Resumen del webinar: cómo Admiral gestiona llamadas de seguros con agentes de IA

Admiral gestiona millones de interacciones con clientes al año en varios idiomas y en todo el mundo, incluidos Reino Unido, Italia, Francia y España.

En nuestro último webinar, Detrás del agente: cómo Admiral gestiona llamadas de seguros con agentes de IA, Dominika Kampa, responsable de IA generativa del grupo en Admiral, explicó cómo su equipo está creando la capa de IA para gestionar ese volumen, incluida la arquitectura, los estándares de pruebas y el trabajo organizativo que lo hace posible.

La meta de Admiral era crear la experiencia de cliente más fiable en el sector asegurador 

El objetivo de Admiral era crear una categoría distinta de experiencia de cliente.

Es fácil crear un agente que cierre una conversación rápido sin resolver realmente el problema del cliente. 

Su objetivo final es que cada cliente, cada canal y cada momento importante se resuelva al instante o se derive a una persona que conozca al cliente, el contexto y la situación que intenta resolver.

Su métrica principal era alcanzar un 90 % de resolución en el primer contacto. También medían la disponibilidad del servicio 24/7, la concisión de las interacciones y un NPS notablemente más alto. 

La contención era una métrica secundaria. En su primer caso de uso de voz, el equipo la mejoró enormemente a medida que clientes descubrían que el agente era más rápido.

Pero la resolución era su referencia. Admiral mide por separado si el cliente ha conseguido realmente aquello por lo que llamó y si la llamada se ha escalado, por lo que una derivación intencionada a una persona nunca se considera un fallo.

Cómo debe ser algo «bueno» en un sector regulado

El listón de Admiral para pasar a producción es alto. Antes de ponerla en marcha, quieren que su solución basada en agentes sea tan buena como lo son ahora sus equipos humanos, o mejor.

El conocimiento sobre casos límite que antes residía en la intuición de agentes con más experiencia ahora debe probarse de forma explícita para cada caso de uso.

Y, en la práctica, el equipo estableció límites deliberados al alcance. Por ejemplo, los casos de vulnerabilidad y de impagos siguen derivándose a una persona mientras el equipo aprende más sobre los casos límite del uso.

Dado que la mayor parte de la regulación de seguros se basa en los resultados, la visión de Dom es pragmática: el «cómo» es flexible, siempre que el resultado para el cliente y la empresa sea exactamente el previsto.

El apoyo no llega por imposición

Una organización regulada no adopta la IA porque se lo ordenen. 

Dom pasó años en McKinsey trabajando en programas de gestión del cambio antes de unirse a Admiral y, cuando le preguntaron qué le diría a alguien que quisiera defender el uso de IA basada en agentes hoy, compartió tres principios directamente de ese manual.

1) Las personas apoyan aquello que ayudan a construir

La respuesta de Admiral al escepticismo fue poner la herramienta directamente ante quienes dudaban de ella.

El equipo realizó demostraciones y sesiones formativas en toda la organización, también con los 50 principales líderes del grupo, para desmitificar qué es la IA basada en agentes. ElevenLabs y Dom organizaron una jornada de formación en la que el equipo directivo, incluida la CEO del grupo Milena Mondini de Focatiis, creó agentes desde cero. En palabras de Dom, «de verdad… disfrutaron de la experiencia».

2) Nunca se trata solo de la tecnología

La visión abarca el cambio en la cuenta de resultados, en la experiencia de cliente y en la experiencia de empleados.

Una vez que las personas se alinean con el resultado, se encuentran las opciones tecnológicas. El consejo de Dom era no empezar por la tecnología.

3) Crea la gobernanza desde el principio

Los puntos de contacto adecuados, los KPI adecuados y los datos adecuados desde las primeras etapas facilitan mucho la toma de decisiones. El antipatrón, en sus palabras, es basarse en la intuición y terminar con «un artefacto muy bonito» que nadie usa y que no mejora ninguna métrica que te importe.

El modelo de implantación también fue importante. El enfoque de Admiral consistió en elegir una parte del grupo para experimentar a fondo con un tema y luego replicar los aprendizajes en el resto.

