La atención al cliente con IA se enfrenta a un problema humano
Pasajeros de Norse Atlantic Airways denunciaron el 31 de marzo que vuelos cancelados, páginas de reembolso inoperantes y la dificultad para contactar a una persona convirtieron problemas de servicio rutinarios en travesías costosas. Este caso es relevante porque la atención al cliente con IA puede aumentar la disponibilidad y reducir los costos de gestión, pero también puede incrementar el riesgo de fraude y dañar la confianza cuando desaparecen los canales de escalada. Según el reportaje de WIRED sobre las quejas contra Norse, el patrón se repitió en testimonios de pasajeros, registros de quejas ante la FTC y declaraciones de la aerolínea y sus proveedores.
La pila de soporte con IA de Norse chocó con un problema de confianza
El reportaje comienza con un fallo sencillo: un pasajero recibe aviso de que su reserva de ida y vuelta a Roma por 940 dólares ha sido cancelada, pero no logra que cargue el flujo de reembolso en varios navegadores y dispositivos. Eso por sí solo no es inusual en operaciones digitales. Lo que hizo notable el incidente fue la ausencia de una alternativa humana evidente.
WIRED obtuvo unas 75 quejas mediante una solicitud de registros públicos a la Federal Trade Commission, de las cuales 41 incluían una cifra en dólares y 21 reclamaban pérdidas superiores a 1.000 dólares. En términos operativos, este es el punto en que la atención al cliente con IA deja de medirse por la desviación de tickets y empieza a medirse por la contención de fallos. Un recorrido de soporte que funciona para preguntas rutinarias pero se rompe con reembolsos, cambios y excepciones genera un perfil de riesgo muy distinto.
Norse dijo a WIRED que la tecnología ayudaría a ofrecer mayor disponibilidad manteniendo tarifas bajas. Esa lógica es estándar en aerolíneas y otros operadores de alto volumen. El problema es que disponibilidad no es lo mismo que resolución, especialmente cuando los pasajeros necesitan una decisión inmediata sobre dinero, cambios de itinerario o verificación de identidad.
Por qué un modelo de soporte primero en IA puede crear un vacío
El mercado ha aceptado en gran medida los agentes de soporte con IA como primera capa de atención. La pregunta pendiente es qué ocurre cuando los usuarios no ven la segunda capa.
En el caso de Norse, varios pasajeros buscaron supuestamente un número de teléfono en línea tras el fracaso de los canales oficiales o su aparente limitación. Dieciocho quejas ante la FTC afirmaron explícitamente que la persona fue estafada tras encontrar números o páginas de soporte no oficiales en los resultados de búsqueda. Esta es una lección operativa poco obvia pero importante: cuando una empresa elimina las opciones de contacto humano visibles, no elimina la demanda de ellas. Solo la desplaza hacia búsquedas, foros y páginas de terceros, donde los estafadores pueden interceptarla.
Por eso el diseño del soporte debe tratarse en parte como diseño de superficie de búsqueda. Si el sitio oficial no presenta un camino claro para casos urgentes, los usuarios crearán su propio camino. En el sector de viajes, donde los cambios de itinerario pueden ser urgentes y emotivos, esa improvisación ocurre rápido. Los hilos de discusión en Reddit y sitios de quejas se convierten entonces en extensiones no oficiales de la experiencia de soporte.
También existe un problema de métricas. Un sistema puede reportar altas tasas de automatización mientras sigue fallando en los casos que más importan para la confianza en la marca. Una cuota de consultas automatizadas del 80 o 99 por ciento suena eficiente. Dice mucho menos sobre el 1 al 20 por ciento de interacciones que involucran reembolsos, cancelaciones, preocupaciones de fraude o casos límite de reembolsos.
Los operadores que intentan evitar esa brecha suelen necesitar dos cosas: una regla de escalada humana visible y una capa operativa que audite continuamente dónde la automatización ayuda y dónde agrega fricción silenciosamente. Ese es el papel práctico de la automatización de mesa de ayuda con IA cuando se implementa correctamente: no reemplazar la escalada, sino estructurarla.
Lo que revela la cronología de proveedores de Norse
El reportaje original ofrece una cronología útil sobre cómo evolucionó la atención al cliente con IA dentro de la pila de una aerolínea. Al principio, Norse usó tecnología de Sprinklr para unificar las consultas de atención al cliente. En enero de 2025, Kindly describió cómo construyó el chatbot Odin y afirmó que la aerolínea eliminó el correo electrónico de atención al cliente de su página de soporte para convertir al bot en el canal principal.
