Tutorial: Clasificación y Respuesta de Tickets de Soporte

INTRO

El problema que resuelve este flujo

Necesito que el 60% de los tickets de soporte se resuelvan solos, sin que mi equipo intervenga. Ahora mismo están respondiendo manualmente preguntas que se repiten cada semana.

Zendesk/Freshdesk (nuevo ticket)

→

ChatGPT clasifica y genera respuesta

→

Si confianza >90%: respuesta automática; si <90%: borrador para agente humano

Impacto esperado: Resuelve automáticamente el 60% de tickets, liberando al equipo para casos complejos.

Coste estimado: ~15-30€/mes

⚠ Transferencia internacional de datos: Este flujo combina herramientas con diferente nivel de garantía. ChatGPT (OpenAI) procesa datos en EE.UU. mediante CCT/SCCs — sin DPA firmado, no introduzcas datos personales ni confidenciales en ChatGPT. Make/Zapier tienen EU-U.S. Data Privacy Framework. Verifica con tu departamento legal qué datos pueden fluir por cada herramienta.

PASO 1

Zendesk/Freshdesk — Detectar nuevos tickets

Make se conecta a tu plataforma de soporte y procesa cada nuevo ticket en tiempo real.

1
Si usas Zendesk: añade el módulo Zendesk → Watch Tickets como trigger. Conecta tu cuenta Zendesk con la API key (Zendesk Admin → Apps and Integrations → Zendesk API → API (Application Programming Interface (Interfaz de Programación de Aplicaciones)) token).
2
Si usas Freshdesk: añade el módulo Freshdesk → Watch Tickets. Configura el filtro para tickets con estado "Open" y prioridad "Normal" o superior.
3
Si usas otro sistema: configura un webhook en tu plataforma de soporte para enviar los nuevos tickets a Make. Usa el módulo Webhooks → Custom Webhook.
4
Verifica que el trigger captura: ID del ticket, asunto, descripción, email del cliente, canal de origen (email, chat, teléfono) y prioridad.
5
Ejecuta el módulo manualmente para verificar que detecta los últimos tickets recibidos.

PASO 2

ChatGPT — Clasificar y generar respuesta

ChatGPT clasifica el ticket por categoría y urgencia, y genera una respuesta personalizada basada en la base de conocimiento de tu empresa.

1
Añade el módulo OpenAI → Create a Chat Completion con gpt-4o-mini (suficiente para clasificación y respuestas estándar; usa gpt-4o para tickets técnicos complejos).
2
En el prompt, incluye: el contenido del ticket, las categorías de clasificación de tu empresa (facturación, soporte técnico, devoluciones, información general, etc.) y los fragmentos relevantes de tu base de conocimiento (FAQ (Frequently Asked Questions (Preguntas Frecuentes)), procedimientos, políticas).
3
Pide la respuesta en JSON: {"categoria": "...", "urgencia": "alta|media|baja", "confianza": 0.0-1.0, "respuesta": "texto de respuesta al cliente", "requiere_humano": true|false, "motivo_humano": "..."}.
4
El campo confianza es clave: si es ≥0.90, la respuesta se envía automáticamente; si es <0.90, se crea un borrador para revisión del agente.
5
Añade el módulo JSON → Parse JSON para extraer los campos individuales.

Base de conocimiento

La calidad de las respuestas automáticas depende directamente de la calidad de la base de conocimiento que incluyas en el prompt. Dedica tiempo a documentar las 20 preguntas más frecuentes con sus respuestas correctas antes de activar el flujo.

PASO 3

Zendesk — Responder o crear borrador según confianza

Make aplica la lógica de enrutamiento: respuesta automática si la confianza es alta, borrador para revisión si es baja, escalado al equipo si requiere intervención humana.

1
Añade un módulo Router con tres rutas: 1) confianza ≥0.90 → respuesta automática, 2) confianza 0.70-0.89 → borrador para agente, 3) confianza <0.70 o requiere_humano=true → escalado.
2
Ruta 1 (automática): módulo Zendesk → Create a Ticket Reply con la respuesta de ChatGPT. Cambia el estado del ticket a "Solved".
3
Ruta 2 (borrador): módulo Zendesk → Update a Ticket para añadir una nota interna con el borrador de ChatGPT. El agente lo revisa y envía con un clic.
4
Ruta 3 (escalado): módulo Zendesk → Update a Ticket para asignar el ticket al agente especializado correspondiente según la categoría. Añade una nota interna con el análisis de ChatGPT.
5
Activa el escenario y procesa 20 tickets reales de prueba. Verifica que el umbral de confianza está bien calibrado antes de activar el modo automático.

Monitorización

Durante las primeras 2 semanas, revisa diariamente los tickets respondidos automáticamente. Si detectas respuestas incorrectas, ajusta el prompt o sube el umbral de confianza. La precisión del sistema mejora con el tiempo a medida que refinas la base de conocimiento.

COSTES

Costes y ROI estimado

Herramienta	Coste mensual	Notas
Make	~15-30€/mes	Coste principal del flujo
ChatGPT (alternativa)	Variable	Sin automatización, uso manual del prompt
Total estimado	~15-30€/mes

ROI: Resuelve automáticamente el 60% de tickets, liberando al equipo para casos complejos.

Alternativa sin automatización

Si no quieres configurar la automatización completa, puedes usar ChatGPT ejecutando el prompt manualmente. Obtendrás el mismo resultado, pero sin la ejecución automática periódica.

