La IA para el análisis del NPS consiste en etiquetar cada comentario con temas de una lista que tú escribes, marcar el sentimiento de cada tema y separar los resultados por promotores (9-10), pasivos (7-8) y detractores (0-6). Para unos cientos de comentarios al mes, una hoja de cálculo, un modelo de IA y 30 minutos de revisión a mano bastan. Las herramientas específicas como Qualtrics Text iQ o Thematic (desde 25.000 $ al año) solo compensan con miles de comentarios.
El paso que la mayoría de los equipos se salta: tu comentario del NPS es una línea, y el ticket de soporte sobre el mismo problema son doce. Los temas de los detractores como "los reembolsos tardan una eternidad" suelen estar ya en tu helpdesk, con números de pedido incluidos. Une ambos con una sola lista de temas y tendrás el "cuántos" y el "por qué".
Ese lado del soporte es donde apuntaría eesel. No gestiona tu encuesta; etiqueta cada ticket con tu propia lista de temas, responde las preguntas repetidas que generan detractores e informa de lo que los clientes siguen preguntando. smava lo usa para categorizar 14.600 tickets de Zendesk al mes.
¿Por qué los comentarios del NPS se quedan sin leer?
Porque la puntuación es fácil y los comentarios no. Un panel convierte 2.000 respuestas en un número en un segundo. Los comentarios que hay debajo le cuestan a una persona un día entero cada mes, y esa persona suele estar además atendiendo la cola.
Trabajo en la cola de soporte de eesel todos los días, y el patrón que veo en los equipos con los que hablo es el mismo: el número del NPS va a la presentación mensual junto a los demás KPIs de soporte, los comentarios van a un CSV que nadie abre, y el detractor que escribió tres párrafos sobre un reembolso roto nunca recibe respuesta. Bain, que creó el NPS, dice claramente que "averages hide the detail that is most instructive" en su artículo sobre el ciclo interno.
Un product manager en Reddit describió la versión manual mejor de lo que yo podría:
"Every week, I spend a couple of hours scanning user responses to open ended questions... I manually make notes of opportunities, big pain points and anything else that stands out, but I don't really have a great quantitative view to show for these."
Las herramientas de encuestas también lo saben. SurveyMonkey va a retirar su nube de palabras y remite a Thematic Analysis, porque una nube de palabras te dice que "soporte" salió mucho, pero no si a la gente le encantó o lo odió.
La IA resuelve el problema de leer. No resuelve el de decidir, y crea uno nuevo: un resumen pulido que suena bien y no lo es. El resto de esta guía trata de conseguir lo primero sin lo tercero.
¿Qué puede hacer realmente la IA con los comentarios del NPS?
Cinco tareas, más o menos en el orden en que dan resultado:
- Etiquetar temas. Cada comentario recibe una o más etiquetas como "facturación", "onboarding" o "velocidad del soporte", aunque los clientes usen palabras distintas para lo mismo. Es clasificación de texto, la misma tarea que etiquetar tickets.
- Puntuar el sentimiento por tema, no por comentario. "Gran soporte, app terrible" es un positivo y un negativo. Las herramientas que dan una sola etiqueta por comentario lo promedian como "mixto" y pierdes ambas señales.
- Separar por grupo de puntuación. De lo que se quejan los detractores es una lista distinta de la de los pasivos, y los pasivos son los más baratos de mover.
- Detectar cambios en el tiempo. "Las quejas de onboarding pasaron del 8 % al 21 % este mes" es la frase que consigue una reunión.
- Marcar los urgentes. Un comentario que menciona cancelar (una señal de riesgo de abandono), una amenaza legal o un problema de seguridad debería llegar a una persona hoy, no en el informe del mes que viene.
En lo que la IA es mala: decidir qué importa a tu negocio, saber que "el plan nuevo" se refiere al cambio de precio de marzo y admitir que un tema es demasiado escaso para reportarlo. Eso sigue en tus manos.
