Post actualizado el día octubre 27, 2026 by DeiviSanzPlay
Montar ChatGPT para atención al cliente no es conectar la API y olvidarse. La mayoría de los despliegues que fallan comparten el mismo error: se lanza el bot sin un corpus cerrado de respuestas, y el modelo improvisa con información de productos que ya no existen. Antes de escribir una línea de código, define qué preguntas va a responder y cuáles va a derivar a un humano. Ese límite es lo que separa un asistente útil de un generador de tickets enfadados.
Paso 1: delimitar el alcance antes de tocar la API
Revisa tus últimos 500 tickets y clasifícalos. En la práctica, entre el 60% y el 80% suelen ser consultas repetitivas: estado de pedido, política de devoluciones, horarios, compatibilidades. Ese subconjunto es tu primer candidato. Todo lo que implique datos personales, reclamaciones económicas o cancelaciones debe quedar fuera de la automatización inicial.
Documenta cada intención en una tabla con tres columnas: pregunta tipo, respuesta aprobada y acción posterior (responder, escalar o pedir datos). Sin este documento, el prompt del sistema acabará siendo un texto improvisado de veinte líneas que no cubre los casos reales.
Paso 2: elegir la vía de integración
Hay tres caminos y no son intercambiables:
Asistentes preconfigurados (GPTs personalizados)
Rápido de montar, sin desarrollo. Subes los documentos de tu base de conocimiento y ajustas las instrucciones. Sirve para validar el tono y las respuestas antes de invertir en ingeniería, pero no se conecta a tu sistema de pedidos ni a tu CRM. Es una fase de prueba, no una solución final.
API con backend propio
Control total sobre el contexto, el historial y las acciones. Necesitas gestionar el envío de solo los fragmentos relevantes de tu documentación en cada llamada (recuperación semántica), no volcar el manual entero. Un error habitual: enviar el catálogo completo en cada mensaje. Dispara el coste por token y, paradójicamente, empeora la precisión porque el modelo pierde foco entre tanta información.
Plataformas de terceros con conector nativo
Interesantes si ya usas un helpdesk con integración de IA. Menos flexibles, pero ahorran meses de desarrollo. Revisa la política de retención de datos del proveedor antes de firmar: algunos entrenan con tus conversaciones salvo que lo desactives expresamente.
Paso 3: construir el prompt de sistema con reglas duras
El prompt de sistema debe incluir, como mínimo:
- Identidad y tono concretos (tratamiento, longitud máxima de respuesta, idioma).
- Lista cerrada de temas que puede tratar.
- Instrucción explícita de escalar cuando no haya certeza, con una frase tipo «voy a pasarte con un compañero».
- Prohibición de inventar plazos, precios o números de seguimiento.
- Formato de salida fijo si el bot debe disparar acciones en tu sistema.
Un detalle que solo se aprende con uso real: los modelos tienden a complacer. Si un cliente insiste en que «seguro que sí se puede devolver un artículo abierto», el modelo puede acabar cediendo aunque tu política diga lo contrario. La solución no es un prompt más largo, sino una verificación posterior contra tu base de reglas antes de enviar la respuesta al usuario.
Paso 4: conectar la base de conocimiento con control de versiones
Indexa la documentación en fragmentos pequeños y actualízalos cuando cambie un precio o una condición. Programa una revisión semanal. En mi experiencia con catálogos estacionales, el fallo más frecuente no es que el bot no sepa responder: es que responde con la tarifa del mes pasado porque el índice no se regeneró tras la campaña.
Añade siempre una fecha de vigencia en los metadatos de cada documento y una comprobación que rechace fragmentos caducados.
Paso 5: diseñar la derivación a humano
Define al menos tres disparadores de escalado: petición explícita del usuario, detección de enfado (lenguaje soez, mayúsculas sostenidas, repetición) y baja confianza en la respuesta. El traspaso debe incluir el resumen de la conversación para que el agente no repita preguntas. Un bot que obliga a empezar de cero es peor que no tener bot.
Paso 6: medir con métricas honestas
No midas «conversaciones resueltas» sin más. Cruza tres datos: porcentaje de conversaciones sin escalado, tiempo hasta la primera respuesta útil y satisfacción posterior al contacto. Un bot que cierra el chat rápido pero genera una reclamación posterior no está funcionando. Según estudios del sector, la tasa de contención realista en soporte de producto ronda el 40-60%; desconfía de cifras del 95%.
Lo que este montaje no resuelve
ChatGPT no sustituye un sistema de ticketing ni arregla una documentación interna caótica. Si tu equipo humano no coincide en la respuesta correcta a una pregunta, el modelo heredará esa contradicción amplificada. Tampoco es fiable para cálculos de facturación ni para leer documentos que el cliente sube con formato variable. Y en sectores regulados (sanidad, banca), revisa antes las obligaciones de información al usuario sobre el uso de IA en la conversación.
Empieza por un canal secundario, mide durante cuatro semanas y amplía solo lo que demuestre contención real. La configuración técnica es la parte fácil; el trabajo está en el contenido y en los límites.
Perfiles verificables: Sitio web
Publicado el 27 de October de 2026. Última revisión: 27 de October de 2026.