ERRORES

Resolución de errores frecuentes

!
ChatGPT responde incorrectamente a preguntas de facturación — Las preguntas de facturación requieren acceso a datos del cliente (número de pedido, importe, fecha). Añade una integración con tu sistema de facturación para que Make pueda incluir los datos del cliente en el prompt.
!
El umbral de confianza genera demasiados borradores — Si más del 50% de los tickets van a revisión humana, el prompt no está suficientemente detallado. Añade más ejemplos de tickets resueltos correctamente (few-shot) y amplía la base de conocimiento.
!
Zendesk rechaza la respuesta automática por formato — Zendesk requiere texto plano o HTML básico en las respuestas. Si ChatGPT genera Markdown, añade un módulo de conversión antes del módulo Zendesk.

Modo fallo

Si el flujo falla, el ticket permanece abierto sin respuesta automática. El equipo de soporte puede gestionarlo manualmente. Zendesk envía la notificación estándar de acuse de recibo al cliente.

Cómo desactivarlo

Desactiva el toggle del escenario en Make. Los tickets siguen llegando a Zendesk normalmente sin procesamiento automático.

PROMPT

Prompt completo del módulo IA

Copia este prompt en el módulo de IA de tu flujo. Sustituye los valores entre llaves {} por los datos reales de tu organización.

Contexto: Soy director de atención al cliente o de operaciones de una empresa con un volumen de tickets de soporte de 50-500 al día. El equipo pierde tiempo clasificando manualmente y respondiendo preguntas repetitivas que podrían resolverse automáticamente. Necesito un primer nivel de triaje inteligente que libere a los agentes para los casos que realmente requieren intervención humana. Rol: Actúa como sistema de triaje de soporte de primer nivel. Tu función es clasificar el ticket con precisión, resolver automáticamente los que tienen respuesta en la base de conocimiento, y preparar el contexto necesario para que el agente humano resuelva el resto en el menor tiempo posible. Ejemplo: Para el ticket "Hola, quiero saber cómo cambiar mi contraseña porque no recuerdo la anterior", la clasificación es "Pregunta FAQ" y la respuesta automática debe ser completa y funcional: "Para restablecer tu contraseña: 1) Ve a [URL de login], 2) Haz clic en '¿Olvidaste tu contraseña?', 3) Introduce tu email registrado, 4) Recibirás un enlace en menos de 5 minutos. Si no lo recibes, revisa la carpeta de spam o escríbenos de nuevo." No escales este ticket a un agente humano. Acción: Ticket recibido: "{texto_ticket}" Canal: {canal} | Idioma: {idioma} | Historial del cliente: {historial_cliente} Base de conocimiento disponible: {base_conocimiento} Procesa el ticket con: 1. CLASIFICACIÓN: [Pregunta FAQ / Bug técnico / Solicitud de feature / Queja / Reclamación económica / Otro] 2. NIVEL DE PRIORIDAD: [CRÍTICO / ALTO / NORMAL / BAJO] con justificación 3. ACCIÓN AUTOMÁTICA O ESCALADO: - Si es "Pregunta FAQ": genera la respuesta completa y funcional basada en la base de conocimiento - Si es cualquier otra categoría: resumen de 2 líneas del problema para el agente, departamento al que escalar y contexto relevante del historial del cliente 4. TIEMPO DE RESPUESTA RECOMENDADO: según la prioridad y el SLA (Service Level Agreement (Acuerdo de Nivel de Servicio)) del canal Tono: Para la respuesta al cliente — empático, claro y resolutivo. Para el agente — técnico y directo. RESTRICCIONES: No inventes información que no esté en la base de conocimiento. Si no tienes la respuesta, escala al agente con honestidad. No compartas datos de otros clientes en la respuesta.

¿Quieres explorar más recursos del programa?

Automatización · Make

Explorar más flujos de automatización

Descubre los 25 flujos de automatización No-Code del programa para directivos.

Biblioteca completa

Ver todos los tutoriales

Explora los 132 tutoriales del programa organizados por herramienta, función y nivel de dificultad.

← Volver al Explorador de Flujos

Alternativa segura

¿Puedo hacer esto sin que mis datos salgan de la empresa?

Sí. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estratégica o regulada, son candidatos óptimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuración, ningún dato abandona nunca los servidores de tu organización y el modelo no puede ser entrenado con tu información.

🤖

Modelos recomendados

Llama 3.3 70B — Ideal para análisis de documentos largos y generación de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extracción de información y clasificación con alta precisión.

Qwen 2.5 72B — Especialmente potente para análisis de datos tabulares y financieros.

⚙️

Plataformas de despliegue

Ollama — Para equipos pequeños o uso individual en hardware propio (Mac M-series, workstation con GPU).

vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.

LM Studio — Para pruebas y uso individual sin configuración de servidor.

🖥️

Infraestructura mínima

Para un modelo de 70B parámetros en producción:

GPU: 2× NVIDIA A100 40GB o 4× RTX 4090 (24GB VRAM cada una).

RAM: 128GB mínimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada.

🔒 Garantía de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu información, no hay transferencia internacional de datos (elimina el riesgo de transferencias a EE.UU. bajo el RGPD) y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

¿Necesitas implementar esta solución en tu organización?

La configuración de modelos open source on-premises requiere un proveedor técnico especializado que conozca tanto la tecnología como los requisitos de cumplimiento normativo. Emovere puede ayudarte a desplegar esta solución en tu infraestructura de forma segura, con garantías legales y sin que tus datos salgan nunca de tu organización.

✉ Contactar con Emovere Conocer Emovere →