Primero aplican rápidamente esos aprendizajes y después hacen una implantación completa. No se trata de un caso de uso en un área, que, según Dom, les habría ralentizado muchísimo, sino de una disciplina deliberada de no reinventar la rueda diez veces.

Demo 1: Presupuestos de liquidación (Admiral Money)

Escenario: Una clienta quiere amortizar su préstamo antes de tiempo. Es una petición sencilla: solo necesita saber el importe que debe pagar para liquidarlo.

Tradicionalmente, obtener esa cifra implicaba navegar por un IVR, verificar su identidad con un agente humano, esperar mientras un sistema de backend hacía el cálculo y cargaban las pantallas, y después vigilar su bandeja de entrada para recibir un PDF. Cinco minutos de proceso para una pregunta con una única respuesta.

Dan Clark, responsable de IA generativa del grupo en Admiral, explicó lo que había creado el equipo.

Lo que se mostró:

• La autenticación funciona como un subagente independiente al inicio del workflow, antes de que se ejecute nada más.
• El subagente de control comprueba si quien llama puede hablar con el agente de IA: clientes vulnerables y clientes con impagos se transfieren a una cola prioritaria con una persona, mientras el equipo aprende más sobre los casos límite. 
• El agente recopila las respuestas de forma predictiva desde el principio y funciona mediante API, en lugar de esperar a las pantallas de sistemas heredados. El mismo proceso que tarda unos cinco minutos con una persona lleva unos dos minutos y medio con el agente.
• El éxito se mide según si el cliente se ha autenticado y ha obtenido su presupuesto de liquidación, por separado de la escalada.
• Al final de la llamada, un agente de feedback pide a clientes que valoren la experiencia del uno al cinco. Las llamadas que no se escalan reciben casi exclusivamente valoraciones de cuatro y cinco.

Por qué importa: el tiempo ahorrado se debe a que el workflow se basa en API y no en pantallas, no simplemente a que la IA responda en lugar de una persona. En palabras de Dan, se trata sobre todo de reducir la duración de las llamadas y, como resultado, mejorar la experiencia de cliente. Y las escaladas actuales reflejan los límites que el equipo ha decidido establecer mientras aprende, no que el agente no pueda ayudar.

Demo 2: Olivia (L’Olivier)

Escenario: Una clienta en Francia tiene una pregunta sobre su póliza. Abre el chat de la web y se encuentra con Ollie Bot, una herramienta tradicional basada en árboles de decisión («pulsa A para esto, B para aquello»). Su pregunta no corresponde a la opción A ni a la B, así que se va sin respuesta.

Esa era la experiencia que L’Olivier quería sustituir. El equipo creó Olivia, un agente de base de conocimiento en ElevenLabs, que ya está activo en la web.

Lo que se mostró:

• El prompt del sistema, el primer mensaje, los workflows y el subagente se escribieron directamente en francés, no se tradujeron del inglés. Dan cita investigaciones según las cuales crear prompts en el idioma del cliente activa el modelo de forma distinta, y el equipo obtuvo resultados considerablemente mejores al hacerlo así. Olivia detecta automáticamente el inglés y responde en ese idioma cuando es necesario. 
• Se revisan conversaciones reales de clientes comparándolas con la base de conocimiento para detectar carencias; las correcciones suelen reflejarse en el agente activo en una o dos horas.
• Los cambios se despliegan en una rama con una distribución gradual del tráfico: 1 %, 2 %, 5 %, 10 %, 25 %, 50 % y después 100 %, con pruebas de simulación y una vista previa manual antes de que nada llegue al tráfico real. Si los datos no respaldan el cambio, el tráfico vuelve a cero al instante, sin nada que revertir. 
• Un ciclo completo de rama lleva entre unas horas y un día, de principio a fin. Se acabaron los sprints de dos semanas y los despliegues de dos semanas.

Por qué importa: que el ciclo de lanzamiento pase de semanas a horas ya es significativo por sí mismo, pero la conclusión más importante es que el idioma quizá no sea solo un detalle de localización: puede cambiar la forma en que razona el modelo. 

