Este artículo forma parte de nuestra serie sobre cómo OpenAI desarrolla sus propias soluciones basadas en nuestra tecnología.
Todos los años recibimos millones de tickets de soporte técnico. Cada uno de ellos contiene algo valioso: una frustración, una idea, una solicitud.
Pero hasta hace poco, era difícil entender qué decían. Los paneles de control indicaban tendencias, pero no revelaban los motivos. Los análisis en profundidad requerían semanas de trabajo por parte de un científico de datos. Es posible que un responsable de producto quisiera saber cómo se había recibido una nueva función entre un tipo de público específico. Sin embargo, para responder a esta pregunta era necesario que un científico de datos realizara un análisis detallado.
La curiosidad se veía cada vez más limitada.
Para Molly Jackman, directora de Datos Empresariales, “El proceso requería un profundo conocimiento técnico y eso frenaba nuestra curiosidad”.
Para despertar la curiosidad a gran escala, desarrollamos un asistente de investigación. Combina dos modos de exploración: paneles de control para detectar patrones y una interfaz conversacional para investigar más a fondo. Puedes empezar con un gráfico de temas de la actualidad y luego hacer preguntas de seguimiento en lenguaje sencillo.
Lo diseñamos combinando lo que ya funcionaba. Por un lado, clasificadores y gráficos que estructuraban millones de tickets en áreas de productos y temas. Por otro, GPT‑5, que podía resumir los tickets sin procesar y generar informes flexibles en lenguaje sencillo. La combinación nos brindó velocidad y profundidad, en un formato lo suficientemente simple para que cualquiera lo use.
“¿Qué dicen los clientes del sector salud sobre las nuevas integraciones?”
“¿Qué está generando los tickets de soporte técnico este trimestre?”
“¿Qué funciones principales están dando en el blanco?”
En cuestión de minutos, el sistema elabora un informe que evalúa la magnitud del problema, muestra su prevalencia y destaca los puntos de fricción. Los líderes ya no dependen de otros recursos ni tienen que consultar paneles de control estáticos. Todos pueden profundizar en sus dudas hasta obtener la respuesta que buscan. Para los equipos de producto, esto implica una iteración más rápida basada en comentarios reales: saber qué funciona y qué no, y obtener información clara para planificar tanto el lanzamiento de productos como para las hojas de ruta a largo plazo.
“La magia reside en que no es necesario predefinir las preguntas, simplemente puedes dejarte llevar por tu curiosidad”.
La velocidad no sirve de nada si no se tiene precisión.
Antes, los equipos de operaciones hacían clasificaciones manuales y los científicos de datos desarrollaban modelos personalizados para compararlos con el asistente. Los resultados coincidían.
Con el tiempo, la confianza creció. Los líderes comenzaron a comprobar los resultados con lo que ya conocían en la práctica y, si coincidían, confiaban en ellos.
Para los equipos, el ciclo de preguntar, comprobar y confiar convirtió al asistente en un hábito diario. Lo que en otros momentos llevaba una semana de consultas SQL y clasificadores, ahora se realiza con unos pocos clics.
Los resultados saltan a la vista en todos los ámbitos.
- Tras el lanzamiento de GPT‑5, los equipos de producto recibían los comentarios en cuestión de días, en lugar de semanas.
- Cuando las empresas desaceleraron la adopción de conectores, el asistente no tardó en descubrir la causa principal: errores en el flujo de incorporación. Esto permitió que los ingenieros pudieran priorizar las soluciones.
- En la generación de imágenes, se destacó tanto la creatividad de los equipos de marketing que lo utilizaban para maquetas como la dificultad que causan los retrasos en el renderizado. Fueron justamente esos dos aspectos los que influyeron directamente en la hoja de ruta.
Y cuando el proceso de hacer una pregunta se reduce a unos minutos, es natural que se hagan más preguntas. Afloran más problemas. Los equipos actúan más rápido.
La herramienta no pretende reemplazar a los científicos de datos. Simplemente, les permite dedicarse a otras tareas. En lugar de hacer análisis puntuales, ahora tienen más tiempo para desarrollar nuevos clasificadores e invertir en automatización y herramientas. Los equipos de operaciones ahora pueden generar informes de lanzamiento en minutos y no en días, lo que les permite dedicar más tiempo a los clientes. Los equipos de producto pueden aprender de los clientes en tiempo real, lo que les permite definir sus hojas de ruta con ciclos de comentarios más rápidos.
Esta transformación cambió nuestra forma de escuchar. Ya no es necesario racionar los escasos ciclos analíticos: ahora cada equipo puede plantear sus dudas a su modo. La curiosidad crece. Si un responsable de producto detecta un punto de fricción y un responsable de ventas observa el mismo problema en los tickets de la empresa, juntos pueden idear una vía más rápida para entrar en acción.
Esperemos que quienes más lo perciban sean los clientes. Los problemas se resolverán antes. Las funciones podrán evolucionar para adaptarse mejor a sus necesidades. Los comentarios que antes quedaban enterrados en la hoja de trabajos pendientes ahora son fundamentales para nuestra forma de trabajar.
“Para mí, es como una investigación a gran escala sobre la experiencia del usuario. Si conseguimos reflejar la opinión de los clientes y cambiar de forma proactiva nuestros productos, políticas y prácticas, habremos tenido éxito”.
Lo que comenzó como una herramienta para analizar millones de tickets se está convirtiendo en parte de nuestra forma de escuchar. Y cuando escuchamos bien, construimos bien.
