Resumir una llamada, localizar un tema, explicar por qué un cliente estaba insatisfecho: los modelos de lenguaje ya saben hacerlo, y lo harán aún mejor en el futuro. Por lo tanto, no es ahí donde creamos el valor de CrossCX. Este comienza en el momento en que una buena respuesta ya no es suficiente, y se necesita un sistema.
Cada nueva generación de modelos de lenguaje a gran escala (LLM) amplía los límites de lo que se puede obtener con una simple pregunta. En el caso de una plataforma de Quality Monitoring y Speech Analytics, la tentación sería defender una a una las funciones que absorben los modelos. Nosotros optamos por lo contrario: dejar claro qué dejamos en manos de los modelos y dónde centramos nuestra experiencia: en las capas adecuadas, y solo en esas.
Nuestra norma de posicionamiento
Aunque un LLM pueda hacerlo correctamente con una pregunta aislada, probablemente no sea ahí donde « CrossCX » deba centrar su valor.
Nuestro valor entra en juego cuando el análisis debe ser repetible, controlado, comparable, muestreado, trazable y aprovechable a largo plazo.
1. Lo que dejamos gustosamente en manos de los modelos
Algunas tareas se han convertido —o se convertirán— en servicios. Las utilizamos, con los modelos más adecuados para cada uso, pero no pretendemos aportarles ningún matiz distintivo. En una conversación tomada de forma aislada, un modelo ya sabe:
«Resúmeme esa llamada»
Un LLM ya lo hace muy bien, en pocos segundos y sin necesidad de configuración.
Identificar un motivo, un tema, una intención
La clasificación de una conversación concreta se está convirtiendo cada vez más en un servicio básico.
«¿Qué ha pasado en esa llamada?»
Una pregunta coloquial sencilla, a la que un modelo responde directamente.
«¿Qué se siente al mantener este intercambio?»
El análisis puntual del tono, la emoción o la satisfacción ya no requiere una herramienta específica.
Redactar un informe, una reformulación o una respuesta
La generación de texto a partir de una conversación es una de las capacidades de los modelos actuales.
En lo que respecta a estas necesidades puntuales, una consulta rápida a un modelo de lenguaje grande (LLM) tiende a ser gratuita. No tenemos ningún motivo para complicarla más de lo que ya es, ni para cobrarla como un servicio de asesoramiento especializado.
2. Lo que aportan « CrossCX » a su entorno
Lo que nos diferencia va más allá de los modelos: se centra en los datos, el muestreo, las cuotas, los marcos de referencia, la evaluación, las pruebas, la gobernanza y la agregación. Es esta base la que permite un «Quality Monitoring » automatizado cuyos resultados siguen siendo comparables de un mes a otro. En concreto, esto es lo que defendemos.
Analizar cientos de miles de conversaciones de forma coherente
Industrialización, normas comunes y agregación: la misma lógica aplicada a cada interacción, día tras día.
Importar varias fuentes cada día
Conectores, estandarización y coordinación de flujos —telefonía, chat, correo electrónico, CRM— para que el análisis se base siempre en datos limpios.
Elegir qué conversaciones deben evaluarse
Muestreo específico: no hay que evaluar las conversaciones más fáciles de encontrar, sino las más útiles.
Gestionar las cuotas de evaluación
Por equipo, centro, periodo y estado: la lógica de gestión de la calidad que las organizaciones han tardado años en desarrollar y que no se reduce a una simple pregunta.
Garantizar que una tabla se aplique de la misma manera
Calibración y medidas de seguridad, para evaluar de forma precisa en lugar de aproximada, y de la misma manera para todos los equipos.
Aportar pruebas para cada criterio
Trazabilidad: cada nota remite al extracto en el que se basa, para que pueda ser cuestionada, explicada o utilizada en el coaching.
Comparar agentes, equipos, centros, periodos y canales
Un modelo de datos y unas agregaciones estables, independientes del modelo que ha generado el análisis.
Detectar la desviación de un modelo o una regla
Supervisión a largo plazo: una variación en la puntuación debe deberse a factores sobre el terreno, no a una actualización del modelo.
Elegir entre varios modelos en función de la tarea
Orquestación: un modelo adecuado para la transcripción, otro para la evaluación y un tercero para la síntesis.
Convertir la evaluación en orientación y medidas correctivas
Flujo de trabajo operativo: de la nota al análisis posterior, del análisis posterior al plan de acción, del plan de acción a la formación.
Y, al final del proceso, unos informes que se mantienen estables a pesar del cambio de LLM. Es esta distinción la que queremos dejar muy clara:
Los modelos realizan análisis. CrossCX explica cómo ese análisis se convierte en un indicador fiable de la calidad.
El LLM responde a una pregunta. « CrossCX » crea el sistema que permite plantear la pregunta adecuada, a la muestra adecuada y siguiendo las reglas adecuadas, para luego comparar las respuestas a lo largo del tiempo.
