Por qué separar quién escribe de quién envía
Dar a un modelo de lenguaje acceso directo para enviar correos a clientes introduce un riesgo que no necesitas asumir. Si interpreta mal una solicitud, el error ya habrá llegado al destinatario cuando alguien lo detecte. Corregirlo después suele costar más que revisar el mensaje antes de enviarlo.
El flujo que propongo deja un borrador preparado en la plataforma de correo para ese contacto, mientras que el envío sigue dependiendo de una persona. Quien lo revisa comprueba el contacto, lee la solicitud, modifica el texto si hace falta y lo envía. Lo esencial es que el último paso dependa siempre de una decisión consciente, con independencia de la plataforma utilizada.
Esta separación también responde al temor habitual de los equipos: que la máquina cometa un error sin que nadie se entere. Si alguien conserva el control del envío, el riesgo reputacional pasa por la calidad de esa revisión humana. Además, facilita que un equipo reticente pruebe el proceso, porque sus miembros siguen teniendo la responsabilidad de aprobar lo que recibe cada cliente.
Qué correos merecen un borrador y cuáles deben quedar fuera
No todos los mensajes que llegan a la bandeja de entrada necesitan una respuesta generada por IA. Crear borradores para todo puede exigir más trabajo de limpieza del que ahorra y distraer al equipo de las comunicaciones que realmente requieren una decisión meditada o una respuesta personal.
La IA debe identificar primero la naturaleza del correo antes de redactar nada. Puede ayudar a distinguir mensajes promocionales o transaccionales y evitar que el flujo prepare respuestas para todos ellos. Una notificación de pedido completado no necesita un agradecimiento generado por IA cuando no hay ninguna decisión que tomar en ese intercambio.
El valor está en reservar la redacción para correos que sí requieren una respuesta humana pensada, como solicitudes de soporte, dudas de clientes o contactos comerciales. El resto puede quedar fuera del flujo de borradores. Esto ahorra tiempo de lectura y evita llenar la bandeja de propuestas inútiles que el equipo tendrá que borrar después.
Cómo convertir respuestas de soporte en una base de conocimiento útil para la IA
¿Quién aprueba qué al incorporar clientes de marketing digital?
Cómo usar la IA en el negocio más allá de las preguntas al chatbot
Qué información necesita la IA antes de escribir
Un modelo sin contexto intenta completar lo que desconoce, algo que rechazo en mi forma de trabajar. Necesita el historial del cliente, información sobre lo que ofrece realmente la empresa y las reglas internas de respuesta. Sin esos elementos, un borrador puede estar bien escrito y fallar en lo esencial.
Los datos tienen un valor enorme en este proceso. Cuando falta información de calidad y contexto suficiente, la inteligencia artificial pierde utilidad y sus propuestas se apoyan en suposiciones. Por eso, antes de pedir que redacte, necesito preparar aquello que le permite entender la situación concreta.
En un correo, debe saber qué se le ha dicho al cliente anteriormente, qué ofrece la empresa y cómo suele responder a ese tipo de solicitud. Incluso un texto cuidado puede contradecir lo que el negocio hace o promete si no dispone de ese historial. La calidad de la redacción por sí sola no resuelve esa falta de información.
Si el cliente pregunta por un plazo de entrega, la IA no debería inventar una cifra. Necesita consultar una regla existente, una tabla de plazos o las conversaciones anteriores y utilizar esa referencia concreta. Si no tiene acceso a esa información, el borrador reflejará la carencia. Ahí la revisión humana resulta decisiva para impedir que una respuesta incompleta se envíe como si estuviera confirmada.
Cómo debe mostrar el borrador las dudas de la IA
Un borrador útil hace visibles sus dudas. Si el modelo utiliza siempre el mismo tono de seguridad, aunque le falte información, quien revisa puede aprobar por inercia. Así podría pasar por alto una pregunta poco habitual que necesita más atención o una condición que todavía no se ha confirmado.
En este flujo, la interpretación de la IA queda visible para la persona que revisa. Puede leer tanto lo que el sistema ha entendido como el mensaje que propone enviar, antes de decidir si tiene sentido o necesita cambios. Esa visibilidad permite evaluar el razonamiento que ha llevado al borrador.
Conviene pensar en formatos que separen visualmente la respuesta propuesta de las notas sobre información incierta. Así quien revisa identifica dónde debe detenerse a pensar y qué partes cuentan con una base suficiente. El objetivo es ahorrar tiempo de lectura manteniendo la calidad de la decisión final.
La revisión humana y el momento del envío
Revisar no debería convertirse en aprobar automáticamente sin leer. En este paso, la persona debe comprobar si la interpretación de la IA corresponde a la solicitud real y si la respuesta propuesta coincide con lo que haría la empresa en ese contexto específico, con ese cliente y sus circunstancias.
Aquí sigue siendo valiosa la experiencia humana: conocer al cliente, recordar una relación difícil o percibir matices que no están documentados. Ese criterio cuenta tanto al convertir contactos en clientes como al responder correos. La persona puede detectar aspectos que la inteligencia artificial no ha tenido en cuenta.
El borrador ahorra el trabajo de escribir desde cero, pero la valoración sigue en manos de quien conoce al cliente. La combinación de preparación automática y criterio humano es lo que permite que este proceso funcione en el trabajo cotidiano.
El coste por decisión para entender el ahorro
Para evaluar estas automatizaciones considero el tiempo humano multiplicado por el coste por hora y añado infraestructura, errores y latencia. Es una forma de hacer visible algo que suele quedar oculto en la actividad diaria: cuánto cuesta realmente cada decisión que toma el equipo, además del tiempo que tarda en redactar.
En un ejercicio hipotético aplicado a la gestión de contactos, una tarea que consumía media hora por contacto pasaba a necesitar unos seis minutos de revisión. En ese ejemplo, el coste por decisión bajaba de unos 19,44 euros a unos 3,79 euros por contacto. Las hipótesis de error y latencia podían ajustarse para cada negocio; no eran una métrica universal ni un resultado garantizado.
El interés del ejercicio está en el razonamiento. Si ahorras minutos por decisión y multiplicas ese tiempo por cientos de contactos mensuales, la diferencia acumulada puede ser considerable. Puedes aplicar el mismo criterio al tiempo que dedica el equipo a responder correos. El ahorro concreto depende de los datos reales de tu operación y de qué decisiones se repiten cada día.
Mantener la mejora del proceso con el tiempo
Un flujo de borradores necesita seguimiento después de su primera configuración. Si el equipo corrige una y otra vez el mismo tipo de frase o la misma ausencia de información, esa repetición indica que falta contexto en la base de conocimiento. Las correcciones muestran dónde conviene intervenir para mejorar las propuestas.
El criterio que aplico a cualquier automatización sirve también aquí: observar qué consume más tiempo, decidir qué automatizar, añadir inteligencia donde resulte útil y después plantear una ampliación. En los correos, esto exige revisar periódicamente qué cambios hacen con más frecuencia las personas encargadas de validar los mensajes.
Esas correcciones recurrentes permiten ajustar las instrucciones y el contexto del modelo. Así conectas lo que propone la máquina con lo que la empresa realmente comunica a sus clientes, en vez de obligar al equipo a reparar siempre el mismo fallo antes de cada envío. Este razonamiento también forma parte de los flujos de agentes de IA para empresas.