Clase 21.11 — IA en customer success#

Clase 11 de 14 de la parte 21 — IA aplicada a marketing, ventas y servicio, de nivel IA y expansión. Dura unos 150 minutos.

🚦 Antes de empezar#

Vienes de la clase 21.10, Inteligencia de conversaciones: ten a mano su entregable, porque esta sesión lo retoma y lo lleva más lejos.

Trabajarás sobre el caso de la clase. Si prefieres usar datos de tu organización, lo mínimo que necesitas es una serie histórica de precisión de la predicción de baja con la que calcular una línea base: sin ella podrás discutir el concepto, pero no comprobar si tu decisión mejora algo. Ten también dónde escribir —planilla o cuaderno— y, de la lectura comparada, al menos el índice y los capítulos que se indican al pie.

Calcula 150 minutos de trabajo dirigido más una hora de lectura selectiva. Sabrás que terminaste cuando exista el entregable y puedas responder las seis preguntas de comprobación sin volver al texto; si tienes el entregable pero no las respuestas, lo que produjiste es un documento, no un criterio.

Lee el propósito y la agenda antes que el desarrollo. La agenda dice qué debe salir de cada tramo, y el desarrollo se entiende mejor cuando ya sabes qué artefacto tiene que producir. No avances de sección sin escribir algo: este material está hecho para dejar decisiones documentadas, no notas de lectura.

La idea que ordena la sesión. El puntaje de salud construido con uso, resultado y relación, validado contra bajas — Nick Mehta, Dan Steinman y Lincoln Murphy. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

En éxito de cliente la IA se usa para predecir riesgo de baja, priorizar cartera y asistir respuestas. Su riesgo específico es la automatización de la empatía: responder con un sistema las consultas de un cliente frustrado suele empeorar la situación. La regla práctica es automatizar el diagnóstico y la priorización, y mantener humana la conversación difícil.

El material se ordena alrededor de una pregunta que un comité comercial haría en voz alta. La parte 21 busca usar IA como capacidad operativa con evaluación, control y responsabilidad humana; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre IA en customer success termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

Pregunta rectora de la parte: ¿Qué tarea mejora con IA, cómo sé que mejora y quién responde cuando falla?

Los conceptos que estructuran la sesión son predicción de riesgo, priorización de cartera, automatización de la respuesta y momento de escalamiento. No se estudian como lista de vocabulario: cada uno debe producir una predicción distinta sobre lo que ocurriría en la operación.

📚 Resultados de aprendizaje#

Al terminar esta clase serás capaz de:

Distinguir predicción de riesgo, priorización de cartera, automatización de la respuesta y momento de escalamiento por sus observables y no por su definición memorizada.
Explicar por qué esas distinciones cambian una decisión concreta dentro de IA aplicada a marketing, ventas y servicio.
Aplicar la secuencia usar modelos para predecir y priorizar → definir el momento de escalamiento a una persona → mantener humana la conversación de riesgo o reclamo → medir efecto en retención y en satisfacción → revisar los casos escalados para corregir el diseño conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar precisión de la predicción de baja, tasa de escalamiento a persona y satisfacción por tipo de atención indicando numerador, denominador, ventana, fuente y uso permitido.
Resolver el caso con al menos dos opciones defendibles y un criterio explícito de detención.
Contrastar dos obras de la lectura comparada y señalar dónde entregan recomendaciones distintas.

🧭 Agenda sugerida (150 minutos)#

Tramo	Foco	Evidencia de avance
0–15 min	Recuperación	Define predicción de riesgo y priorización de cartera sin mirar el material; corrige después con la tabla de conceptos.
15–45 min	Núcleo conceptual	Lectura del desarrollo y construcción de la tabla `hecho / inferencia / supuesto`.
45–75 min	Medición	Ficha de la señal precisión de la predicción de baja: fórmula, fuente, ventana y lectura prohibida.
75–110 min	Ejemplo trabajado	Recorrido de los 5 pasos del método sobre el caso de la clase.
110–140 min	Caso ejecutivo	Dos alternativas, trade-offs, recomendación y señal de detención.
140–150 min	Cierre	Entregable, preguntas de comprobación y registro de lo que aún no sabes.

