciones sean mucho más consistentes y acordes a lo que esperamos.
Además, en la propia aplicación se especifica claramente al usuario que va a hablar con un asistente de IA. No hay engaño: cualquiera que acceda al soporte desde ese punto sabe que la respuesta viene de un sistema automatizado. Y aun así, la calidad de esas respuestas es suficientemente alta como para que la experiencia sea positiva. Pero lo que hace que el sistema funcione no es magia, sino trabajo. Mucho trabajo de documentación y seguimiento.
La IA también necesita entrenamiento
Uno de los casos más problemáticos apareció muy pronto.
Cuando un usuario preguntaba “¿Qué puede hacer WorkIO?”, el asistente respondía enumerando gran parte de las funcionalidades de la aplicación. La respuesta era técnicamente correcta, pero era una mala respuesta.
Un usuario no quiere leer una lista de características. Quiere saber cómo esa aplicación puede ayudarle en su día a día. WorkIO no es simplemente una aplicación de registro de horas; es una herramienta orientada a ayudar a las personas a tomar decisiones informadas sobre el tiempo que dedican a su trabajo, para poder disfrutar mejor de su tiempo libre. Hay una diferencia enorme entre describir funciones técnicas y explicar el propósito real.
La solución no fue cambiar el modelo de IA. La solución fue modificar la documentación que utiliza como contexto. A partir de ese momento el asistente dejó de enumerar características y empezó a explicar qué problemas resuelve WorkIO y cómo utilizarla para mejorar la vida del usuario.
Ese pequeño cambio perfeccionó muchísimo la calidad de las respuestas y nos recordó una lección que luego se repetiría una y otra vez: en la mayoría de ocasiones el problema no está en la inteligencia artificial, sino en la información de la que dispone.
Cómo automatizamos el soporte por correo electrónico
Una vez el asistente era capaz de responder correctamente dentro del chat de la página web, decidimos reutilizar exactamente el mismo conocimiento para otro canal: el correo electrónico.
No todos los mensajes se responden automáticamente, solo aquellos que proceden directamente desde la aplicación. Para identificarlos utilizamos un asunto específico que WorkIO genera automáticamente cuando el usuario pulsa el botón de contacto por email. Ese asunto está traducido a los distintos idiomas soportados, lo que nos permite además detectar el idioma del usuario sin necesidad de analizarlo manualmente y garantizar que la respuesta llegue siempre en el mismo idioma en el que el usuario se comunicó.
Cuando llega un correo con ese asunto se inicia un flujo automatizado que identifica el idioma del usuario a partir del texto del asunto, envía la consulta al asistente, genera una respuesta utilizando la documentación interna, aplica una plantilla HTML con el formato corporativo de WorkIO y BetaZetaDev y envía la respuesta al usuario en cuestión de segundos. Todo ello sin intervención humana inmediata.
Esa palabra, “inmediata”, es importante ya que seguimos supervisando todas y cada una de las conversaciones para detectar posibles respuestas incorrectas y mejorar continuamente la documentación del asistente y sobre todo, la experiencia del usuario. La automatización no elimina la supervisión; la hace mucho más eficiente.
Vale la pena mencionar un detalle del flujo que puede verse en la imagen: el workflow tiene en realidad dos ramas. Si el correo llega con el asunto identificado pero el cuerpo está vacío, el sistema envía directamente una respuesta predefinida sin involucrar a la IA en ningún momento. La IA solo entra en juego cuando el correo contiene texto, es decir, cuando el usuario ha escrito algo que requiere una respuesta elaborada. Ese pequeño matiz hace el sistema más robusto y evita llamadas innecesarias al asistente para casos que no lo necesitan.
Qué hemos conseguido
Desde que implantamos este sistema el tiempo dedicado a responder consultas repetitivas se ha reducido aproximadamente un 80%.
Eso no significa que hayamos dejado de atender a los usuarios; significa exactamente lo contrario. Ahora las preguntas sencillas reciben respuesta casi inmediata, mientras nosotros podemos dedicar mucho más tiempo a aquellas incidencias que realmente requieren atención personalizada, investigación o desarrollo. En lugar de invertir tiempo copiando respuestas similares una y otra vez, podemos emplearlo mejorando la aplicación, lo que a la larga también termina beneficiando a los propios usuarios.
No es perfecto, claro. Al tratarse de una tecnología en constante evolución, hay respuestas que no se ajustan del todo a lo que uno esperaría de alguien que conoce el producto a fondo. Pero en otras ocasiones las respuestas sorprenden por su calidad y precisión. Y cuando algo falla, ahí estamos para intervenir, corregir y mejorar la documentación para que no vuelva a ocurrir.
