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 países de todo el mundo, como Reino Unido, Italia, Francia y España.

En nuestro último webinar, Behind the Agent: cómo Admiral gestiona llamadas de seguros con agentes de IA, Dominika Kampa, directora 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 prueba y el trabajo organizativo que hay detrás.

La principal ambición de Admiral era crear la experiencia de cliente más fiable en el sector de los seguros.

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

Es fácil crear un agente que cierre una conversación rápidamente 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 una resolución en el primer contacto del 90 %, además de ofrecer 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 mucho a medida que clientes descubrían que el agente era más rápido.

Pero la resolución era su referencia. Admiral mide por separado si el cliente consiguió realmente aquello por lo que llamó, independientemente de si la llamada se derivó, de modo que una transferencia deliberada a una persona nunca se considera un fallo.

Cómo debe ser un buen resultado en un sector regulado

El nivel exigido por Admiral para pasar a producción era alto. Quieren que su solución basada en agentes sea igual de buena que las personas que trabajan con ellos ahora, o mejor, antes de ponerla en marcha.

Queremos elevar el nivel de validación, pero no rebajar el de cumplimiento normativo.

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

En la práctica, el equipo estableció límites de alcance deliberados. Por ejemplo, los casos de vulnerabilidad y de impagos siguen derivándose a una persona mientras el equipo aprende más sobre los casos límite relacionados con el caso de 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 respaldo 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. Al preguntarle qué le diría a alguien que hoy quiere defender la IA basada en agentes, compartió tres principios directamente extraídos de esa experiencia.

1) Las personas respaldan lo que ayudan a crear

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

El equipo realizó demostraciones y sesiones formativas en toda la organización, incluso 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 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.

Cuando las personas se alinean en torno al resultado, encuentran las opciones tecnológicas adecuadas. El consejo de Dom es no empezar por la tecnología.

3) Crea una gobernanza desde el principio

Definir los puntos de contacto, los KPI y los datos adecuados desde las primeras fases facilita mucho la toma de decisiones. El patrón que hay que evitar, en sus palabras, es basarse en la intuición y acabar con «un artefacto muy bonito» que nadie utiliza y que no mejora ninguna métrica importante.

El modelo de implantación también era importante. El enfoque de Admiral consistía en elegir una parte del grupo para experimentar a fondo con un tema y, después, aplicar el aprendizaje en el resto de áreas.

Lo hacen empezando por implantaciones rápidas y siguiendo después con un despliegue completo. No desarrollan un caso de uso en un único ámbito, algo que Dom afirma que les habría ralentizado muchísimo, sino que aplican la disciplina de no reinventar la rueda diez veces.

Demostración 1: presupuestos de liquidación (Admiral Money)

Situación: Una clienta quiere amortizar su préstamo antes de tiempo. Es una solicitud sencilla: solo necesita saber el importe de liquidación.

Tradicionalmente, obtener esa cifra implicaba navegar por un sistema IVR, verificar su identidad con un agente humano, esperar a que un sistema backend hiciera el cálculo y cargaran las pantallas, y después revisar su correo para encontrar un PDF. Cinco minutos de proceso para una pregunta con una sola respuesta.

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

Lo que se mostró:

• La autenticación se ejecuta como un subagente independiente al inicio del workflow, antes de que se ejecute cualquier otra acción.
• El subagente de control comprueba si la persona que 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 recoge 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 con una persona tarda unos cinco minutos, dura alrededor de dos minutos y medio con el agente.
• El éxito se mide según un objetivo claro: si el cliente se ha autenticado y ha obtenido su presupuesto de liquidación, una métrica que se registra por separado de las derivaciones.
• 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 derivan reciben casi siempre valoraciones de cuatro y cinco.

Por qué importa: el tiempo que se ahorra procede de que el workflow funciona mediante API y no mediante pantallas, no simplemente de que responda una IA en vez 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 derivaciones actuales reflejan límites que el equipo ha decidido establecer mientras aprende, no que el agente no pueda ayudar.

Demostración 2: Olivia (L’Olivier)

Situación: Una clienta en Francia tiene una pregunta sobre su póliza. Abre el chat en el 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 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 de 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 usar prompts en el idioma del cliente hace que el modelo responda de forma distinta, y el equipo obtuvo resultados notablemente mejores de este modo. Olivia detecta automáticamente el inglés y responde en ese idioma cuando es necesario.
• Las conversaciones reales con clientes se revisan comparándolas con la base de conocimiento para detectar carencias; en algunos casos, las correcciones se reflejan 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 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 otras dos semanas.

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

Ningún método resiste el contacto con un mercado nuevo

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

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

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

Si clientes no confían en ello o no lo entienden, dirán inmediatamente (en el segundo dos de la conversación): «Por favor, pásame con una persona»»

Por eso, el equipo espera dedicar más tiempo a la formación de clientes —mensajes de bienvenida, posicionamiento, mensajes IVR, etc.— que al modelo que hay detrás.

Trato justo en todos los mercados

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

El enfoque de Admiral consiste en detectar mediante varias vías. En concreto para la vulnerabilidad, el equipo utiliza deliberadamente modelos consolidados de machine learning junto con IA generativa, en lugar de confiar solo en uno de ellos. Así, detectan a clientes vulnerables en cualquier fase, independientemente de qué señal se active primero, y les ofrecen la atención adecuada.

Ese estándar se mantiene incluso antes de que se confíe el caso a la tecnología. En el agente de presupuestos de liquidación, un subagente de control evalúa 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 clientes son imprevisibles —por ejemplo, alguien preguntó a Olivia cómo hacer sopa de cebolla—, el equipo combina medidas de seguridad con la detección proactiva de lo inesperado para saber siempre quién interactúa con sus herramientas y cómo lo hace.

El equipo detrás de los agentes

Admiral utiliza un modelo de centro y radios: la experiencia a nivel de grupo se concentra en el «centro», mientras que expertos locales en los «radios» conocen el mercado, clientes y empleados.

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, formada por ingenieros, arquitectos y profesionales de Delivery que se aseguran de que todo lo creado cumpla los estándares y se integre con el resto del ecosistema.

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

Alrededor del equipo central, 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 después entregarlo a clientes reales para que encuentren sus fallos.

En McKinsey solíamos decir que, por cada libra invertida en tecnología, se invierten tres en rediseño de procesos y cinco en gestión del cambio.

Cómo prioriza Admiral su hoja de ruta

El modelo de centro 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 es algo menor, de modo que el apoyo central puede desbloquear los obstáculos. Los radios tienen espacio para innovar desde abajo, siempre que tengan capacidad y respeten las directrices generales.

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

Ve la sesión completa

Admiral rediseñó al mismo tiempo sus estándares de validación, el respaldo de la organización y su stack tecnológico para acercarse a su objetivo de crear la mejor experiencia de cliente en seguros.

Ve el webinar completo aquí.