Cómo usar IA para generar macros de soporte a partir de tickets pasados

Qué significa realmente "generar macros a partir de tickets pasados"

Una macro es un paquete guardado que combina una respuesta predefinida con un conjunto de acciones del ticket (cambiar el estado, añadir etiquetas, cambiar el asignado) que un agente aplica con un solo clic. Las macros son manuales por diseño, el agente las elige y las aplica, a diferencia de los disparadores y las automatizaciones que se activan por sí solos, como documenta Zendesk.

Lo difícil nunca ha sido aplicar macros, sino escribirlas. La mayoría de los equipos tiene un puñado de macros que alguien creó a las prisas hace dos años, mientras que las preguntas repetidas reales, las que se comen las tardes de tus agentes, nunca se plantillaron porque nadie tuvo tiempo de peinar el historial de tickets y detectarlas.

Ese es el hueco que la IA cierra. Hay dos cosas distintas que la IA puede hacer con tu historial de tickets, y la gente las confunde constantemente:

La primera, aplicar una macro existente, es la que hace la mayoría de la IA nativa de los helpdesks: lee el ticket abierto, lo compara con tickets pasados y sugiere cuál de tus macros guardadas encaja. Útil, pero solo puede recomendar macros que ya has escrito.

La segunda, crear macros nuevas, es de lo que realmente trata esta guía: la IA lee tus tickets resueltos, encuentra las respuestas recurrentes que tus agentes escriben a mano una y otra vez, y propone plantillas de macro completamente nuevas para los huecos. Ahí es donde vive el ahorro de tiempo, y es la parte que más nos piden los equipos. En nuestras propias llamadas de ventas, entrenar la IA con los tickets pasados de una empresa es, sin lugar a dudas, la capacidad más solicitada.

Lo que necesitarás antes de empezar

Esto es una guía práctica, así que seamos concretos con los requisitos previos:

• Acceso a tu historial de tickets resueltos. La mayoría de los helpdesks te permiten exportar tickets a CSV o acceder a ellos vía API. Necesitas específicamente tickets resueltos, los que un agente realmente respondió, no ruido de spam o cierres automáticos.
• Una idea de tu volumen. Unos cientos de tickets resueltos por tema habitual es un piso saludable. Por debajo de eso, la IA está adivinando con muy poca señal. (El propio modelo de Zendesk ni siquiera se activa por debajo de 100 tickets, más sobre esto abajo.)
• Un lugar donde revisar los borradores. Ya sea una hoja de cálculo, un documento o la pantalla de revisión de una herramienta de IA, necesitas un sitio donde un agente pueda leer y editar cada borrador antes de que se convierta en una macro en vivo.
• Una capa de IA. Ya sea el complemento nativo de IA de tu helpdesk, un LLM de propósito general en el que pegas tickets, o una herramienta dedicada como eesel AI que se conecta al helpdesk y hace todo el ciclo por ti.

Aquí está el flujo completo de principio a fin antes de repasar cada paso:

Paso 1: extrae y limpia tus tickets pasados

Empieza exportando una muestra representativa de tickets resueltos. "Representativa" hace mucho trabajo en esa frase, este es el paso que decide, de forma silenciosa, qué tan buenas acaban siendo tus macros.

Algunas cosas que vale la pena hacer bien:

• Muestrea a lo largo del tiempo, no solo la última semana. Un mes de tickets está sesgado por lo que haya ocurrido ese mes. Extrae de una ventana más larga para que los picos estacionales no dominen. Una marca de entrega de flores con la que trabajamos en Gorgias fue deliberada en esto: querían 300 tickets aleatorios por mes durante diez meses, excluyendo sus picos de San Valentín y el Día de la Madre, porque esas semanas no se parecían en nada a un día normal y habrían sesgado cada macro hacia "¿dónde está mi ramo?".
• Solo tickets reales, atendidos por un agente. Elimina las respuestas automáticas, el spam y los tickets que se cerraron sin respuesta de un agente. Estás tratando de aprender cómo responde tu equipo, no lo que ya cubren tus automatizaciones existentes.
• Conserva la resolución, no solo la pregunta. Un ticket solo es útil aquí si incluye la respuesta real del agente. Esa respuesta es la materia prima del texto de la macro.

Si nunca has mirado tus datos de tickets de esta manera, vale la pena hacer un análisis de tickets de soporte como paso independiente, te dice qué temas merecen plantillarse antes de que escribas una sola línea.

Paso 2: deja que la IA agrupe las preguntas repetidas

Ahora entrégale ese montón de tickets a la IA y pídele que los agrupe por intención. Buscas grupos como "dónde está mi pedido", "cómo restablezco mi contraseña", "solicitar un reembolso", "cambiar mi dirección de envío", las preguntas que aparecen cientos de veces con solo los detalles cambiados.

