Tiempo de respuesta -78%, NPS +12, conversión +9% con IA generativa.
Una tienda online andaluza con 14 empleados tenía buen producto y mala atención por saturación. Implantamos IA generativa para atención al cliente y descripciones de producto. El tiempo de respuesta cayó un 78%, el NPS subió 12 puntos y la conversión un 9%.
Andalucía · 14 empleados · E-commerce alimentación gourmet
Una tienda online andaluza con NPS bajo por tiempos de respuesta.
El cliente es una tienda online andaluza con 14 empleados, especializada en alimentación gourmet (aceite, ibéricos, conservas, vinos). Volumen mensual de ~3.500 pedidos, ticket medio 78 €, catálogo activo de ~620 SKUs. Vende en su web propia (PrestaShop), Amazon y un par de marketplaces especializados.
La operación funcionaba bien en logística y compras. El problema estaba en atención al cliente y catálogo: dos personas gestionaban ~180 consultas/día (email, WhatsApp, chat web, redes sociales y marketplaces). Tiempos de respuesta medios de 9-14 horas. El NPS estaba en 41 (cliente recurrente decía cosas buenas, cliente nuevo se quejaba de la atención). Las descripciones de producto eran genéricas, copiadas de proveedor, sin SEO ni argumentación de venta.
El encargo: bajar drásticamente los tiempos de respuesta sin contratar y mejorar la conversión del catálogo. La condición innegociable: que la marca siguiera sonando como ellos (cercanos, andaluces, expertos en producto), no a chatbot frío genérico.
Dos sistemas: atención conversacional y reescritura de catálogo con tono propio.
Atacamos dos frentes diferentes con el mismo principio: la IA aprende el tono y conocimiento del cliente, no impone uno genérico. Para conseguir esto, lo primero fue construir una base de conocimiento curada con la información real del cliente: FAQs reales, política de envíos, procesos de devolución, datos de cada producto (origen, conservación, maridajes) y ejemplos de respuestas pasadas que el cliente consideraba bien hechas.
El sistema de atención al cliente se integró con todos los canales (email, WhatsApp Business, chat web, mensajes directos en Amazon y marketplaces). Cada mensaje entrante se clasifica (consulta producto / pedido en curso / devolución / colaboración / queja / otros), se genera un borrador de respuesta con el tono del cliente y se manda al panel del equipo. El equipo revisa, ajusta y envía. El sistema aprende de las correcciones.
Para consultas frecuentes y bien acotadas (estado de pedido, política de envíos, recomendación de producto similar) el sistema puede responder solo, sin pasar por humano. Aproximadamente el 42% de las consultas se cierran sin intervención. El resto pasa por humano pero con borrador preparado, lo que reduce el tiempo por respuesta de 6 min a 90 segundos.
En paralelo reescribimos las 620 fichas de producto del catálogo. Para cada SKU, la IA genera una descripción larga con datos técnicos, historia del producto, sugerencias de uso y maridaje, palabras clave SEO orgánicas y bullet points. El equipo revisa y aprueba antes de publicar. Las fichas reescritas convirtieron un 9% más que las genéricas (medido en A/B real con tráfico 50/50 durante 6 semanas).
De diagnóstico a producción: 5 semanas con piloto de 50 fichas y 1 canal.
Auditoría operativa (semana 1)
Sesiones con dirección, atención al cliente y catálogo. Mapeo de canales, volumen real de consultas, tipologías, política de marca, tono escrito y revisión del catálogo. Documento de "base de conocimiento" inicial.
Construcción base de conocimiento (semana 1-2)
Curación de FAQs, políticas, respuestas modelo y datos de producto. Entrenamiento del modelo IA para que adopte el tono real del cliente (andaluz, cercano, experto). Pruebas internas con 80 ejemplos de respuesta.
Piloto: 1 canal + 50 fichas (semana 3-4)
Activación del sistema en el canal de email + reescritura de 50 fichas de producto top. Revisión humana de TODO durante 2 semanas para medir precisión, tono y conversión. Ajustes finos.
Apertura total (semana 5+)
Extensión al resto de canales (WhatsApp, chat web, marketplaces) y al resto del catálogo (a ritmo de 60-80 fichas/semana). Métricas semanales: tiempo de respuesta, % cerrado por IA, NPS, conversión por categoría.
Cinco lecciones replicables a otros e-commerces medianos
El tono se entrena con ejemplos, no con prompts
Decirle al modelo "responde con tono cercano andaluz" no funciona. Darle 80 ejemplos de respuestas reales bien escritas y dejarle aprender el patrón sí funciona. La calidad del tono viene del dataset, no de las instrucciones.
Atención multicanal requiere panel unificado
Tener IA generativa en email pero seguir abriendo Amazon Seller Central a mano para responder mensajes mata el ahorro. Hay que unificar todos los canales en un solo panel donde el equipo revisa borradores.
Las fichas reescritas necesitan revisión humana
Publicar fichas generadas por IA sin revisar es jugársela: errores en datos técnicos, denominaciones erróneas, marca confundida. El proceso es IA genera → humano revisa → publicación. Sin revisión humana esto explota.
El A/B testing real es el único que convence al cliente
Decir "la IA mejora la conversión" sin medir no convence al dueño. Activamos A/B real (50/50 tráfico, mismo tracking) durante 6 semanas. El dato salió +9% con significancia estadística. Eso justifica el proyecto.
El NPS sube si bajan los tiempos, aunque la calidad sea igual
Lo que más afectaba al NPS era el tiempo de respuesta, no la calidad. Responder en 2h con respuesta correcta y firmada por humano genera más satisfacción que responder en 14h con respuesta perfecta. La IA libera ese tiempo.
Dudas que nos hacéis llegar
¿Tu e-commerce pierde clientes por tiempos de respuesta?
Te decimos en 45 min qué procesos de tu e-commerce tienen más retorno con IA y cómo implantarlo sin perder el tono de tu marca.