🧩 Conceptos centrales#

Concepto	Definición operacional	Cómo demostrar que lo entendiste
predicción de riesgo	estimación automatizada de la probabilidad de baja de una cuenta	Da un hecho compatible con la definición y otro que la refute.
priorización de cartera	ordenamiento de cuentas por riesgo y valor para asignar atención	Explica qué decisión cambiaría si el concepto estuviera ausente.
automatización de la respuesta	sustitución de la interacción humana por un sistema	Construye un caso límite donde el concepto se confunde con el anterior.
momento de escalamiento	condición que obliga a que una persona tome la conversación	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.

Una definición que no produce predicciones observables sigue siendo demasiado vaga para dirigir. Si dos personas del equipo aplican la misma definición a un caso y clasifican distinto, la definición todavía no es operacional.

🧠 Modelo mental#

1. usar modelos para predecir y priorizar → 2. definir el momento de escalamiento a una persona → 3. mantener humana la conversación de riesgo o reclamo → 4. medir efecto en retención y en satisfacción → 5. revisar los casos escalados para corregir el diseño

La secuencia no es un ritual: cada paso reduce una incertidumbre distinta y produce un artefacto revisable. Saltarse un paso no acelera la decisión, sólo traslada el error a una etapa donde corregirlo cuesta más caro.

Frontera de aplicación. Un modelo predictivo sin capacidad de intervención sólo anticipa la pérdida. La predicción debe estar acompañada de una acción posible y de capacidad para ejecutarla.

📖 Desarrollo#

1. Predicción de riesgo: mecanismo central#

Predicción de riesgo se entiende aquí como estimación automatizada de la probabilidad de baja de una cuenta.

Aplicar modelos predictivos al éxito de cliente permite anticipar riesgo de baja y priorizar la atención. Su utilidad depende de dos condiciones: que la predicción llegue con tiempo suficiente para intervenir y que exista una intervención disponible. Un modelo que predice bien lo inevitable no aporta nada.

De dónde viene esta afirmación. Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016) aporta la idea que sostiene este bloque: el puntaje de salud construido con uso, resultado y relación, validado contra bajas. Búscala en los capítulos sobre health score. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «precisión de la predicción de baja» debería moverse cuando cambie predicción de riesgo, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con priorización de cartera. Si ambos se mueven juntos no concluyas causalidad: nombra una tercera variable capaz de explicar el mismo patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.

2. Priorización de cartera: frontera conceptual y error de clasificación#

Definición operacional: ordenamiento de cuentas por riesgo y valor para asignar atención. Su valor está en distinguirlo de predicción de riesgo.

La priorización de cartera es el uso más valioso: con capacidad limitada, atender primero a quien más lo necesita y donde la intervención puede cambiar el resultado. Eso exige combinar la probabilidad de baja con el valor de la cuenta y con la probabilidad de que la intervención funcione, que es el factor que casi nunca se modela.

Contraste bibliográfico. Matthew Dixon, Nick Toman y Rick DeLisi — The Effortless Experience (2013) aporta aquí una distinción concreta: la resolución del siguiente problema previsible en el mismo contacto (los capítulos sobre resolución anticipada). Formula dos mini-casos: uno que satisface la definición de priorización de cartera y otro que sólo se le parece en la superficie; después decide cuál de los dos describiría esa obra con su propio vocabulario. Si la obra no permite separarlos, la distinción es tuya y tienes que sostenerla con evidencia del caso, no con la cita.

Antes de pasar a «definir el momento de escalamiento a una persona», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Automatización de la respuesta: operacionalización y medición#

Automatización de la respuesta significa sustitución de la interacción humana por un sistema.

La automatización de la respuesta tiene un límite claro: una cuenta en riesgo que recibe un correo automático percibe exactamente lo contrario de lo que la intervención pretendía. La automatización sirve para detectar y para preparar, no para responder en situaciones donde la relación está deteriorada.

Ficha de medición obligatoria para precisión de la predicción de baja: bajas correctamente anticipadas, sobre bajas del periodo. Registra además fuente del dato, frecuencia, responsable, interpretación permitida e interpretación prohibida. Si no existe un dato confiable, la salida correcta no es inventar precisión: es diseñar el mecanismo de captura y declarar la incertidumbre.