Este es el paso que resulta genuinamente tedioso a mano y genuinamente rápido para un modelo. Un buen pase de IA regresará con algo como: "El 47% de tus tickets caen en 9 temas recurrentes; aquí están los 9, ordenados por volumen, con un ticket de muestra para cada uno." Ese ranking es tu lista de macros por hacer, ya escrita para ti.

La misma lógica de agrupamiento sustenta la clasificación de tickets con IA y el triaje, así que si ya has configurado el etiquetado automático o el enrutamiento, puede que ya tengas la mitad de este trabajo hecho. Las propias etiquetas son un adelanto de los grupos.

Paso 3: convierte cada grupo en un borrador de macro

Para cada grupo, pídele a la IA que redacte una macro: una respuesta reutilizable escrita con el tono de tu equipo, generalizada a partir de las respuestas reales que enviaron tus agentes, con marcadores de posición donde van los detalles específicos.

Aquí es donde entrenar con tus propios tickets supera a una biblioteca de plantillas genérica. Cualquiera puede darte una macro estándar de "solicitud de reembolso". Solo tu propio historial de tickets sabe que tu equipo siempre empieza con "Entendemos totalmente la frustración", siempre enlaza la política de devoluciones y siempre pide el número de pedido en el mismo aliento. Una macro redactada a partir de tu historial suena como tú; una genérica suena como una carta modelo.

Aquí hay una trampa sutil: la audiencia. Hemos visto equipos cuya base de conocimiento está escrita para administradores mientras que sus tickets vienen de usuarios finales, un equipo de soporte de tecnología de transporte, por ejemplo, cuya documentación apuntaba a administradores de flotas de autobuses mientras que sus tickets venían de pasajeros. Si tus respuestas pasadas se escribieron para la audiencia correcta, tus macros de IA heredan eso. Si no fue así, arregla primero las respuestas de origen o las macros serán confiadamente incorrectas para las personas que las lean.

Las buenas macros también capturan el conocimiento institucional antes de que se vaya por la puerta. Una empresa francesa de TI del sector público acudió a nosotros precisamente porque dos agentes senior con un profundo conocimiento de resolución de problemas de ERP se iban ese año, y querían "meter" esa experiencia "en la IA" antes de que se fuera. Generar macros a partir de los tickets pasados de esos agentes es una de las formas más limpias de embotellar ese conocimiento.

Paso 4: revisa, edita y añade las acciones

Nunca envíes una macro redactada por IA directamente a los clientes. Cada borrador es un primer borrador.

En la revisión, un agente debería:

• Comprobar los hechos. ¿Inventó la IA un detalle de política o una ventana de reembolso? Corrígelo.
• Ajustar el tono. Suaviza cualquier cosa que suene ligeramente fuera de marca.
• Añadir las acciones del ticket. El texto de la respuesta es solo la mitad de una macro. La otra mitad es lo que le pasa al ticket: poner el estado en resuelto, añadir una etiqueta refund-processed, reasignarlo al grupo de facturación, fijar la prioridad. La IA puede sugerir esto a partir de los patrones de tu historial, pero un humano lo confirma.
• Cuidar los marcadores de posición. Si usas Zendesk, escapa correctamente los marcadores en tickets de problema/incidente (por ejemplo, Hello \{{ticket.requester.first_name}}) para que el nombre de un solicitante no se filtre a tickets vinculados.

Este paso de revisión es toda la razón para mantener a los humanos en el ciclo. La IA elimina el problema de la página en blanco; tus agentes conservan el criterio. Para respuestas de reembolso, cambio y envío en particular, hemos escrito un recorrido dedicado de plantillas de macro con IA del que puedes partir.

Paso 5: prueba con el historial real antes de publicar

Aquí está el paso que casi todos se saltan, y el que separa una biblioteca de macros que ayuda de una que crea retrabajo silenciosamente.

Antes de publicar una macro nueva (o dejar que un agente de IA empiece a aplicarla), ejecútala contra un lote de tickets pasados y observa qué habría pasado. ¿La macro de "dónde está mi pedido" se activó en los tickets correctos? ¿Alguna vez se activó en los incorrectos? ¿Cuál es la cobertura realista y dónde tiembla la confianza?

Para esto está pensado exactamente el modo de simulación de eesel AI: ejecuta tu configuración sobre miles de tus tickets históricos reales y muestra la tasa de resolución y la cobertura previstas antes de que un solo cliente lo vea. Ajustas, vuelves a ejecutar, y solo despliegas una vez que los números se ven bien.

El principio se sostiene incluso sin una herramienta dedicada: extrae 50 tickets recientes que la macro debería atrapar, aplícala manualmente y evalúa el resultado a simple vista. Un seguro barato contra una macro que falla a gran escala.

