Por qué los agentes de IA no logran entender a sus clientes en uno o dos intercambios (y cómo remediarlo)

En el retail, cada segundo cuenta. Un cliente que duda ante un producto en línea, que compara precios o que expresa una frustración en un chat suele tener solo unos pocos intercambios para dejarse convencer. Sin embargo, la mayoría de los agentes de IA desplegados hoy tienen que adivinar la intención y el contexto en uno o dos mensajes: una misión casi imposible con sus arquitecturas actuales. Su conjunto de datos es demasiado estrecho para captar las señales débiles (un tono dubitativo, un historial de navegación, una preferencia implícita), y su especialización los vuelve ciegos a todo lo que sale de su guion preentrenado.

Resultado: el 73 % de los compradores en línea espera una personalización contextual, pero solo el 14 % de los problemas de clientes se resuelve en autoservicio sin intervención humana, según Gartner (los enlaces a las fuentes están al final del artículo).

La solución no consiste en sustituir a esos agentes, sino en aumentarlos para cartografiar las intenciones y los personas de antemano, y transformar así una conversación básica en una interacción verdaderamente útil.

De eso trata este artículo.

El reto: comprender la intención en uno o dos mensajes Los agentes de IA (y en particular los del retail) están hoy concebidos para tareas precisas: responder a una FAQ, seguir un paquete o recomendar un producto a partir de palabras clave. Su principal reto es comprender una intención y un contexto a menudo implícitos.

Por ejemplo, un cliente escribe: «Este jersey es bonito, pero no estoy seguro…» → El agente clásico responderá con la disponibilidad de tallas, sin detectar lo que podría ser una duda de compra a la que habría que responder con un vídeo de estilismo o una reseña de un cliente similar.

ChatGPT, o Le Chat de Mistral, se apoyan en un conjunto de datos ampliado del historial del usuario, que incluye otras conversaciones sobre otros temas, fundacionales a la hora de afinar el perfil de quien escribe el prompt, que puede ser amante del riesgo o estar centrado en su seguridad, fashionista o especialista en la transición ecológica.

¿Por qué es tan difícil para los agentes de IA? Conjunto de datos limitado: los agentes se apoyan en escenarios predefinidos (por ejemplo, «devolución de producto»), mientras que los modelos grandes analizan miles de millones de interacciones para extraer patrones de comportamiento. Falta de memoria contextual: no recuerdan las preferencias pasadas del cliente, a diferencia de plataformas como Zalando o Nike, que vinculan el agente a la cuenta de usuario. Presión temporal: en el retail, una respuesta debe ser rápida y pertinente. Y el 61 % de los clientes prefiere una respuesta instantánea de la IA antes que esperar a un humano, pero a condición de que esté adaptada.

Consecuencia: según Gartner, solo el 25 % de los clientes vuelve a usar un chatbot después de una primera interacción, porque percibe una falta de comprensión.

¿Cuáles son las claves para ir más allá de las palabras clave?

Para que un agente sea útil, tiene que integrar dos dimensiones que a menudo se ignoran:

Las intenciones ocultas. Detrás de una pregunta simple se esconden necesidades complejas. Por ejemplo: El contexto de los personas. Un cliente no es un usuario anónimo, sino un persona con un historial, unas preferencias y unas expectativas.

Tres etapas para agentes «preparados para el contexto y la intención»: cómo pasar de la teoría a la práctica

Etapa 1: cartografiar las intenciones con GPT (o un LLM) El objetivo es identificar las intenciones ocultas detrás de las preguntas de los clientes, más allá de las palabras clave evidentes.

Analizar los registros de conversación: usar GPT para cribar los historiales de chat, los correos y las reseñas de clientes. El objetivo es extraer patrones recurrentes de intención. Por ejemplo: Crear una taxonomía de intenciones: clasificar las intenciones en categorías accionables. Sephora distingue, por ejemplo: Validar con pruebas de usuarios: someter las intenciones identificadas a un panel de clientes para comprobar su pertinencia. Sephora redujo sus falsos positivos un 30 % al cruzar el análisis de GPT con retornos humanos.

Y, por supuesto (véanse nuestras otras publicaciones sobre este tema), no hay que confundir intención y palabra clave. Por ejemplo, «entrega» puede esconder una urgencia («Lo necesito para mañana») o una simple curiosidad («¿Cuáles son los plazos?»). GPT permite hacer esa distinción analizando el contexto de la frase.

Etapa 2: enriquecer los personas con datos contextuales El objetivo es transformar a un cliente anónimo en un persona dinámico, con preferencias, un historial y un contexto de compra.

Cruzar los datos de CRM y los comportamentales: integrar en el agente de IA información como: Crear «micro-personas»: en lugar de segmentos amplios («mujer de 25 a 34 años»), afinar los personas con atributos dinámicos: Usar el contexto en tiempo real: enriquecer cada interacción con datos en vivo:

Etapa 3: inyectar el contexto en la conversación (sin lastrar la experiencia) El objetivo es hacer como máximo 1 o 2 preguntas para afinar la comprensión y, después, entregar una respuesta ultrapersonalizada.

Hacer preguntas «inteligentes»: las preguntas deben ser: Adaptar el tono y el formato de la respuesta: Escalar hacia un humano si es necesario. Según Gartner, el 64 % de los clientes prefiere evitar la IA en el servicio al cliente, pero solo si no resuelve su problema con rapidez.

Síntesis de las buenas prácticas Etapa 1: usar GPT para analizar los registros y crear una taxonomía de intenciones. Evitar confundir intención y palabra clave. Etapa 2: cruzar los datos de CRM y los comportamentales para crear micro-personas dinámicas. Auditar con regularidad para evitar los sesgos. Etapa 3: limitar las preguntas a 1 o 2, adaptar el tono y escalar hacia un humano si es necesario. No lastrar la experiencia.

En el retail, como en una gran parte de las relaciones con el cliente, la diferencia entre una venta perdida y un cliente fiel suele residir en una señal débil mal interpretada. Los agentes de IA tienen un papel clave que desempeñar, a condición de dejar de limitarse a las palabras clave y de abrazar la intención y el contexto.

La pregunta ya no es si sus agentes deben comprender a sus clientes, sino cómo ayudarlos a hacerlo sin lastrar la experiencia. Y usted, ¿qué señales débiles dejan pasar sus herramientas actuales?

Fuentes:

• McKinsey, "LLM to ROI: How to scale gen AI in retail", 2024: leer el estudio: - Gartner, "Only 8% of customers used a chatbot during their last service interaction", 2023: leer el estudio - Gartner, "Only 14% of customer service issues are fully resolved in self-service", 2024: leer el comunicado - Gartner, "64% of customers would prefer that companies didn't use AI for customer service", 2024: leer el estudio - DigitalDefynd, "Sephora AI chatbot case study", 2025: leer el análisis - Yellow.ai, "Sephora chatbot case study": leer el caso - DigitalDefynd, "Nike AI use cases", 2025: leer el artículo: https://digitaldefynd.com/IQ/ways-nike-use-ai/ - AI Expert Network, "Zalando AI case study", 2023: leer el caso - Zalando Corporate, "Zalando Assistant update", 2025: leer el comunicado : - VUX World, "Decathlon AI chatbot interview", 2022: leer la entrevista : - Cleverence, "Nordstrom AI customer service", 2025: leer el análisis :