Control de lectura. Foster Provost y Tom Fawcett — Data Science for Business (2013) pone una condición sobre la medición: la evaluación contra una línea base y no contra la nada (los capítulos sobre evaluación de modelos). Contrasta tu ficha con ella: si la métrica que acabas de definir cae dentro de lo que esa obra considera un error de medición, corrígela antes de usarla para decidir.

4. Momento de escalamiento: trade-offs y efectos de segundo orden#

Definición: condición que obliga a que una persona tome la conversación.

Confiar más en el modelo libera tiempo de análisis y arriesga desatender cuentas que el modelo clasifica como seguras. Esa profecía autocumplida es un riesgo real: si nadie visita a las cuentas de bajo riesgo, algunas se volverán de alto riesgo sin que el modelo lo detecte hasta tarde.

Lo que aporta la fuente. NIST — AI Risk Management Framework 1.0 (2023) aporta el criterio para pesar el intercambio: las características de un sistema de IA confiable, incluidas trazabilidad y responsabilidad (la sección sobre confiabilidad). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia satisfacción por tipo de atención ayuda a detectar si el intercambio está ocurriendo como se esperaba, pero no elimina la obligación de observar efectos laterales fuera del indicador principal.

Haz un pre-mortem: supón que la opción recomendada fracasó a los seis meses y enumera tres mecanismos que lo expliquen. Al menos uno debe provenir de un efecto de segundo orden asociado a momento de escalamiento y otro de un supuesto del caso que nunca fue validado.

5. Gobernanza, límites y responsabilidad#

La pregunta ejecutiva es siempre la misma: quién decide, quién ejecuta, a quién hay que consultar, qué evidencia queda registrada y qué condición obliga a detener, corregir o escalar. Al ejecutar «revisar los casos escalados para corregir el diseño», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

El momento de escalamiento a una persona debe estar definido: qué nivel de riesgo, qué valor de cuenta o qué tipo de señal obliga a que intervenga alguien con autoridad. Sin esa regla, las situaciones graves se gestionan con el mismo procedimiento automatizado que las rutinarias, y el resultado es previsible.

Frontera declarada. Un modelo predictivo sin capacidad de intervención sólo anticipa la pérdida. La predicción debe estar acompañada de una acción posible y de capacidad para ejecutarla. Conviértela en una regla operativa con el formato si ocurre X → no aplicar automáticamente → consultar, escalar o revalidar.

Esta parte vigila además un riesgo que es obligatorio declarar: Publicar contenido incorrecto a escala, tratar datos personales sin base legal y perder trazabilidad. Se documenta en el entregable con su mitigación y su responsable; no se resuelve en la conversación.

6. Integración: de conceptos a una decisión defendible#

Sintetizar IA en customer success no consiste en sumar definiciones. Empieza por predicción de riesgo, contrasta priorización de cartera con automatización de la respuesta, incorpora momento de escalamiento como restricción y cierra con la medición. Aplica entonces la secuencia completa conservando tres columnas por paso: evidencia utilizada, alternativa descartada y razón del descarte.

Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado. Sin ella, el equipo reescribe la historia después de conocer el desenlace y no aprende nada transferible. Si el análisis no puede nombrar qué pieza sostiene la recomendación, todavía no hay comprensión transferible.

📚 Lectura comparada#

No se pide leer las obras completas. Para cada una se indica qué idea concreta sostiene esta clase, dónde buscarla y qué pregunta esa idea le hace a tu propio diagnóstico. La lectura termina cuando puedes responder esa pregunta con evidencia del caso.

Obra	Idea que sostiene esta clase	Dónde buscarla	Pregunta que le hace a tu diagnóstico
Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016)	El puntaje de salud construido con uso, resultado y relación, validado contra bajas	Los capítulos sobre health score	¿Qué debería observarse en predicción de riesgo si aquí opera «el puntaje de salud construido con uso, resultado y relación, validado contra bajas»? ¿Y qué observación lo desmentiría en este caso?
Matthew Dixon, Nick Toman y Rick DeLisi — The Effortless Experience (2013)	La resolución del siguiente problema previsible en el mismo contacto	Los capítulos sobre resolución anticipada	¿Qué debería observarse en priorización de cartera si aquí opera «la resolución del siguiente problema previsible en el mismo contacto»? ¿Y qué observación lo desmentiría en este caso?
Foster Provost y Tom Fawcett — Data Science for Business (2013)	La evaluación contra una línea base y no contra la nada	Los capítulos sobre evaluación de modelos	¿Qué debería observarse en automatización de la respuesta si aquí opera «la evaluación contra una línea base y no contra la nada»? ¿Y qué observación lo desmentiría en este caso?
NIST — AI Risk Management Framework 1.0 (2023)	Las características de un sistema de IA confiable, incluidas trazabilidad y responsabilidad	La sección sobre confiabilidad	¿Qué debería observarse en momento de escalamiento si aquí opera «las características de un sistema de IA confiable, incluidas trazabilidad y responsabilidad»? ¿Y qué observación lo desmentiría en este caso?