Qualtrics muestra bien la idea por tema. En su documentación de sentimiento de Text iQ, el ejemplo "The service and the food were excellent, but everything was very overpriced" recibe una puntuación positiva para Servicio y una negativa para Precio. Un comentario, dos señales opuestas.
¿Por qué la puntuación y el comentario no siempre coinciden?
Porque la puntuación responde a "¿nos recomendarías?" y el comentario responde a lo que al cliente le apeteció contarte. Se solapan menos de lo que esperarías, y los comentarios más útiles están donde discrepan.
Dos cuadrantes merecen una mirada cada mes:
- Promotores con un problema. Un 10 que dice "la facturación falló dos veces" todavía te aprecia, por ahora. Son alertas tempranas de clientes que odiarías perder, y nunca aparecen si solo lees a los detractores.
- Puntuaciones bajas con palabras amables. "Gran equipo, demasiado caro" es un problema de precio o de paquetes, no de servicio. Enviarlo al responsable de soporte le arruina la semana a todos.
Y a veces la puntuación no significa nada. Un customer success manager en Reddit le preguntó a un cliente por una puntuación intermedia:
"I've had customers give a 5 and then when asked about it, responded 'Oh... I love the software, I just wasn't taking this seriously when it popped up because I don't think anyone really does anything with these things, so when I saw it, I just put 5 because it's my favorite number.'"
Una trampa que conviene conocer: algunas herramientas etiquetan el "sentimiento" a partir de la puntuación, no del texto. La propiedad Sentiment integrada de HubSpot en las respuestas de encuesta, por ejemplo, se deriva de la respuesta de 0 a 10 (0-6 es Detractor), así que no puede captar ninguno de los dos cuadrantes anteriores. Mantén una columna aparte para lo que el comentario realmente dice.
¿Cómo se analizan los comentarios del NPS con IA, paso a paso?
Este es el flujo que seguiría un equipo con unos cientos a un par de miles de comentarios al mes. Necesita una hoja de cálculo, un modelo de IA aprobado por tu empresa y aproximadamente una hora la primera vez.
- Exporta puntuación y comentario. Una fila por respuesta: un ID, la puntuación, el comentario, la fecha y uno o dos segmentos (plan, región, canal). Elimina nombres y correos antes de que nada salga de tu herramienta de encuestas.
- Escribe primero la lista de temas. De 10 a 15 temas, cada uno con una definición de una línea y una categoría "otros". Lee 50 comentarios tú mismo para construirla. Dejar que la IA invente temas cada mes significa "Problemas de facturación" en septiembre y "Problemas de pago" en octubre, y tu línea de tendencia se rompe.
- Etiqueta cada comentario. Pide al modelo una fila por comentario: temas (se permiten varios), sentimiento por tema y una breve razón. Un prompt que funciona:
You are tagging NPS survey comments. Use ONLY the themes below; if none fit, use "other".
A comment can have several themes. For each theme, give sentiment: positive, negative or mixed.
Return one row per comment: response_id | themes | sentiment per theme | one-line reason | urgent (yes/no).
Mark urgent only for cancellation, legal, safety or data-loss mentions.
Do not use the NPS score to decide sentiment. Read the text only. Never invent counts.
Themes:
- billing: charges, invoices, refunds, plan prices
- onboarding: setup, first week, getting started
- reliability: crashes, outages, bugs
- support speed: wait times, slow replies
- support quality: wrong answers, rudeness, great help
...
Envía los comentarios en lotes de 50 a 100, no el archivo entero de una vez. Un desarrollador en Hacker News se topó justo con este problema:
"If I dump the whole spreadsheet into ChatGPT, I found that because of the context window, it can get 'lazy'; while with a local LLM, I could just literally prompt it one row at a time to accomplish my goal..."
- Revisa 50 filas a mano. Elígelas entre detractores, pasivos, promotores y todo lo marcado como "otros". Si más de unas pocas están mal, corrige las definiciones de los temas y vuelve a ejecutar. Este es el paso que evita un informe equivocado pero seguro de sí mismo.
- Separa y cuenta. Una tabla dinámica de tema por grupo de puntuación te da la imagen real: el porcentaje de detractores que mencionan cada tema y cómo ha cambiado desde el mes pasado.
- Prioriza y asigna un responsable. La frecuencia sola engaña; una queja poco común de pérdida de datos pesa más que una petición común de cambiar la fuente. Cada tema principal recibe un responsable y una fecha, o solo es un CSV más bonito.
El mismo método funciona con tickets de soporte, lo cual importa más adelante. Si quieres profundizar en la lista de temas, mi guía de análisis de feedback de clientes con IA cubre los codebooks con más detalle.
¿Qué configuración se ajusta a tu volumen de NPS?
La herramienta adecuada depende sobre todo de cuántos comentarios recibes y dónde viven ya. Elige tu volumen mensual:
¿Cuántos comentarios de NPS recibes al mes?
Cuenta comentarios, no respuestas. Solo algunos encuestados escriben algo.
¿Qué ofrecen las herramientas de encuestas y feedback para el análisis del NPS?
La mayoría de las herramientas de encuestas ya incluyen algo de IA sobre texto libre. La verdadera línea divisoria es si el sentimiento se puntúa por tema o una sola vez por comentario, y si puedes ver un precio antes de una llamada de ventas.
| Herramienta | Función de IA | Temas | Sentimiento | Sentimiento por tema | Precio (página del proveedor) |
|---|---|---|---|---|---|
| Qualtrics | Text iQ, Qualtrics Assist | Sí, temas recomendados | Sí, 6 etiquetas | Sí, Topic Sentiment | Solo cotización; el sentimiento requiere Advanced Text |
| SurveyMonkey | Thematic Analysis, Analyze with AI | Sí, inglés, hasta 10.000 respuestas | Sí, por respuesta | No | Analyze with AI: 20 / 50 / prompts ilimitados por encuesta en Advantage / Premier / Enterprise |
| Typeform | Smart Insights | Sí, últimas 1.000 respuestas | Sí, 4 etiquetas | Temas agrupados por sentimiento | Growth Flow 379 $/mes, o 266 $/mes con pago anual |
| Medallia | Text Analytics, Athena | Sí | Sí, más emoción y esfuerzo | No indicado | Solo cotización |
| Thematic | Theming Agent, Scoring Agent | Sí, creados a partir de los comentarios | Sí | Sí | Foundation 25.000 $/año por 25.000 comentarios |
| Chattermill | Lyra AI, Lyra Agent | Sí | Sí | Sí, basado en aspectos | Solo cotización |
| Gainsight | Análisis de texto de encuestas | Sí, aspectos | Positivo, negativo, sugerencia | Sí, por frase | Solo cotización |
Algunos detalles detrás de la tabla:
- Delighted ya no existe. Muchos equipos pequeños usaban Delighted para el NPS. Su página dice ahora que ya no está disponible y remite a Qualtrics, así que si trabajas con una exportación de allí, planifica la migración.
- Typeform ejecuta Smart Insights sobre una copia privada del modelo Claude de Anthropic y agrupa los temas en las pestañas Positivo, Negativo, Neutral y Mixto, con hasta tres citas por tema. Según su artículo de ayuda, necesita al menos 10 respuestas y una cuenta en inglés.
- SurveyMonkey etiqueta cada respuesta como Positiva, Neutral, Negativa o No detectada, y su análisis de sentimiento da una etiqueta por respuesta. Bueno para una lectura rápida, más débil para comentarios del tipo "gran soporte, mala app".
- Thematic dice que funciona mejor con al menos
2.000filas, y cuenta como un comentario una reseña, una respuesta de encuesta o un ticket de soporte, lo que lo hace adecuado para equipos que quieren NPS y tickets en un solo sitio. - Gainsight necesita más de 20 comentarios, puntúa el sentimiento solo en comentarios de 6 a 25 palabras y se ejecuta una vez al día, según su documentación de análisis de texto.
Las herramientas empresariales añaden algo que vale la pena pagar a gran escala: vincular los temas con la puntuación. La vista de impacto de Chattermill muestra cuántos puntos de NPS te cuesta cada tema, una forma más precisa de priorizar mejoras que el simple recuento de menciones.
