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

Admiral gestiona millones de interacciones con clientes al año y en varios idiomas 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 hay detrás.

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

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

Es fácil crear un agente que cierre una conversación rápidamente sin resolver de verdad el problema del cliente. 

Su objetivo final es que cada cliente, cada canal y cada momento importante se resuelva en el acto 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, interacciones concisas y un NPS considerablemente mayor. 

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 principal. Admiral mide por separado si el cliente realmente consiguió aquello por lo que llamó, independientemente de si la llamada se escaló, de modo que una transferencia deliberada a una persona nunca se considera un fallo.

Cómo debe ser algo «bueno» en un sector regulado

El estándar de Admiral para pasar a producción es alto. Quieren que su solución basada en agentes sea tan buena como su equipo humano actual, o mejor, antes de lanzarla.

El conocimiento sobre casos límite que antes residía en el instinto de los agentes más veteranos ahora debe probarse explícitamente en cada caso de uso.

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

Dado que la mayoría 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.

La implicación no surge de una orden

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 incorporarse a Admiral y, al preguntarle qué le diría hoy a un colega que defendiera el uso de IA basada en agentes, compartió tres principios directamente de ese manual.

1) Personas apoyan aquello que ayudan a crear

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

El equipo organizó demostraciones y sesiones formativas en toda la empresa —incluidos 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 hecho… disfrutaron de la experiencia».

2) Nunca se trata solo de 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 definen las opciones tecnológicas. El consejo de Dom es no empezar por la tecnología.

3) Crea la gobernanza desde el principio

Contar desde muy pronto con los puntos de contacto, los KPI y los datos adecuados facilita mucho la toma de decisiones. El antipatrón, según ella, es fiarse de la intuición y acabar con «un artefacto muy bonito» que nadie usa y que no mejora ninguna métrica importante.

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

Primero aplican rápidamente los aprendizajes y después hacen un despliegue completo. No se trata de un único caso de uso en un único ámbito, lo que, según Dom, les habría ralentizado enormemente, sino de una disciplina deliberada para no reinventar la rueda diez veces.

Demo 1: Liquidación anticipada (Admiral Money)

Situación: Una clienta quiere amortizar su préstamo antes de tiempo. Es una solicitud sencilla: solo necesita saber cuánto debe pagar para liquidarlo.

Tradicionalmente, obtener esa cifra implicaba navegar por un IVR, verificar su identidad con un agente humano, esperar a que un sistema de backend hiciera el cálculo y cargaran las pantallas, y luego 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 ejecutar cualquier otra acción.
• El subagente de control comprueba si la persona que llama puede hablar con el agente de IA; clientes vulnerables o con pagos atrasados 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 opera mediante API, en lugar de esperar a las pantallas de sistemas heredados. El mismo proceso que lleva unos cinco minutos con una persona tarda unos dos minutos y medio con el agente.
• El éxito se mide según si el cliente se ha autenticado y ha obtenido su importe de liquidación, y se registra 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 siempre valoraciones de cuatro y cinco.

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

Demo 2: Olivia (L’Olivier)

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

Esa era la experiencia que L’Olivier quería sustituir. El equipo creó Olivia, un agente basado en una base de conocimiento de ElevenLabs que ya está activo en el sitio 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 que indican que hacer prompting en el idioma del cliente activa el modelo de forma diferente, y el equipo obtuvo resultados significativamente mejores de este modo. Olivia detecta automáticamente el inglés y responde en ese idioma cuando es necesario. 
• Las conversaciones reales con clientes se revisan frente a 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 activo. Si los datos no respaldan el cambio, el tráfico vuelve a cero al instante, sin necesidad de revertir nada. 
• Un ciclo completo de una rama tarda 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 destacable por sí mismo, pero la idea 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 existe una solución milagrosa. Según Dom, lo que funciona es emparejar a un ingeniero que conozca el prompting y la arquitectura con un responsable de negocio de la entidad local que dé vida al contexto del mercado, y tratar esa pareja como la unidad de despliegue.

La implementación 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 en 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 el sector de 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 por varias vías. En concreto para la vulnerabilidad, el equipo utiliza deliberadamente modelos consolidados de aprendizaje automático junto con IA generativa, en lugar de confiar en uno solo; así, se identifica a clientes vulnerables en cualquier fase, independientemente de qué señal se active primero, y se les atiende de la forma adecuada.

Ese estándar se mantiene incluso antes de confiar el caso a la tecnología. En el agente de liquidaciones anticipadas, un subagente de control evalúa a cada persona que llama, y clientes vulnerables o con pagos atrasados pasan directamente a una cola prioritaria con una persona: un límite deliberado mientras el equipo aprende más sobre los casos límite.

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

El equipo detrás de los agentes 

Admiral trabaja con un modelo de hub y radios, en el que la experiencia a nivel de grupo se concentra en el «hub» y los expertos locales, que conocen el mercado, a clientes y a empleados, están en los «radios».

El centro de excelencia se divide en dos partes. La primera se centra en la captura de valor y se encarga de la estrategia, las hojas de ruta, el diseño de producto y las pruebas de resultados, incluidas las pruebas A/B. La segunda es técnica y está formada por ingenieros, arquitectos y compañeros de delivery que garantizan que todo lo creado cumpla los estándares y se integre con el resto del ecosistema.

Para Dom, el ingeniero de IA del futuro se centrará mucho menos en escribir código y mucho más en comprender cómo funciona la IA generativa, estructurar bien las ideas y aprovechar la programación basada en agentes para ejecutar.

Alrededor del equipo principal, especialistas 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 después dárselo a clientes reales para que encuentren fallos.

Cómo prioriza Admiral su hoja de ruta 

El modelo de hub y radios 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, para que el apoyo central pueda desbloquear los cuellos de botella. Los radios tienen margen para innovar de abajo arriba, siempre que dispongan de capacidad y se mantengan dentro de las directrices definidas de arriba abajo.

La hoja de ruta futura que está desarrollando 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 transmitan en cada transferencia, no solo la transcripción. 

Ve la sesión completa

Admiral reconstruyó conjuntamente el estándar de validación, la implicación de la organización y el stack tecnológico para acercarse a su objetivo de ofrecer la mejor experiencia de cliente en el sector de los seguros.

Ve el webinar completo aquí.