Para enero de 2026, Delight.ai indicó que Norse había reemplazado ese chatbot con Freya. El proveedor reportó que la resolución de consultas sin intervención humana pasó del 60 al 80 por ciento en dos semanas. Alf Lim, director de producto de Norse, agregó en el caso de estudio del proveedor que el futuro equipo de atención al cliente estaría compuesto por gestores de agentes de IA que optimizan e intervienen cuando se requiere el toque humano.
Esa es una dirección conocida en la industria. El equipo de soporte no desaparece; cambia de forma. Pero el ejemplo de Norse sugiere un problema de secuencia. Si el sistema escala la cobertura automatizada más rápido de lo que escala las reglas claras de traspaso, los casos límite se convierten en fallos visibles para el cliente. La cita del director de atención al cliente y comunicaciones de Norse es reveladora aquí: la tecnología, dijo, crearía un mayor nivel de disponibilidad. La disponibilidad mejoró. La disputa está en si esa disponibilidad siguió siendo usable cuando el caso salió del camino feliz.
El caso de negocio para el soporte con IA es real, pero incompleto
Nada de esto significa que la atención al cliente con IA sea una mala apuesta. De hecho, la razón comercial es directa. Las aerolíneas reciben grandes volúmenes de preguntas repetitivas sobre equipaje, embarque, estado de reservas y consultas de políticas. Los agentes conversacionales de IA son muy adecuados para esas tareas, especialmente cuando la demanda supera las horas con personal.
La limitación es que la economía del soporte no se determina solo por el tiempo promedio de gestión. También se determina por la gestión de excepciones. Un formulario de reembolso que no carga, un itinerario que requiere intervención manual o un viajero angustiado buscando asistencia urgente pueden borrar las ganancias de eficiencia rápidamente si el sistema los empuja a contactos repetidos, quejas, contracargos o estafas.
Por eso las métricas de los proveedores necesitan interpretación. Un aumento reportado del 60 al 80 por ciento en resolución autónoma puede ser operativamente significativo. También puede ocultar un riesgo de concentración si el 20 por ciento no resuelto incluye los viajes más sensibles. El trabajo de McKinsey sobre IA en atención al cliente ha señalado repetidamente el valor de la automatización en soporte de alto volumen, pero los programas más sólidos mantienen a los humanos en el circuito para excepciones complejas en lugar de tratarlos como una capa residual.
El mercado más amplio se está dividiendo en dos líneas. Un grupo usa agentes de IA personalizados para comprimir costos de soporte agresivamente. El otro rediseña las operaciones de servicio en torno a agentes de automatización con IA más puntos de control humanos explícitos. El segundo modelo suele parecer menos eficiente sobre el papel y más resiliente cuando algo se rompe.
Qué deben replicar los operadores de este caso
Tres lecciones prácticas destacan para aerolíneas, marcas de viajes y cualquier equipo que despliegue agentes de soporte con IA a escala.
Primera, la escalada humana debe ser obvia antes de que el cliente la necesite. Si un caso involucra movimiento de dinero, cancelación, discrepancia de identidad o fraude sospechoso, el usuario no debería tener que adivinar si puede contactar a una persona.
Segunda, los líderes de soporte deben auditar la exposición en búsquedas, no solo la contención del chatbot. Si los clientes buscan frecuentemente un número de teléfono o frases de ayuda urgente, la empresa necesita páginas oficiales que rankeen y enruten de forma segura. De lo contrario, los estafadores llenarán el vacío.
Tercera, las revisiones semanales de soporte deben separar las victorias rutinarias de automatización de las rutas de fallo de alta gravedad. Mirar solo las tasas de autoservicio o el éxito sin intervención humana puede ocultar las interacciones exactas que generan quejas y daño reputacional.
Lo que hay que observar no es si las aerolíneas siguen adoptando la atención al cliente con IA; lo harán. La pregunta más importante es si los operadores reconstruyen el traspaso humano con la misma seriedad que aplican a las tasas de automatización. El caso de Norse sugiere que en 2026, la verdadera diferencia competitiva no está en quién tiene más IA en soporte, sino en quién hace que los casos límite sean más seguros.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation