IA que se equivoca: precios falsos, promesas rotas y cómo blindarte
La IA comete errores: precios inventados, promesas imposibles. Aprende a poner guardarraíles, revisar transcripciones y reparar la confianza del cliente.
Nadie te lo dice en el pitch de ventas, así que lo digo yo: los agentes de IA se equivocan. Inventan precios que no existen, confirman disponibilidad de productos agotados, hacen promesas que tu equipo no puede cumplir. No pasa siempre, pero pasa. Y cuando pasa frente a un cliente real, el daño es tuyo.
Este artículo no es para asustarte sino para equiparte. Vas a ver exactamente cómo se producen estos errores, cómo construir guardarraíles que los reduzcan, cómo hacer una revisión semanal de transcripciones que valga la pena, y qué decirle a un cliente al que la IA le falló. Todo sin endulzar la realidad.
Por qué la IA confabula (y no es solo un bug)
Los modelos de lenguaje no "saben" cosas del mismo modo que una base de datos. Generan texto que resulta plausible dado el contexto. Cuando no tienen información suficiente, a veces rellenan el hueco con algo que suena correcto. En el mundo del soporte y las ventas, ese "sonido correcto" puede traducirse en:
- Un precio inventado que el cliente captura en pantalla.
- Una fecha de entrega imposible confirmada con toda confianza.
- Una política de devolución que no existe en tu empresa.
- Una promesa de descuento que nadie autorizó.
El problema no es la mala fe del sistema; es que el agente no sabe lo que no sabe. Sin los controles correctos, actúa igual de seguro cuando tiene razón que cuando la pierde.
Guardarraíles: el control de calidad empieza antes de lanzar
Un guardarraíl es cualquier mecanismo que restringe lo que el agente puede decir o hacer. Los hay de dos tipos:
Guardarraíles de conocimiento
El agente solo debe responder sobre lo que tiene documentado. Si la pregunta cae fuera del alcance, la respuesta correcta es: "No tengo esa información, déjame conectarte con alguien que sí la tenga."
Cómo implementarlos:
- Base de conocimiento cerrada y versionada. El agente consulta un corpus definido, no Internet ni su memoria general. Cada vez que cambias un precio o una política, actualizas ese corpus.
- Instrucción explícita de abstención. En el prompt de sistema incluye algo como: "Si no encuentras la respuesta en la base de conocimiento, no estimes ni supongas. Escala al equipo humano."
- Integración con datos en tiempo real. Inventario, precios y disponibilidad deben venir de tu sistema de registro (Shopify, ERP, CRM), no de texto estático. Un agente que consulta el stock real antes de confirmar elimina de raíz una categoría entera de errores.
Guardarraíles de conducta
Limitan las acciones del agente, no solo sus respuestas.
- Nunca ofrecer descuentos fuera de la tabla aprobada. Si el agente no tiene permiso para dar un 30 % de descuento, esa opción no debe existir en su rango de acción.
- Confirmaciones de alto riesgo siempre van a humano. Pedidos mayores a cierto monto, cambios en datos de facturación, promesas de fecha de entrega urgente: configúralos como disparadores de escalada automática.
- Tono de humildad por defecto. Frases como "según la información que tengo" o "voy a confirmar esto contigo" reducen la percepción de autoridad absoluta y abren la puerta a la corrección sin drama.
Revisión semanal de transcripciones: qué buscar y cómo muestrear
Poner guardarraíles no significa relajarse. El control de calidad posterior es lo que cierra el ciclo. Una hora a la semana puede salvarte de una crisis.
Cómo muestrear sin morir en el intento
Si recibes, digamos, mil conversaciones a la semana, no puedes leerlas todas. Un muestreo inteligente se ve así:
| Segmento | Criterio de selección | Por qué importa |
|---|---|---|
| Escaladas a humano | Todas las que terminaron en handoff | Ahí suelen estar las conversaciones problemáticas |
| CSAT bajo | Conversaciones con puntuación ≤ 3/5 | El cliente ya señaló que algo salió mal |
| Palabras clave | Búsqueda por "precio", "prometiste", "dijiste", "no es lo que" | Detecta reclamaciones explícitas |
| Muestra aleatoria | 15-20 conversaciones sin filtro | Captura errores que el cliente no reclamó |
Qué buscar línea a línea
Cuando leas las transcripciones, activa el radar para:
- Afirmaciones de precio o plazo sin fuente. Si el agente dijo "el envío llega el martes" sin consultar el sistema de logística, es un riesgo.
- Respuestas a preguntas fuera de alcance. ¿El agente inventó una política en lugar de escalar?
- Promesas condicionales que no se cumplieron. "Te voy a mandar el presupuesto hoy" y no hay seguimiento registrado.
- Cambios de versión. El agente dijo una cosa y luego se contradijo en la misma conversación.
Lleva un registro simple: fecha, canal, tipo de error, acción tomada. En dos o tres semanas empiezas a ver patrones y puedes corregir el prompt o la base de conocimiento de forma quirúrgica.
Protocolo de reparación con el cliente: honestidad, rapidez y cierre
Cuando el error ya ocurrió, el cómo lo manejas decide si pierdes o retienes al cliente.
Paso 1 — Reconoce sin excusas técnicas
El cliente no quiere saber que fue un modelo de lenguaje quien se confundió. Quiere saber que su problema importa.
Lo que no funciona: "Es que el sistema automático a veces tiene errores…"
Lo que sí funciona: "Tienes razón, la información que recibiste fue incorrecta y lo sentimos. Vamos a resolverlo ahora."
Paso 2 — Corrección inmediata y por escrito
Cualquier corrección de precio, plazo o condición debe quedar documentada en el mismo hilo de conversación. Si el cliente tiene un screenshot de lo que el agente prometió, tú también debes tener el screenshot de la corrección oficial.
Paso 3 — Decide si honras o no la promesa errónea
Esta es la parte más difícil y depende de cada caso. Considera:
- Magnitud del error. Un 5 % de diferencia en precio es manejable; un 50 % probablemente no.
- Expectativa creada. Si el cliente ya tomó una decisión financiera basada en la información incorrecta, el costo reputacional de no honrarla suele superar al económico.
- Frecuencia. Si es un error aislado, tienes margen para negociar. Si el mismo error ocurrió diez veces esta semana, el problema es sistémico y necesitas parar la hemorragia antes de hablar con clientes individuales.
No existe una respuesta universal. Lo que sí es universal: decide rápido y comunica claro.
Paso 4 — Cierra el loop interno
Después de resolver con el cliente, documenta el error en tu registro semanal, identifica la causa raíz (¿falta de dato en tiempo real?, ¿prompt ambiguo?, ¿caso límite no contemplado?) y ajusta. El control de calidad no es un reporte: es un ciclo.
La diferencia entre diseño previo y control posterior
Quizás ya leíste nuestro artículo sobre cómo definir la personalidad de tu agente de IA —tono, límites, objetivos. Eso es diseño previo: decides quién es el agente antes de que hable con tu primer cliente.
Lo que describes aquí es diferente. El control de calidad posterior asume que el diseño no es perfecto y que el mundo real siempre genera casos que no anticipaste. Un agente bien diseñado comete menos errores; un agente bien auditado los contiene antes de que escalen. Los dos son necesarios y ninguno reemplaza al otro.
Pruébalo en tu negocio
En Lead Lab AI, ValerIA y OlivIA consultan datos en tiempo real desde tu inventario, CRM y APIs propias, lo que elimina de raíz la categoría más común de errores: las respuestas inventadas sobre precios y disponibilidad. Además, el módulo de analítica de conversaciones y CSAT conversacional te da el muestreo que describimos aquí sin construirlo desde cero.
Si quieres ver cómo funciona en la práctica, crea tu cuenta en https://www.lead-lab.ai/signup o escríbenos a hola@lead-lab.ai — sin compromiso, sin folleto.
¿Listo para que la IA atienda por ti?
ValerIA vende y OlivIA da soporte — por WhatsApp, voz y chat web, conectadas a tus datos. Configúralo en minutos.