Hubo una situación concreta que nos hizo darnos cuenta de que el sistema estaba aportando mucho más valor del que habíamos imaginado. Un usuario llevaba varias interacciones con el asistente intentando resolver una incidencia concreta. El asistente le fue acompañando a lo largo de la conversación: le pidió más detalles, le sugirió distintas opciones, descartó causas probables. Hasta que llegó a un punto en el que ya no pudo avanzar más: la incidencia requería que alguien revisara el caso personalmente. El asistente le informó de ello con claridad y le recomendó que contactara con soporte por correo.
Hasta aquí, todo dentro de lo esperado. Lo que nos sorprendió fue cuando el usuario le pidió al asistente que le redactara ese correo. Y el asistente lo hizo. Le compuso un email completo, con todos los detalles de la incidencia que habían tratado a lo largo de la conversación, bien estructurado y listo para enviar.
El usuario lo envió tal cual. Nosotros lo recibimos, teníamos todo el contexto necesario desde el primer vistazo y pudimos resolver el problema sin necesidad de pedir más información. Rápido, limpio y sin fricciones para nadie.
Es justo ese tipo de interacción la que hace que el sistema tenga sentido: no un bot que responde y cierra, sino un primer nivel de atención que acompaña al usuario hasta donde puede y, cuando llega al límite, le ayuda a dar el siguiente paso de la forma más sencilla posible.
Un ejemplo sencillo que puedes montar en menos de diez minutos
Todo lo que hemos contado hasta aquí sobre WorkIO puede parecer complejo de replicar, pero la lógica central es bastante más accesible de lo que parece. Para demostrarlo, hemos preparado un workflow de n8n que implementa exactamente esa misma idea: escuchar correos entrantes, detectar si el asunto coincide con un patrón concreto y, si es así, analizarlos con IA y enviar una notificación PUSH al móvil mediante ntfy con un resumen útil del mensaje.
El workflow tiene seis nodos encadenados. El primero escucha la bandeja de entrada vía IMAP. El segundo filtra los correos por asunto, de forma que solo pasan al siguiente paso los que contienen el texto que hayas configurado como identificador. A partir de ahí, un nodo de código extrae el remitente y el cuerpo del correo, lo limpia de etiquetas HTML y construye el prompt que se enviará a la IA. El cuarto nodo llama a la API de OpenAI con ese prompt y unas instrucciones de sistema muy concretas: que devuelva siempre un JSON válido con la categoría del correo, su prioridad, un resumen de no más de 180 caracteres y la siguiente acción recomendada. El quinto nodo parsea esa respuesta, le asigna iconos según la categoría y prioridad, y construye el título y el cuerpo de la notificación. El último nodo lo envía todo a ntfy.
El resultado es inmediato y llega a cualquier dispositivo: ves de un vistazo si es un bug, una duda o algo urgente, un resumen del mensaje y qué deberías hacer a continuación, todo sin haber abierto el cliente de correo. ntfy no es solo para móvil; puedes recibir las notificaciones en el ordenador, en el teléfono o en cualquier navegador simplemente accediendo a la URL de tu canal, por ejemplo https://ntfy.sh/tu-canal-aqui. Cualquier dispositivo que tenga esa URL abierta o la aplicación de ntfy instalada y suscrita al canal recibirá el aviso en tiempo real.
Para adaptarlo a tu caso solo necesitas cambiar tres cosas: las credenciales IMAP de tu cuenta de correo, el texto del asunto que usas como identificador y el nombre de tu canal de ntfy en la URL del último nodo, además de configurar el nodo de OpenAI con tus propias credenciales, el modelo está configurado como gpt-4o-mini, que es más que suficiente para esta tarea y tiene un coste por llamada prácticamente despreciable.
Importa este archivo en tu instancia de n8n para desplegar el workflow completo. Necesitarás configurar tus credenciales IMAP, tu clave de API de OpenAI y la URL de tu canal de ntfy.
DescargarSi quieres indagar más en n8n puedes seguir nuestra serie al respecto para aprender a utilizarlo en profundidad.
Lo que haríamos diferente si empezásemos hoy
Si tuviéramos que señalar un único aprendizaje de todo este proyecto, probablemente no tendría que ver con la inteligencia artificial.
Tendría que ver con la documentación.
Cuando empezamos pensábamos que bastaría con proporcionar al asistente toda la información disponible sobre WorkIO para que pudiera responder correctamente. Nos equivocábamos.