Después de leer, escribe una discrepancia real. Al menos dos de estas obras entregan recomendaciones que no coinciden cuando se aplican al mismo caso; identifica cuáles y qué condición del caso decide a favor de una. Si no encuentras la discrepancia, es señal de que leíste buscando confirmación.

La lectura se evalúa por uso, no por cantidad de páginas. La nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste.

🧮 Ejemplo trabajado#

Situación. El asistente automático de Ruta Andina respondió tres veces con el mismo texto a un cliente que llevaba dos semanas sin poder facturar. El cliente se dio de baja.

Paso 1 — Usar modelos para predecir y priorizar. El equipo escribe primero el supuesto asociado a predicción de riesgo y se prohíbe tratarlo como hecho. Contrasta ese supuesto con precisión de la predicción de baja y anota qué parte del dato todavía no existe. Del paso sale un artefacto revisable y una frase explícita: «cambiaríamos de rumbo si…».

Paso 2 — Definir el momento de escalamiento a una persona. El trabajo aquí es separar lo observado de lo inferido sobre priorización de cartera. La evidencia que ordena la discusión es tasa de escalamiento a persona; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Mantener humana la conversación de riesgo o reclamo. El riesgo de este paso es cerrar demasiado rápido alrededor de automatización de la respuesta. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si satisfacción por tipo de atención logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Medir efecto en retención y en satisfacción. Con momento de escalamiento ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. precisión de la predicción de baja entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Revisar los casos escalados para corregir el diseño. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a predicción de riesgo. tasa de escalamiento a persona se convierte en la señal de seguimiento y se acuerda con qué frecuencia se revisa y quién puede declarar el fracaso sin costo político.

Síntesis. La recomendación termina con responsable, fecha, evidencia de éxito y señal de detención. Omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.

🔀 Comparación de caminos y límites#

Camino	Qué privilegia	Cuándo elegirlo	Riesgo principal
Actuar sobre predicción de riesgo	Estimación automatizada de la probabilidad de baja de una cuenta	Cuando precisión de la predicción de baja es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre priorización de cartera	Ordenamiento de cuentas por riesgo y valor para asignar atención	Cuando la primera explicación no distingue mecanismo ni responsable.	Convertir el concepto en etiqueta y no en intervención.
Experimentar antes de decidir	Aprender antes de comprometer recursos mayores	Cuando la decisión es reversible y la incertidumbre es alta.	Experimentar indefinidamente y no decidir.
Escalar la decisión	Elevar autoridad, especialidad o control legal	Cuando hay compromisos contractuales, datos personales, regulación o irreversibilidad.	Delegar hacia arriba lo que sí correspondía decidir.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre IA en customer success
Analista / especialista	Produce la evidencia, documenta el método y declara los límites del dato.
Jefatura de equipo	Convierte el análisis en prioridad, carga de trabajo y criterio compartido.
Gerencia comercial	Conecta la decisión con presupuesto, capacidad, dependencias y riesgo interáreas; es el nivel donde operan perfiles como Growth manager con IA, RevOps, Marketing manager y Sales enablement.
Dirección comercial (CRO/CMO)	Decide si esto cambia la estrategia de ingresos y qué llega al directorio.
Founder / dueño	Pregunta si la solución reduce dependencia de personas, preserva caja y puede operar como sistema repetible.

Al subir de nivel aumentan las personas, el dinero y las consecuencias que quedan dentro de la decisión. La misma herramienta debe volverse más explícita en evidencia, gobierno y revisión a medida que crece el alcance.