Si estás comparando, mi comparativa de herramientas de IA para feedback de clientes abarca más. Para el método detrás, mira mi guía de análisis de encuestas.
¿Qué hace ya tu helpdesk con el feedback?
Menos con el NPS de lo que esperarías, más con los tickets. De los seis helpdesks que revisé, solo HubSpot y Salesforce documentan IA que resume comentarios de encuestas. Zendesk, Freshdesk y Gorgias aplican en cambio análisis de sentimiento con IA a los mensajes de los tickets.
| Helpdesk | Encuesta NPS nativa | Encuesta CSAT | Sentimiento con IA en tickets | IA en comentarios de encuestas | Datos de precio (páginas del proveedor) |
|---|---|---|---|---|---|
| Zendesk | No, eliminada en abril de 2023 | Sí, comentario tras una mala valoración | Sí, clasificación inteligente | No documentado | Usar sentimiento en triggers requiere Copilot, 50 $/agente/mes |
| HubSpot | Sí, más CSAT y CES | Sí | No se encontró clasificador nativo | Sí, resúmenes de encuestas de Breeze | Service Hub Professional desde 90 $/puesto/mes |
| Freshdesk | No documentado | Sí | Sí, puntuación 0-100 | No documentado | Freddy AI Copilot 29 $/agente/mes, Pro y Enterprise |
| Gorgias | No | Sí | Sí, 24 intenciones más sentimiento, todos los planes | Destacados de comentarios; Claude o ChatGPT mediante su beta de MCP | Planes desde 40 $/mes |
| Help Scout | Sí, mediante Messages | Sí, valoraciones | No se encontró clasificador | No documentado | 25 $ / 45 $ / 75 $ por usuario |
| Salesforce | Sí | Sí | Sí | Sí, resúmenes de encuestas con IA | Complemento, sin precio de lista |
Los detalles que cambian decisiones:
- Zendesk indicó "Net Promoter Score (NPS)" como eliminado el 30 de abril de 2023. Su clasificación inteligente etiqueta cada ticket de Muy positivo a Muy negativo y está "calibrated for customer service contexts", así que un ticket no es negativo solo porque el cliente tenga un problema. Más en mi guía de clasificación de tickets con IA en Zendesk.
- HubSpot ejecuta encuestas NPS, CSAT y CES en Service Hub Professional y Enterprise, y Breeze puede resumir las respuestas cuando hay al menos tres. Es la configuración más completa de NPS más helpdesk de esta lista.
- Gorgias detecta intención y sentimiento en cada mensaje entrante en todos los planes. Su propia solución sugerida para "por qué bajó el CSAT" es conectar Claude o ChatGPT mediante Gorgias MCP y pedirle que agrupe por tema los tickets mal valorados. Hasta el proveedor hace este análisis fuera del helpdesk.
- Freshdesk puntúa el sentimiento del último mensaje de 0 a 100 y puede enrutar según ello, como parte del complemento Freddy AI Copilot.
El patrón: los helpdesks analizan tickets, las herramientas de encuestas analizan comentarios, y casi nadie une ambos. Esa es la brecha que cerraría primero.
¿Por qué analizar los tickets de soporte junto con el NPS?
Porque el comentario del NPS te dice cuántos clientes están molestos por los reembolsos, y el ticket te dice cuáles reembolsos, cuánto tiempo y qué intentó ya el cliente. Uno es un titular, el otro es la historia.
Desde donde me siento en la cola, esta es la parte que la mayoría de las guías de NPS pasan por alto. Un detractor que escribe "el soporte es lento" en una encuesta suele haber abierto antes dos o tres tickets. Esos tickets tienen marcas de tiempo, números de pedido, el artículo de ayuda que leyó y el momento exacto en que algo salió mal. El comentario de la encuesta es el resumen que escribió después de rendirse.
Los equipos con volumen lo sienten directamente. Un responsable que leía cada comentario a mano pidió ayuda en Reddit:
"We receive about 10,000 to 15,000 comments to read each month... We read every comment on our surveys, code them (with our coding) and then look for trends, things that bubble up, etc."
En la misma publicación dijo que lo que eligiera tenía que funcionar con su sistema de tickets de Zendesk. Es el instinto correcto.
Así que la jugada es simple: usa una sola lista de temas para ambos. Si "reembolsos" significa lo mismo en tus etiquetas de NPS y en tus etiquetas de tickets, puedes ponerlos lado a lado:
- El NPS dice que los reembolsos son el principal tema de los detractores, con 6 puntos más este trimestre.
- Los tickets dicen 300 tickets de reembolso al mes, la mayoría sobre pagos tras una devolución, y el artículo de ayuda al respecto tiene dos años, justo lo que detecta un análisis de brechas de conocimiento.
- Ahora sabes qué arreglar, y soporte puede medir si funcionó antes de que salga la siguiente encuesta.
Aquí también está el volumen. Un momento de una llamada de ventas al que vuelvo una y otra vez: un responsable de CX de una marca DTC de suplementos en Gorgias, con unos 7.000 tickets al mes, rechazó la analítica por informe mensual en una llamada con el equipo de eesel. Su argumento, más o menos: el cliente no quiere esperar a un informe mensual. El NPS es el informe mensual. Los tickets son el flujo en directo. Mi guía de IA para informes de soporte cubre el lado de los tickets con más profundidad. Para recibirlo cada semana en la bandeja de entrada, mira las alertas de voz del cliente.
¿Cómo encaja eesel en el análisis del NPS?
Primero dejo claro el límite: eesel no envía encuestas NPS ni calcula tu puntuación. Quédate con tu herramienta de encuestas. Lo que hace eesel es la mitad de soporte del cuadro, que es donde se crean la mayoría de los temas de detractores y donde se arreglan muchos.
eesel es un compañero de IA para el helpdesk que trabaja dentro de Zendesk, Freshdesk, Gorgias y otros helpdesks. Tres partes encajan con el trabajo de NPS:
- Etiquetado con tu propia lista. El agente de Zendesk puede leer los campos de tus tickets y sus valores permitidos antes de etiquetar, así que usa tu lista de temas, no una inventada. smava lo ejecuta en un Zendesk compartido para dos marcas:
27.000tickets al mes,14.600de ellos categorizados en campos de Zendesk, en alemán. Rúngne lo hace en Gorgias, con880tickets etiquetados por tema "from a fixed list, nothing invented". - Informes de lo que los clientes siguen preguntando. La habilidad Analyze ticket trends extrae "recurring topics, sentiment, volume and resolution patterns" de tus conversaciones, y un informe semanal de soporte puede llegar a tu bandeja cada lunes.
- Responder las preguntas repetidas. El detractor más barato de arreglar es aquel cuya pregunta nunca necesitó a una persona. eesel las responde desde tu centro de ayuda y tickets anteriores, y pasa el resto. Más sobre eso en mi guía de desvío de FAQs.
Ese informe es el gemelo del lado de tickets de un resumen de temas de NPS: temas, recuentos, evidencia y qué arreglar primero. Ponlo junto a tus temas de detractores y el solapamiento suele ser evidente.
Si prefieres ejecutarlo desde una terminal o dejar que lo maneje un agente de código, la CLI de eesel habla con el mismo agente que el panel e imprime JSON. eesel chat "analyze our ticket trends for last month" ejecuta la habilidad de tendencias, eesel automations programa un informe y eesel files ls lista los informes guardados. Y si quieres los comentarios de las encuestas en el mismo lugar, una automatización por webhook acepta datos de Zapier, Make o tu propio backend, así que puedes enviar comentarios de detractores y hacer que el agente los etiquete o abra un ticket. Es una configuración que cableas tú mismo, no una integración de NPS incorporada.
Un límite honesto: el "CSAT con IA" de eesel es la valoración de una IA sobre las respuestas del agente, y su documentación de informes dice que "not a substitute for asking your customers". Por eso mantendría la encuesta.
