Escrito por: Mariana Foffa

Resolver el problema de un cliente es una cosa. Entender por qué ese problema llegó hasta nosotros es otra.

La segunda parte suele ser invisible desde fuera del área. Cuando alguien pregunta qué hace una persona de CX (Customer Experience) en Nubank, la respuesta más común es «atiende clientes». Y lo hacemos, de punta a punta. Pero la atención es el comienzo del trabajo, no el final.

La respuesta corta es esta: resolvemos la atención y después preguntamos por qué llegó hasta nosotros. Con esa respuesta en mano, buscamos formas de evitar que el problema se repita.

En este texto, cuento por qué importa esa segunda pregunta, cómo trabajamos para responderla, cómo la inteligencia artificial está acelerando ese trabajo y qué pasa a exigir esto de quienes trabajan en el área.

Por qué una atención llega hasta nosotros

Si todos los procesos funcionaran perfectamente, la atención ni siquiera tendría que existir. Cuando alguien habla con nosotros, es porque alguna jornada no funcionó como debería, o porque esa solicitud todavía no está disponible en la app para que el cliente la resuelva por sí mismo.

Y está bien. El futuro que buscamos es un cliente totalmente autónomo, que pueda hacer todo desde la app y no necesite pedir ayuda. Mientras ese futuro no llega por completo, aquí estamos.

Cuando el cliente aparece, resolvemos el caso de punta a punta: lo acompañamos hasta el final y queremos que salga encantado. Pero el trabajo no termina ahí. También miramos esa atención con una mirada de mejora continua y nos preguntamos qué hay que cambiar para que el problema no vuelva a ocurrir, o para que ese cliente no tenga que contactarnos de nuevo.

Aprendí a mirar así desde mi onboarding: ver a cada cliente como único y, al mismo tiempo, mirar el conjunto de todas las atenciones. Es en el conjunto donde aparecen los patrones, lo que se repite y vale la pena resolver en el origen.

La atención como fuente de inteligencia

Mucha gente ve la atención como un costo para la empresa. Yo la veo como un área que genera inteligencia.

Esa diferencia se nota en cómo se mide el área y en lo que elige priorizar. Nuestros OKRs, que son las metas del área, siguen la satisfacción del cliente, la productividad del equipo e indicadores de riesgo, entre otros. Los proyectos, a su vez, nacen de problemas reales que aparecen en la atención: un flujo que necesita estructurarse, un dolor recurrente del cliente, un proceso que no funciona bien.

Cuando aparece un problema, hay dos caminos. Si la solución depende de otra área, como producto o ingeniería, llevamos el insight hasta allá, con datos y de forma estructurada. Si podemos resolverlo desde aquí, lo resolvemos.

Es en el segundo camino donde la inteligencia artificial está marcando más diferencia.

Soluciones provisorias mientras no llega la definitiva

Muchas mejoras dependen de desarrollo y tardan en entrar en el roadmap (la lista de prioridades) de un equipo de ingeniería. Esa espera tiene un costo: mientras la corrección definitiva no sale, el mismo problema sigue llegando a la atención.

Ahí entran las soluciones paliativas con IA. Los equipos de CX tienen autonomía para construir soluciones provisorias que mejoran los procesos internos desde ya. Resuelven el problema ahora y muestran resultados, lo que también ayuda a sostener la prioridad de la solución definitiva cuando le llegue el turno.

Un ejemplo: el monitoreo de calidad en el segundo nivel

Un ejemplo viene de mi área, la atención de segundo nivel, que recibe los casos más complejos, aquellos que no se resuelven en los canales regulares de chat, correo electrónico y teléfono.

Una parte importante de nuestro trabajo allí es el monitoreo de calidad: revisar atenciones para verificar que los procesos se estén siguiendo de la manera correcta. Era un trabajo muy manual y consumía mucho tiempo, lo que limitaba cuántas atenciones podíamos revisar.

Con la ayuda de la inteligencia artificial, desarrollamos internamente una solución mediante Apps Script (un recurso de Google orientado a la automatización en hojas de cálculo y documentos) que optimizó la velocidad de esos monitoreos. Además de ahorrar tiempo, la solución empezó a darnos métricas de seguimiento, como el tiempo que dedica cada monitor a cada evaluación.

Esas métricas son el punto que suele pasar desapercibido. Fue midiendo el proceso que identificamos la oportunidad de ampliar el muestreo por agente y, con eso, escalar el volumen de monitoreos.

Y esto llega al cliente final. Cuando el proceso se sigue de la manera correcta y la muestra revisada es mayor, la probabilidad de que el cliente salga satisfecho es mayor. La mejora interna mejora la experiencia de quien atiende y, al final, la de quien es atendido.

Las dos habilidades que el área pasa a exigir

Según lo que veo hoy, el profesional de CX necesita combinar dos habilidades.

La primera es la visión analítica: la capacidad de analizar datos, identificar patrones y comprender la causa raíz de cada problema. Sin eso, cada atención sigue siendo un caso aislado, y el conjunto no se convierte en información.

La segunda es la adopción y aplicación de IA: la disposición de usar la inteligencia artificial tanto como apoyo en los análisis como en la construcción autónoma de soluciones, sin depender solo de entregas listas de otras áreas.

Las dos van juntas. La visión analítica define qué problema vale la pena resolver, y la aplicación de IA reduce el tiempo entre identificar ese problema y probar una solución.

CX como punto de partida de las mejoras

La atención es donde muchos problemas aparecen primero. Por eso, CX también es donde comienzan muchas mejoras.

Una persona de CX en Nubank resuelve el problema del cliente, pregunta por qué ocurrió y usa datos e IA para que no se repita, ya sea llevando el insight a otras áreas o resolviéndolo desde aquí.

Es un trabajo que empieza en un caso y termina en un proceso. Y por eso vale la pena preguntarse, después de cada atención resuelta, por qué tuvo que existir.

Check our job opportunies