Descubrir por qué los clientes siguen llamando, con IA generativa
Una importante aerolínea de EE. UU. había invertido mucho en su sitio web y su app, pero los clientes seguían llamando por cosas que podían hacer por su cuenta, y los equipos de mantenimiento tenían problemas recurrentes de aeronaves enterrados en miles de transcripciones de llamadas. Los informes por palabras clave no podían explicar por qué. Construimos un pipeline de IA generativa en Amazon Bedrock que lee cada transcripción de Amazon Connect. Clasifica cada llamada en categorías, extrae números de vuelo, estaciones y componentes de aeronaves, encuentra la causa raíz y recomienda una siguiente acción. Cada línea de negocio tiene su propio panel.
- −19%
- llamadas por tareas que podían resolverse en autoservicio
- 94%
- precisión en la extracción, antes ~70%
- <30 min
- informes de mantenimiento, antes 1–2 semanas
- 3 meses
- hasta producción
- Una aerolínea usó Amazon Bedrock (Nova Pro) para descubrir por qué siguen llamando los clientes, a partir de cada transcripción de Amazon Connect.
- 19% menos llamadas por tareas que podían resolverse en autoservicio.
- Problemas de mantenimiento reportados en menos de 30 minutos en lugar de 1–2 semanas.
- Las llamadas evitables bajaron un 19%, al corregir lo que hacía llamar a los clientes.
- Tendencias de mantenimiento visibles en minutos, no en semanas.
- En producción en tres meses.
- Un panel por línea de negocio con categorías, causas raíz y siguientes acciones.
- Los equipos del negocio pueden ajustar ellos mismos las categorías de la IA.
- Textos del sitio web y de la app corregidos a partir de conversaciones reales.
- Connect y el análisis conversacional hacia Kinesis, S3, EventBridge y Lambda, y luego Bedrock Nova Pro.
- Nova Pro comparado con Nova Micro y Claude en 20,000 transcripciones.
- Resultados en Aurora PostgreSQL y Snowflake; prompts por línea de negocio, ocultamiento de datos personales y barreras de protección.
De una llamada a un insight, en minutos
A la izquierda, la transcripción de una llamada. A la derecha, lo que encuentra Amazon Bedrock (Nova Pro) en ella: categoría, causa raíz, vuelos o piezas de aeronaves y la siguiente acción, más cómo cambian los motivos de llamada del día. Elija una llamada para ver cada uno.
- Termina la llamada
- Transcripción enviada
- La IA la lee
- Guardado
- En el panel
- Tema
- —
- Detalle
- —
- Por qué llamó
- —
- Datos clave
- —
- Qué corregir
- —
- Llamadas analizadas
- 1,284
- Tiempo hasta el informe
- —
- Datos correctos
- 94%
- Enviado a
- …
Transcripciones ilustrativas. Las personas que llaman, las matrículas y los conteos son ficticios, pero el flujo sigue el diseño en producción. Las transcripciones de Amazon Connect y el análisis conversacional pasan en streaming por Kinesis y S3, Amazon Bedrock (Nova Pro) las analiza y cada línea de negocio ve los resultados en su propio panel.
El desafío
El autoservicio existía, pero las llamadas seguían llegando. “Hacer una reservación” era una intención común, pero nadie veía que la gente abandonaba el sitio web en las reservas de grupos grandes, o porque las reglas del crédito de viaje eran confusas. El análisis conversacional daba intenciones y sentimiento, no causas raíz ni qué hacer al respecto.
En el lado operativo, las llamadas de control de mantenimiento mencionaban una y otra vez las mismas aeronaves y componentes, pero el patrón estaba en transcripciones no estructuradas. Revisarlas a mano tomaba una a dos semanas, mucho después del momento de actuar.
La aerolínea quería saber por qué llama la gente, corregir lo que genera las llamadas evitables y detectar problemas operativos recurrentes mientras todavía importan, en cada línea de negocio.
Qué hizo diferente este proyecto
El análisis conversacional le dice qué se dijo. Esto le dice por qué, y qué cambiar.
- 20,000
transcripciones de llamadas reales usadas para elegir el modelo de IA.
Nova Pro fue elegido frente a Nova Micro y Claude por su precisión al mejor costo por transcripción, medido con las propias llamadas de la aerolínea.
- 94%
de los datos de vuelos y piezas de aeronaves extraídos correctamente.
Desde alrededor del 70% a mano, así los equipos de mantenimiento pueden confiar en las tendencias.
Instrucciones de IA separadas para cada equipo, en lugar de unas para todos.
Mantenimiento, tripulaciones, equipaje y servicio al cliente hablan distinto. Un solo prompt daba categorías inconsistentes; los prompts por equipo lo resolvieron.
Metas de éxito acordadas antes del primer sprint.
Al menos 15% menos llamadas repetidas, 90% de precisión en la extracción e informes en menos de una hora, acordados antes del primer sprint.
Qué cambió
- Por qué llama la genteAntes: Solo intenciones y sentimientoDespués: Categorías, subcategorías y causas raíz para cada llamada
- Qué hacerAntes: Los equipos adivinaban a partir de resúmenesDespués: Una siguiente acción recomendada para los equipos digitales y de operaciones
- Llamadas evitablesAntes: Los clientes llamaban por tareas de autoservicioDespués: 19% menos llamadas por tareas que podían resolverse en autoservicio
- Aeronaves y vuelosAntes: Extraído a mano, con alrededor del 70% de precisiónDespués: Extraído con IA, con 94% de precisión
- Informes de mantenimientoAntes: Con 1–2 semanas de atrasoDespués: Menos de 30 minutos
- PanelesAntes: Informes estándar de ConnectDespués: Un panel por línea de negocio, más gestión de la configuración de la IA
- Elección del modeloAntes: Sin comparaciónDespués: Nova Pro elegido frente a Nova Micro y Claude con 20,000 transcripciones reales
- IA responsableAntes: —Después: Barreras de protección, ocultamiento de datos personales y revisión humana
Pase el cursor o toque un recuadro para ver qué reemplazó.