3. ¿Por qué sigue siendo necesario con los agentes autónomos?
La necesidad no desaparece con la IA agentiva. Simplemente se desplaza.
Mañana, es probable que un agente de IA pueda, por sí solo, localizar una conversación, analizarla, responder a una pregunta, proponer una nota, poner en marcha una acción o llamar a otro agente. Se trata de decisiones básicas, y las tomará correctamente. Pero siempre habrá alguien que tenga que decidir:
- qué conversaciones analizar y según qué muestreo;
- ¿Según qué normas y con respecto a qué marco de referencia?;
- ¿con qué límites y qué medidas de seguridad?;
- con qué fundamento, para que cada decisión sea justificable;
- con qué frecuencia y en qué población;
- y cómo agrupar después millones de decisiones básicas en un indicador comprensible.
Un agente autónomo también necesita políticas, límites, control y moderación. Eso es exactamente lo que una organización espera de su Quality Monitoring. Creamos CrossCX para que los agentes del futuro se apoyen en él, en lugar de tener que reinventar, cada uno por su cuenta, un sistema de gobernanza de calidad.
La promesa, en un mundo de agentes
La IA puede tomar decisiones básicas. CrossCX se encarga de mantener la coherencia del sistema.
De hecho, esto se aplica en ambos sentidos: cuando son los agentes de IA los que atienden a tus clientes, su calidad debe evaluarse con el mismo rigor que la de tus asesores: misma tabla de evaluación, mismas pruebas, misma comparabilidad.
4. Una arquitectura que permite cambiar de modelo sin cambiar de negocio
No queremos sustituir los modelos. Queremos que sus resultados se puedan aplicar a escala de toda la organización. Esto conlleva una consecuencia arquitectónica sencilla: el negocio nunca debe depender de un modelo concreto.
CrossCX selecciona y coordina los módulos más adecuados para cada tarea —transcripción, detección, evaluación, síntesis— en lugar de hacer que el cliente dependa de un único proveedor. Hoy GPT, mañana otro modelo: tus tablas, tus cuotas, tus historiales y tus comparativas siguen siendo los mismos. La puntuación de un equipo en enero sigue siendo comparable a la de junio, aunque el modelo haya cambiado entre medias. Esa es la función de nuestros conectores de IA: conectar, sustituir o combinar modelos sin alterar el repositorio.
El modelo puede cambiar. La pregunta rápida puede pasar a ser gratuita. Sin embargo, el marco de referencia, las normas, las pruebas y el historial de tus evaluaciones siguen siendo tuyos y siguen siendo comparables.
Los modelos cambian. El oficio permanece.
Los modelos hacen cada vez más cosas. Nuestra labor consiste en organizar aquellas que deben mantener su coherencia: qué se mide, en qué población, según qué reglas, con qué medidas de seguridad y cómo se transforman después millones de análisis en decisiones útiles.
Así es como vemos el futuro del « Quality Monitoring » y del Speech Analytics : no se trata de una carrera contra los modelos, sino de la capa de negocio que los hace utilizables —para tus equipos hoy, para tus agentes de IA mañana—.
Preguntas frecuentes
CrossCX ¿Utiliza modelos de lenguaje a gran escala (LLM)?
Sí, y de varios proveedores. No desarrollamos nuestros propios modelos de lenguaje: seleccionamos y coordinamos los que mejor se adaptan a cada tarea —transcripción, detección, evaluación, síntesis—. Nuestro valor reside en todo lo que rodea a estos modelos: datos, muestreo, cuotas, tablas, pruebas e informes.
¿Por qué no le hacemos la pregunta directamente a un LLM?
Si quieres mantener una conversación, hazlo: es rápido y eficaz. Para evaluar la calidad de un servicio de atención al cliente a largo plazo, es necesario plantear la misma pregunta a una muestra adecuada, siguiendo las mismas reglas y con una prueba para cada respuesta; a continuación, hay que agregar los resultados y compararlos entre equipos, centros y periodos. Se trata de un sistema, no de una pregunta.
¿Qué ocurre cuando sale al mercado un modelo mejor?
Lo conectamos a través de nuestros conectores de IA, lo calibramos según vuestras tablas y comprobamos que no altere vuestros resultados por motivos erróneos. Vuestros puntos de referencia, vuestras cuotas y vuestro historial no cambian: eso es precisamente lo que hace que el cambio de modelo sea indoloro.
¿Puede un agente de IA autónomo sustituir a una herramienta de Quality Monitoring ?
Tomará algunas de las decisiones básicas —analizar una conversación, proponer una nota, poner en marcha una acción—. Pero siempre necesitará políticas, límites, pruebas y una métrica agregada para que sus decisiones sigan siendo coherentes a escala de la organización. Eso es lo que le aporta CrossCX .
Hablemos de tu « Quality Monitoring » en la era de los LLM
Descubre cómo CrossCX transforma los análisis de los modelos en una medida fiable, comparable y útil de la calidad de tus interacciones.