Al principio reunimos la documentación tal y como existía en ese momento: ficheros sueltos, sin estructura definida, con textos dispersos que habíamos ido generando a lo largo del tiempo como desarrolladores. Notas técnicas aquí, descripciones de funcionalidades allá, alguna FAQ sin terminar en otro lado. No había conexión entre los documentos, ni una lógica clara que guiase al asistente a encontrar lo que necesitaba en cada momento. Era información pensada para nosotros, no para una IA.
El resultado fue el esperado: el asistente respondía, pero mal. A veces mezclaba información de distintas versiones de la aplicación. Otras veces daba demasiado contexto cuando bastaba una respuesta sencilla. En ocasiones no encontraba la información más relevante porque estaba enterrada entre apartados que no tenían nada que ver con la pregunta.
No fue un único rediseño limpio y ordenado lo que lo solucionó, sino un proceso bastante más caótico: probábamos, observábamos dónde fallaba el asistente, reorganizábamos un poco, volvíamos a probar. Varias iteraciones, varias reestructuraciones parciales hasta que en un momento optamos por reorganizar la documentación interna completa para que las respuestas empezasen a mejorar de forma notoria, ahí entendimos el por qué.
La clave fue dejar de añadir documentación indiscriminadamente y empezar a organizarla con una lógica pensada para el asistente, no para nosotros.
Cómo organizar la documentación para un asistente de IA
En lugar de un único documento enorme con todo mezclado, dividimos el conocimiento en bloques pequeños y especializados, cada uno orientado a un propósito muy concreto. Un documento para los conceptos generales del producto. Otro centrado en explicar WorkIO a nuevos usuarios, escrito desde ese ángulo específico. Documentación independiente para cada plataforma: Android, iPhone y versión web. Un documento exclusivo con preguntas frecuentes. Otro dedicado a explicar acciones concretas dentro de la aplicación. Y documentación adicional para funcionalidades particulares cuando la complejidad lo justificaba.
Pero no solo los dividimos. También les dimos instrucciones explícitas sobre su propia función: cada documento define claramente cuándo debe utilizarse, qué tipo de preguntas responde y cuáles debe dejar a otros documentos más especializados. Esa separación evita contradicciones y hace mucho más sencillo mantener la base de conocimiento conforme el producto evoluciona, sin que un cambio en una sección rompa las respuestas de otra.
El resultado fue inmediato. No cambiamos de modelo de IA, no aumentamos el número de parámetros ni invertimos en una solución más cara. Simplemente reorganizamos la información para que el asistente pudiera encontrar el contexto adecuado en cada situación, y las respuestas mejoraron de forma notable.
Son cambios sencillos de implementar, pero que marcan una diferencia enorme a medio plazo.
Conclusión
Si tuviéramos que dejar una sola idea después de todo lo que hemos contado, sería esta:
La inteligencia de un asistente no depende únicamente del modelo que utiliza, sino de cómo está organizado el conocimiento que puede consultar.
Llevamos tiempo trabajando con inteligencia artificial aplicada al soporte y lo que más nos ha sorprendido no es la capacidad del modelo, sino lo determinante que resulta el trabajo previo de organizar bien la información. No es glamuroso, no es la parte que aparece en los titulares, pero es la que hace que todo lo demás funcione.
Muchas organizaciones ya tienen la información que necesitaría un asistente de IA, pero repartida entre documentos, manuales, FAQs, correos y wikis. El verdadero reto no suele ser generar más documentación, sino convertir ese conocimiento disperso en una base coherente, estructurada y mantenible. Esa reflexión trasciende WorkIO y es aplicable a cualquier equipo que quiera dar el salto a la automatización del soporte sin perder calidad en la atención.
Nosotros seguimos iterando, seguimos supervisando cada conversación y seguimos mejorando la documentación. No es un proceso que termine, pero sí es un proceso que, con el tiempo, devuelve con creces el esfuerzo invertido.
Si este artículo ha resultado útil, es probable que una segunda parte tenga sentido: cómo construir paso a paso un asistente con documentación propia, la arquitectura utilizada y la organización completa de la base de conocimiento adaptada a un producto real. Si hay interés suficiente, lo publicaremos. La forma más directa de hacérnoslo saber es compartirlo y apoyarlo en redes.
Automatizar el soporte no consiste en responder más correos. Consiste en liberar tiempo para dedicarlo a resolver aquellos problemas que realmente requieren la atención de una persona.
Happy Hacking!!