Menos llamadas evitables, y problemas encontrados en minutos.
Los criterios de aceptación se definieron desde el inicio: al menos 15% menos llamadas repetidas, al menos 90% de precisión en la extracción e informes en menos de una hora. Se superaron los tres.
- Llamadas por tareas que podían resolverse en autoservicioAntesLínea baseDespués−19%
- Precisión en la extracción de vuelos y componentesAntes~70% manualDespués94% con IA
- Retraso de los informes de mantenimientoAntes1–2 semanasDespués<30 min
Según lo reportado para el proyecto en producción; las llamadas repetidas se midieron en tareas que podían resolverse en autoservicio.
Cómo una llamada se convierte en un insight
Cada llamada se analiza a minutos de terminar. Los equipos del negocio ven el patrón, no solo la llamada.
- 01 · LlamadaTermina una llamadaAmazon Connect y el análisis conversacional generan la transcripción y el registro de contacto.
- 02 · StreamingAl pipelineKinesis la envía en streaming a S3; EventBridge inicia el flujo de trabajo de Lambda.
- 03 · AnalizarNova Pro la leeCategoría, subcategoría, causa raíz y siguiente acción, más vuelos, estaciones y componentes de aeronaves.
- 04 · GuardarResultados estructuradosEn Aurora PostgreSQL para el escritorio del agente y en Snowflake para los informes corporativos.
- Corrección del autoservicio
- Corrección del contenido
- Tendencia de mantenimiento
- Brecha en el proceso
- 05 · ActuarEn el panelCada línea de negocio ve sus tendencias y las acciones recomendadas.
Cómo lo hicimos
- 1Datos y pipelineSprint 1: preparación de los datos, el pipeline de Kinesis a S3 y los primeros prompts.
- 2Comparar modelosSprint 2: Nova Pro, Nova Micro y Claude comparados en 20,000 transcripciones por calidad, costo y latencia.
- 3IntegrarSprint 3: resultados enviados a la base de datos del escritorio del agente y a los paneles de cada línea de negocio.
- 4Comprobar y poner en producciónSprint 4: UAT, validación de los KPI contra los criterios de aceptación y paso a producción.
- 5EstabilizarNoventa días ajustando prompts, categorías y capacidad de procesamiento en producción.
El resultado
- 19% menos llamadas por tareas que los clientes podían hacer por su cuenta
- Extracción de vuelos, estaciones y componentes de aeronaves con 94% de precisión, desde alrededor del 70% a mano
- El retraso de los informes de control de mantenimiento bajó de 1–2 semanas a menos de 30 minutos
- Causas raíz y mejores acciones siguientes para los equipos digitales y de operaciones
- Un panel para cada línea de negocio, con categorías de IA que los equipos del negocio pueden configurar
- Entregado en tres meses, seguido de 90 días de estabilización
- Centro de contacto
- Amazon Connect
- Transcripciones del análisis conversacional
- Registros de contacto
- IA
- Amazon Bedrock
- Amazon Nova Pro
- Pipeline
- Amazon Kinesis
- Amazon S3
- Amazon EventBridge
- AWS Lambda
- Datos
- Amazon Aurora PostgreSQL
- Snowflake
- Insights
- Paneles por línea de negocio
- Gestión de la configuración de la IA
Cuatro lecciones. Un solo prompt para todos los equipos no funciona; cada línea de negocio necesita el suyo. El análisis de transcripciones necesita un pipeline basado en eventos, preparado para picos. Los modelos generales necesitan contexto de aviación para leer bien las conversaciones de mantenimiento. Y los insights solo importan si los equipos pueden actuar con ellos, por eso cada línea de negocio recibió su propio panel y la capacidad de ajustar las categorías.
Un socio validado por AWS, justo en este tipo de trabajo.
- AWS Advanced Tier Services PartnerReconocido por AWS por su historial de entregas, su personal certificado y los resultados de sus clientes.
- AWS Migration Services CompetencyValidado por AWS para migrar y modernizar cargas de trabajo en AWS a gran escala.
- Amazon Connect Delivery PartnerValidado por AWS para implementar Amazon Connect, incluidas migraciones desde Avaya, Genesys, Cisco y otras plataformas.
- AWS AI Services CompetencyValidado por AWS para incorporar IA en productos reales, incluido el centro de contacto.
- Socio de AWS Experience-Based Acceleration (EBA)Realizamos proyectos EBA con AWS para acelerar migraciones con sprints prácticos y de duración definida.
- Certificación ISO/IEC 27001Nuestro sistema de gestión de seguridad de la información está certificado de forma independiente según la norma internacional.
- SOC 2 Type IIAuditores independientes han evaluado nuestros controles de seguridad a lo largo del tiempo, no solo en un momento puntual.
Más trabajos
Todos los casos de éxito →- Amazon Connect
- Amazon Lex
- AWS Lambda
- Amazon Connect
- Flujos de contacto
- AWS Lambda
- Amazon EKS
- Amazon Kinesis
- Amazon DynamoDB