Ningún manual sobrevive al contacto con un mercado nuevo

Las convenciones sobre los turnos de palabra, la tolerancia a las interrupciones y lo que se considera un ritmo conversacional normal varían mucho entre mercados. 

No hay una fórmula mágica. Según Dom, lo que funciona es unir a un ingeniero que conozca los prompts y la arquitectura con un responsable de negocio de la entidad local que aporte el contexto del mercado, y tratar a esa pareja como la unidad de despliegue.

La creación en sí no varía tanto de un mercado a otro. La adopción sí. Y Dom considera que esto es cierto para cualquier despliegue de IA, no solo para las operaciones de atención al cliente.

Por eso el equipo espera dedicar más tiempo a educar a clientes —mensajes de bienvenida, posicionamiento, mensajes de IVR, etc.— que al modelo subyacente.

Trato justo en todos los mercados

En los seguros, la detección de vulnerabilidad es un requisito básico que debe mantenerse en todos los mercados, idiomas y canales.

El enfoque de Admiral consiste en detectar mediante múltiples vías. En concreto para la vulnerabilidad, el equipo utiliza deliberadamente modelos consolidados de machine learning junto con IA generativa, en lugar de confiar en uno solo, para detectar a clientes vulnerables en cualquier etapa, independientemente de qué señal se active primero, y atenderlos de la forma adecuada.

Este estándar se aplica incluso antes de confiar el caso a la tecnología. En el agente de presupuestos de liquidación, un subagente de control examina a cada persona que llama, y clientes vulnerables o con impagos pasan directamente a una cola prioritaria con una persona: un límite deliberado mientras el equipo aprende más sobre los casos límite.

Y, como los clientes son impredecibles —por ejemplo, alguien preguntó a Olivia cómo hacer sopa de cebolla—, el equipo combina medidas de protección con la identificación proactiva de lo inesperado, para saber siempre quién interactúa con sus herramientas y cómo.

El equipo detrás de los agentes 

Admiral opera con un modelo de centro y satélites, en el que la experiencia a nivel de grupo se concentra en el «centro» y expertos locales en los «satélites» conocen el mercado, clientes y empleados.

El centro de excelencia se divide en dos partes. Primero, un área de captura de valor responsable de la estrategia, las hojas de ruta, el diseño de producto y las pruebas de resultados, incluidas las pruebas A/B. Segundo, un área técnica formada por ingenieros, arquitectos y profesionales de delivery que garantiza que todo lo creado cumpla los estándares y se integre con el resto de la infraestructura.

Para Dom, el ingeniero de IA del futuro se dedicará mucho menos a escribir código y mucho más a entender cómo funciona la IA generativa, estructurar bien las ideas y aprovechar la programación basada en agentes para entregar resultados.

En torno al equipo principal, expertos en procesos y responsables de negocio se agrupan en pequeños equipos con talento de producto y tecnología. En sus palabras, «encerrarlos en una sala» para crear y probar juntos, y luego dárselo a clientes reales para que encuentren fallos.

Cómo prioriza Admiral su hoja de ruta 

El modelo de centro y satélites también funciona aquí. El grupo establece prioridades innegociables para los grandes proyectos, donde el riesgo y el valor son mayores y la viabilidad algo menor, de modo que el apoyo central pueda desbloquear los cuellos de botella. Los satélites tienen margen para la innovación ascendente, siempre que tengan capacidad y se mantengan dentro de las directrices marcadas desde arriba.

La hoja de ruta futura que está creando el equipo se centra en la ambición de que el cliente nunca tenga que repetirse, ya sea entre IVR, agente de voz, persona o canal, y que las señales de intención, sentimiento y vulnerabilidad se mantengan en cada transferencia, no solo la transcripción. 

Ve la sesión completa

Admiral ha replanteado conjuntamente el estándar de validación, el apoyo de la organización y la infraestructura tecnológica para acercarse a su objetivo de crear la mejor experiencia de cliente en seguros.

Ve el webinar completo aquí.