Paso 6: publica y mantenla actualizada

Una vez que una macro pasa la revisión y las pruebas, publícala como una macro compartida para que todo el equipo se beneficie, no una personal enterrada en la lista de un solo agente. Luego trata la biblioteca como algo vivo, no terminado.

Tus productos cambian, tus políticas cambian, y surgen nuevas preguntas repetidas que no existían el trimestre pasado. Vuelve a ejecutar el pase de minería periódicamente, mensualmente es una cadencia razonable, para detectar grupos nuevos y retirar las macros que ya nadie aplica. Es el mismo ciclo detrás de reducir el volumen de tickets con IA: el historial sigue enseñándote qué automatizar a continuación.

Cómo hacerlo de forma nativa en Zendesk, Freshdesk y Gorgias

Si prefieres quedarte dentro de tu helpdesk, aquí es donde se sitúa la IA nativa, y dónde se detiene.

Zendesk

Zendesk tiene dos funciones de IA independientes para macros, y encajan perfectamente con los dos modos de antes. Macros sugeridas (de cara al agente) recomienda cuál macro existente compartida aplicar: su modelo compara el ticket abierto con tickets de los últimos nueve meses en los que se aplicó una macro. Se activa en el Centro de administración, dentro de Herramientas del agente.

En la vista del agente, las macros sugeridas aparecen en una sección "Sugerido para este ticket", y con el complemento Copilot cada una lleva un nivel de confianza.

La función que realmente crea macros a partir del historial es Sugerencias de contenido para macros (de cara al administrador): detecta contenido recurrente en todas las respuestas de los agentes de la cuenta y propone macros completamente nuevas para crear, usando los datos del mes anterior. Las trampas: forma parte del complemento Zendesk AI, las macros sugeridas necesitan al menos 100 tickets calificados y 3 macros compartidas antes de activarse, y las macros nuevas tardan dos semanas en entrar al modelo. Potente, pero limitada por el plan y lenta para calentar.

Freshdesk

Freshdesk se apoya en Freddy AI para sugerencias de respuesta y asistencia con respuestas predefinidas, y su auto-triaje aprende la categorización a partir de tickets pasados. La historia de generación de macros a partir del historial es más delgada que la de Zendesk, y las funciones más potentes de Freddy están en niveles superiores, por lo que muchos equipos combinan Freshdesk con una capa de IA dedicada para el trabajo más pesado.

Gorgias

Gorgias está enfocado en ecommerce y es fuerte en macros ligadas a datos de pedidos de Shopify, pero al igual que los demás, el flujo de "aprender de todo mi historial de tickets y redactar plantillas nuevas" es un terreno donde una herramienta hecha a medida tiende a llegar más lejos que el conjunto de funciones nativas.

El hilo común: los asistentes nativos son convenientes si ya estás profundamente instalado en una plataforma y en el plan adecuado, pero están atados a esa plataforma, limitados por complementos y umbrales, y ofrecen poca o ninguna forma de probar una macro con el historial antes de que salga en vivo.

Errores comunes que evitar

• Plantillar casos aislados. Si una pregunta aparece tres veces al año, no necesita una macro. Ordena por volumen y plantilla lo más alto de la lista.
• Saltarse la revisión humana. Los borradores de IA son primeros borradores. Enviarlos sin leerlos es cómo una ventana de reembolso incorrecta acaba en 4.000 respuestas.
• Olvidar las acciones. Una macro que escribe una respuesta preciosa pero no fija el estado ni las etiquetas solo crea un segundo clic. Incluye las acciones del ticket.
• No volver a ejecutar nunca el pase de minería. Una biblioteca que construyes una vez y nunca actualizas se queda obsoleta en un trimestre.
• No probar antes del lanzamiento. Si tu herramienta puede simular con tickets pasados, úsala. Si no puede, haz una verificación manual puntual con 50 tickets.

Prueba eesel para macros a partir de tickets pasados

eesel AI está construido justo alrededor de este ciclo. Se conecta a Zendesk, Freshdesk, Gorgias y más de 100 herramientas adicionales, entrena con tus tickets pasados y tu base de conocimiento para redactar respuestas con el tono de tu equipo y, la parte que es difícil de encontrar en otro lugar, te permite simular todo el proceso sobre miles de tus tickets históricos reales para que veas la precisión y la cobertura previstas antes de salir en vivo.

No hay cuotas por asiento ni sorpresas por resolución (consulta los precios), y puedes empezar gratis, para que puedas minar tu propio historial de tickets y ver las macros que redacta antes de comprometerte a nada. Si tu objetivo es tener menos respuestas repetitivas y una biblioteca de macros que refleje de verdad cómo trabaja tu equipo, este es el camino más rápido para llegar ahí.