🏢 Caso ejecutivo#

El asistente automático de Ruta Andina respondió tres veces con el mismo texto a un cliente que llevaba dos semanas sin poder facturar. El cliente se dio de baja.

Entrega un decision brief que contenga: (a) hechos y fuentes; (b) hipótesis; (c) dos opciones realmente defendibles; (d) efecto sobre cliente, operación, caja y riesgo; (e) recomendación; (f) la condición que la haría cambiar; (g) responsable y fecha de revisión. Usa al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta.

🧪 Práctica guiada#

Cada paso indica qué hacer, con qué material y cómo saber que está terminado. No avances si la última columna todavía no se cumple: los pasos siguientes suponen el anterior resuelto.

#	Paso	Qué haces	Con qué	Criterio de término
1	Reconstruir los hechos	Vuelca el caso en una tabla `hecho / inferencia / supuesto / decisión` sin agregar información que no esté en el enunciado.	El caso y nada más	Ninguna fila de la columna «hecho» contiene un juicio; cada supuesto tiene un responsable de verificarlo.
2	Ejecutar el método	Recorre la secuencia usar modelos para predecir y priorizar → definir el momento de escalamiento a una persona → mantener humana la conversación de riesgo o reclamo → medir efecto en retención y en satisfacción → revisar los casos escalados para corregir el diseño y adjunta la evidencia usada en cada transición.	La tabla del paso 1	Cada paso deja un artefacto revisable y una alternativa descartada con su razón.
3	Operacionalizar la señal	Construye la ficha de medición de precisión de la predicción de baja; si el dato no existe, diseña cómo obtenerlo y estima cuánto costaría.	Fuentes de datos reales o el diseño de captura	Dos personas del equipo calculan el mismo número con la ficha y llegan al mismo resultado.
4	Atacar tu propia respuesta	Escribe la alternativa que contradice tu preferencia inicial y hazle un pre-mortem a seis meses.	Tu borrador de recomendación	Puedes nombrar el dato concreto que te haría cambiar de opinión.
5	Contrastar con la fuente	Lee la idea anclada de Customer Success y la de The Effortless Experience, y registra una coincidencia y una tensión con tu diagnóstico.	La tabla de lectura comparada	La nota de lectura cita qué idea usaste y qué decisión cambió por ella, o declara que ninguna cambió y por qué.
6	Subir de nivel	Rehaz la decisión desde la dirección comercial: qué cambia al aumentar alcance, dinero e irreversibilidad.	El brief completo	El brief indica qué parte de la decisión ya no corresponde al analista y a quién pasa.

Si te atascas. El bloqueo más común no es de método sino de definición: vuelve a la tabla de conceptos y comprueba que puedes clasificar un caso límite sin dudar. Si dudas, el problema está ahí y no en el paso que estabas ejecutando.

⚠️ Errores frecuentes#

Síntoma	Causa probable	Corrección
Usar predicción de riesgo y priorización de cartera como sinónimos	Se perdió la distinción entre «estimación automatizada de la probabilidad de baja de una cuenta» y «ordenamiento de cuentas por riesgo y valor para asignar atención»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «revisar los casos escalados para corregir el diseño»	Se saltó «usar modelos para predecir y priorizar»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo precisión de la predicción de baja	La métrica local reemplazó al resultado del sistema	Contrástala con satisfacción por tipo de atención y explicita el costo de oportunidad.
Automatizar la conversación con clientes en riesgo	Error específico de esta clase	Define el escalamiento obligatorio a una persona ante señales de frustración o de riesgo.
No fijar revisión	La decisión se vuelve permanente por inercia	Define responsable, fecha, señal de éxito y condición de detención.

❓ Preguntas de comprobación#

Explica la diferencia entre predicción de riesgo y priorización de cartera con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar automatización de la respuesta y qué observación te obligaría a rechazar tu interpretación?
Aplica «usar modelos para predecir y priorizar» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué precisión de la predicción de baja no basta por sí sola para atribuir causalidad?
Compara dos fuentes de la lectura comparada: ¿dónde llevarían a recomendaciones distintas?
¿Qué decisión equivocada se produciría si se ignora este límite: «Un modelo predictivo sin capacidad de intervención sólo anticipa la pérdida. La predicción debe estar acompañada de una acción posible y de capacidad para ejecutarla»?

