📂Fundamentos de IA⏱Lectura de 2 min📊Básico🔗Relacionados 4

¿Qué es un chatbot?

Definición en una línea
Programa automático de conversación que responde preguntas y ayuda a realizar tareas como lo haría una persona. Evolucionó de reglas a una base de IA (LLM).
Este tema, como capacitación interna📚 Curso relacionado💬 Consulta sobre capacitación
⚡ Resumen en 3 líneas
  • Programa que responde y ayuda a trabajar conversando como una persona
  • Evolucionó de reglas a basado en LLM
  • Conectar nuestros datos con RAG

Al incorporar un chatbot, lo primero que cambia no es la velocidad de respuesta sino la estructura de la atención. Hasta ahora, las consultas recibidas por teléfono y correo las atendía el responsable en orden de llegada; ahora, las preguntas repetitivas las recibe primero la máquina y las personas se ocupan solo de las excepciones y los casos que requieren juicio. El efecto secundario es todavía mayor: lo que el cliente pregunta y cómo lo formula se acumula en registros que se convierten en datos de mejora. En la atención telefónica, esa información desaparecía en cuanto terminaba la llamada.

Las formas se dividen en tres grandes grupos. Los de reglas siguen botones y escenarios; los de búsqueda encuentran la respuesta más cercana en un FAQ preparado; los generativos crean las frases directamente con un LLM. Si se combina con RAG, que apoya las respuestas en documentos internos, se convierte en un chatbot «exclusivo de la empresa». Sin embargo, si se conecta RAG cuando los documentos no están ordenados, solo se acelera la producción de respuestas incorrectas. Si los documentos de referencia son unos cientos, es más rápido y preciso pulir a mano 100 preguntas del FAQ. Vale la pena conocer también el límite: si solo responde con palabras, es un chatbot; si toca sistemas directamente, como consultar inventario o cambiar una reserva, entra en el terreno de los agentes.

El resultado se mide con cifras, no con que «la respuesta suene natural». Son: la tasa de respuestas automáticas cerradas sin pasar a una persona, la tasa de transferencia a un agente, el tiempo hasta la primera respuesta y la tasa de consultas repetidas por teléfono después de que el chatbot respondió. Una tasa de respuesta automática de 30 a 40 % justo después del lanzamiento es un arranque normal. Para llegar a cerca de 60 % hace falta una operación que revise los registros cada semana y corrija las respuestas. Si desde el principio se fija como meta el 90 %, el ajuste lleva a que el chatbot finja saber incluso las preguntas que no puede responder.

En la práctica, la expectativa que más suele fallar es la de «si instalamos un chatbot, reducimos el personal de atención». Lo cierto es que durante los primeros 3 a 6 meses debe haber un operador que lea los registros y ajuste las respuestas. Sin esa persona, la tasa de acierto se queda en el nivel de la primera semana. Dejar en manos de la IA generativa las políticas de reembolso, los plazos de entrega o los precios unitarios también es arriesgado. El cliente toma como compromiso de la empresa lo que aparece en pantalla, así que una sola línea con una comisión de cancelación mal informada se convierte en un conflicto. Si desde el principio no se crea una vía para pasar la consulta a una persona cuando el chatbot no entiende, lo único que aumenta es el número de clientes que repiten la misma pregunta tres veces y abandonan.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Agente de atención 24 horas: antes solo respondía lo establecido; hoy comprende el contexto y conversa con flexibilidad.
Por qué es importante en la práctica
Un chatbot reduce los costos de atención y de búsqueda gracias a la atención 24 horas y las respuestas inmediatas. Es el primer paso más práctico para adoptar la IA.
Origen y fuentes

Su origen se remonta a «ELIZA» (1966), el primer chatbot; tras la etapa basada en reglas, dio el salto a la IA conversacional basada en LLM.

Entender con un caso

Veamos un caso hipotético. Se trata de A, un fabricante de componentes industriales con 210 colaboradores y ventas anuales de alrededor de KRW 48,000,000,000 (≈ US$35,926,500). Cuatro personas del equipo de atención al cliente reciben 3,200 consultas al mes, y casi la mitad son preguntas repetitivas como «¿cuándo sale el pedido?» o «¿este modelo es compatible?». A fines de febrero, la jefa de equipo propuso el chatbot porque «atender llamadas hace que las reclamaciones se retrasen tres días».

  1. El responsable del equipo de atención al cliente, Lee, descargó 9,600 registros de consultas de tres meses y, al clasificarlos por tipo, encontró que estas tres categorías juntas representaban el 58 % del total: la consulta de plazos de entrega, la compatibilidad de modelos y la reemisión de facturas fiscales.
  2. Reunimos en un solo lugar las 1,200 fichas técnicas de productos que el equipo de ventas y el de aseguramiento de calidad guardaban por separado. Los 340 modelos anteriores a 2019, ya descontinuados, se marcaron como «descontinuado» y se excluyeron por completo de las fuentes de las respuestas.
  3. En la segunda semana tras el lanzamiento, el chatbot empezó a calcular precios unitarios por su cuenta. Para evitarlo, se le indicó que no responda sobre precios ni compromisos de entrega y que derive la consulta con la frase «Le conectamos de inmediato con el ejecutivo de ventas a cargo».
  4. En las consultas nocturnas, solo se leía la fecha de despacho prevista consultada en el ERP, y si dos veces seguidas no se detectaba la intención, se pasaba de inmediato a la cola de atención humana. Es el principio que dejó claro el subgerente Kim: «No encerremos al cliente dentro del chatbot».
  5. Cuatro meses después, las llamadas se redujeron de 1,900 a 1,050 al mes, y el 62% de los casos se cerró sin intervención humana, lo que redujo el tiempo promedio de resolución de reclamaciones de 2.7 a 1.4 días.
Términos relacionados
Herramientas de IA relacionadas
Capacitaciones relacionadas con este término
📚Funciones básicas de Claude CoworkCapacitación corporativa de Nanum Consultoría · presencial/en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

Los anteriores solo respondían según reglas fijas; los chatbots basados en LLM entienden el contexto y conversan con flexibilidad.
Si conecta sus documentos y preguntas frecuentes mediante RAG, responde con base en su propia información, como un agente exclusivo.
Si conecta sus documentos y preguntas frecuentes mediante RAG, responde con base en su propia información, como un agente exclusivo.
Sí. Es más seguro usar anclaje (grounding) y barreras de protección (guardrails) para que solo dé respuestas con respaldo, y añadir una verificación.