Post actualizado el día octubre 27, 2026 by DeiviSanzPlay
Antes de tocar nada: decidir qué va a hacer el bot y qué no
La mayoría de despliegues de ChatGPT en atención al cliente fracasan por una razón poco técnica: se conecta el modelo al chat de la web sin haber definido el alcance. Antes de la primera línea de configuración, conviene escribir en un documento tres listas:
- Consultas que el bot resuelve solo: horarios, estado de pedido, política de devoluciones, cambios de contraseña, preguntas frecuentes de facturación.
- Consultas que el bot prepara para un humano: incidencias con datos personales, reclamaciones económicas, cancelaciones con penalización.
- Consultas que el bot deriva siempre: temas legales, salud, menores, cualquier cosa que implique compromiso contractual.
Según la documentación oficial de OpenAI, el modelo no conserva contexto entre llamadas a la API salvo que tú se lo envíes; es decir, la memoria de la conversación la construye tu sistema, no ChatGPT. Esto condiciona toda la arquitectura posterior.
Paso 1: elegir la vía de integración
Hay tres caminos realistas y no son intercambiables:
a) Interfaz de ChatGPT con GPT personalizado
Rápido para validar. Subes tus FAQ y documentos a la base de conocimiento del GPT, activas las acciones si necesitas consultar un pedido y lo compartes internamente. Limitación práctica: no está pensado para volumen alto ni para integrarse en tu ticketing con SLA. Sirve para probar el tono y las respuestas antes de invertir en desarrollo.
b) API con tu propia capa de orquestación
Control total. Tú decides qué historial se envía, qué herramientas (funciones) puede invocar el modelo y qué se registra. Requiere backend. Es la opción cuando necesitas conectar con CRM, ERP o pasarela de pago.
c) Conector nativo del helpdesk
Zendesk, Intercom, Freshdesk y varios más ofrecen integraciones de IA listas. Menos flexibilidad, menos mantenimiento. Si tu operación ya vive en una de estas plataformas, suele ser el punto de partida sensato.
Paso 2: preparar la base de conocimiento (aquí se juega la calidad)
Un error que he visto repetirse: subir el PDF corporativo de 80 páginas y esperar respuestas precisas. El modelo recupera fragmentos, y si el fragmento mezcla la política de devoluciones de 2021 con la de 2024, la respuesta será ambigua o contradictoria.
Recomendaciones concretas:
- Un documento por tema, con títulos claros y sin duplicar información entre archivos.
- Eliminar contenido obsoleto. Si hay versiones, la antigua no debe estar indexada.
- Incluir ejemplos de preguntas reales de clientes junto a cada respuesta.
- Trocear en fragmentos de extensión media (unas pocas frases por bloque temático) para que la recuperación sea limpia.
Paso 3: redactar el prompt de sistema con reglas explícitas
El prompt de sistema es el contrato de comportamiento. Debe incluir, como mínimo:
- Rol y tono (por ejemplo: cercano, sin emojis, frases cortas, tuteo o usted según mercado).
- Fuente de verdad: responder solo con la base de conocimiento y las herramientas disponibles.
- Protocolo de incertidumbre: si no hay información, decirlo y ofrecer escalado; nunca inventar plazos ni importes.
- Datos que nunca debe solicitar por chat (contraseñas, CVV completo, documentos de identidad íntegros).
- Formato de salida cuando derive: resumen de la conversación + datos ya recogidos + motivo.
Un detalle que se pasa por alto: si el bot puede consultar pedidos, limita en el prompt qué campos devuelve al usuario. Es habitual que un modelo bien intencionado incluya en la respuesta la dirección completa del envío cuando solo hacía falta el estado.
Paso 4: conectar herramientas y datos
Las funciones (function calling) permiten que el modelo solicite datos a tu sistema en lugar de improvisar. Configura cada herramienta con un nombre descriptivo, una descripción de cuándo usarla y un esquema estricto de parámetros. Valida siempre en el servidor: el modelo puede generar un identificador de pedido con formato correcto pero inexistente. La comprobación de existencia y de permisos debe ocurrir en tu código, nunca confiar en lo que el modelo cree saber.
Paso 5: escalado a humano y control de calidad
Define disparadores objetivos de derivación: dos intentos fallidos, detección de enfado, petición explícita, temas de la lista roja. Registra cada conversación con la pregunta, la respuesta, los fragmentos recuperados y si el cliente la marcó como útil. Sin ese registro no hay mejora posible.
Revisa semanalmente una muestra de conversaciones. Los patrones de fallo suelen concentrarse en pocas preguntas mal cubiertas por la base de conocimiento, no en el modelo.
Lo que esta configuración no resuelve
ChatGPT no sustituye un sistema de ticketing, no garantiza exactitud factual y puede alucinar detalles si le falta contexto. Tampoco es adecuado como único canal para reclamaciones con implicaciones legales o para soporte de productos regulados. Y hay un coste recurrente: cada consulta consume tokens, y las conversaciones largas con historial completo encarecen rápido. Limitar la ventana de contexto enviada es una decisión de producto, no solo de ingeniería.
Con alcance definido, base de conocimiento limpia y validación en servidor, un asistente configurado así reduce consultas repetitivas de forma medible. Sin esos tres pilares, añade ruido al equipo de soporte.
Perfiles verificables: Sitio web
Publicado el 27 de October de 2026. Última revisión: 27 de October de 2026.