¿Cómo se cierra el ciclo con los detractores del NPS?
Bain lo divide en dos ciclos, y la IA ayuda en ambos de maneras distintas.
El ciclo interno es una persona que responde al cliente, rápido. La postura de Bain en su artículo del ciclo interno es que la llamada de seguimiento "can't be delegated to a third party or some central corporate group". El trabajo de la IA aquí es la clasificación: marcar los comentarios urgentes (cancelación, legal, pérdida de datos) y enviarlos a la persona adecuada hoy. La respuesta en sí es trabajo humano, y un responsable de CS en Reddit puso el listón más alto que la mayoría de los equipos:
"First, never reach out via email to someone dropping a zero (or anything below your target # for NPS). Call and keep calling or in a normal circumstance show up in person."
Qualtrics ahora redacta respuestas con IA al feedback de encuestas y abre tickets en Zendesk, ServiceNow o Salesforce, como se muestra en sus flujos de cierre de ciclo.
El ciclo externo es arreglar la causa. El ciclo externo de Bain empieza con "all inner loop feedback" y busca "patterns, trends and changes in frequency", que es exactamente el trabajo de etiquetado de temas de arriba. El resultado es una lista corta de mejoras, cada una con un responsable.
El ejemplo más limpio de un ciclo así que puedo señalar es uno de los clientes de eesel, una empresa de automatización industrial. Bajo cada respuesta de su chat de documentación hay una valoración, y un resumen periódico llega al equipo de documentación con lo que se preguntó, qué respuestas se valoraron mal y dónde había lagunas de conocimiento. Las lagunas pasan directamente al backlog de documentación. Cambia "chat de documentación" por "encuesta NPS" y tienes el ciclo externo funcionando cada semana en lugar de cada trimestre.
Para el lado de tickets del cierre de ciclo, empieza con mi guía de prevención de abandono con IA. Si el tema son las quejas, mira IA para quejas de clientes.
¿Qué errores debes evitar?
Los que más veo, más o menos por orden del daño que hacen:
- Dejar que la IA elija temas nuevos cada mes. Tu línea de tendencia se reinicia cada vez. Escribe la lista una vez y amplíala a propósito.
- Reportar porcentajes sin revisar una muestra. Un modelo que etiqueta mal el 15 % de los comentarios sigue produciendo un gráfico ordenado. Revisa 50 filas antes de que nada llegue a una presentación.
- Tratar el sentimiento como la puntuación. Un 9 puede describir un error grave. Lee los cuadrantes de discrepancia.
- Priorizar solo por frecuencia. Cinco comentarios sobre datos perdidos pesan más que cincuenta sobre el color de un botón.
- Subir comentarios en bruto con nombres y correos. Elimina primero los datos personales y revisa los términos de datos de tu proveedor de IA. SurveyMonkey, por ejemplo, dice que su Thematic Analysis funciona con modelos de Anthropic y OpenAI que no entrenan con tus datos; tu propia configuración debería ser igual de clara.
- Analizar el NPS en una sala que nunca habla con soporte. Las soluciones de muchos temas de detractores viven en la cola, detrás de tu clasificación de tickets. Mira mis notas sobre cómo construir un programa de voz del cliente que incluya ambos.
Prueba eesel para el lado de soporte del NPS
Si los temas de tus detractores siguen apuntando a reembolsos, respuestas lentas o "no encontré cómo hacer X", son problemas de tickets antes que nada. eesel se incorpora a tu helpdesk como un nuevo compañero: etiqueta cada ticket con tu propia lista de temas, responde las preguntas repetidas desde tu centro de ayuda y tickets anteriores, y envía un informe semanal de lo que los clientes siguen preguntando, de modo que la mejora llegue antes de que salga la siguiente encuesta. smava lo usa para categorizar 14.600 tickets de Zendesk al mes.
Los planes empiezan en 299 $/mes por 500 créditos, con informes incluidos en todos los planes, según la página de precios, y puedes probarlo gratis primero con tus propios tickets anteriores. Prueba eesel.