🗝️ Respuestas orientadoras#

No encontrarás aquí las respuestas: encontrarás qué tiene que contener una respuesta suficiente. Úsalo para autoevaluarte antes de entregar y para corregir a un par.

Pregunta	Una respuesta suficiente contiene
1	Nombra un caso real donde la clasificación cambie la intervención, no sólo la etiqueta. Si el ejemplo funciona igual con los dos conceptos intercambiados, la distinción todavía no está entendida.
2	Dos observaciones concretas: una que confirmaría automatización de la respuesta y otra que te obligaría a abandonarlo. Una respuesta sin condición de refutación no es suficiente.
3	El dato faltante debe ser nombrable y obtenible: qué se mide, quién lo tiene y en cuánto tiempo. «Faltan datos» no cuenta como respuesta.
4	Debes distinguir asociación de causa y proponer al menos una explicación alternativa del mismo movimiento de precisión de la predicción de baja.
5	Identifica la condición del caso que decide entre ambas obras. Basta con que sea una: la respuesta correcta no es «depende», sino «depende de esto, y aquí ocurre así». Ancla el contraste en Customer Success y AI Risk Management Framework 1.0.
6	Describe la decisión equivocada concreta —qué se haría de más o de menos— y quién pagaría el costo. Un límite que no produce una decisión distinta no está operando como límite.

Si tres o más respuestas no alcanzan el criterio, no sigas a la clase siguiente: repite el desarrollo con el caso en la mano. Avanzar con la definición floja es lo que produce, más adelante, decisiones que nadie puede auditar.

🇨🇱 Contexto chileno y cumplimiento#

Riesgo asociado a esta parte: Publicar contenido incorrecto a escala, tratar datos personales sin base legal y perder trazabilidad. Antes de ejecutar cualquier recomendación de esta clase en una operación real, comprueba la norma en su texto vigente. Los enlaces van al texto completo publicado por la Biblioteca del Congreso Nacional; son gratuitos y no hace falta creerle a este material.

Consumo y comercio. Ley 19.496 — Establece normas sobre protección de los derechos de los consumidores (Ministerio de Economía, Fomento y Reconstrucción), y su reglamento de comercio electrónico, Decreto 6/2021 — Aprueba reglamento de comercio electrónico (Ministerio de Economía, Fomento y Turismo).
Datos personales. Ley 21.719 — Regula la protección y el tratamiento de los datos personales y crea la Agencia de Protección de Datos Personales (Ministerio Secretaría General de la Presidencia), que sustituye progresivamente a Ley 19.628 — Sobre protección de la vida privada (Ministerio Secretaría General de la Presidencia).
Derecho a retracto. Decreto 52/2024 — Aprueba reglamento que regula la forma y condiciones en que los proveedores deberán comunicar la exclusión del derecho a retracto y los bienes en que excepcionalmente y por su naturaleza procederá tal exclusión (Ministerio de Economía, Fomento y Turismo).

Dentro del repositorio, el mapa regulatorio ordena qué norma aplica a cada decisión comercial, datos personales y ética desarrolla el tratamiento de datos y fuentes oficiales lista los organismos con su fecha de consulta. Ninguno de esos documentos reemplaza al texto legal.

La regla del programa es simple: la fuente oficial manda sobre el material pedagógico. Si la norma cambió después de la fecha de esta clase, gana la norma.

📥 Entregable#

Guarda en evidence/P21-C11-ia-en-customer-success/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de precisión de la predicción de baja, tasa de escalamiento a persona y satisfacción por tipo de atención con fuente, ventana y lectura prohibida.
nota-de-lectura.md — dos fuentes contrastadas con edición y páginas consultadas.
red-team.md — la objeción más fuerte a tu recomendación y el dato que la invalidaría.

Este entregable alimenta el artefacto de la parte: operating model humano-IA con casos de uso, evaluaciones, guardrails y registro de incidentes.

✅ Evaluación de la clase#

Criterio	Peso	Evidencia esperada
Precisión conceptual	25 %	Distinciones correctas y observables entre los conceptos de la clase.
Diagnóstico y evidencia	30 %	Datos pertinentes, línea base, supuestos explícitos y límites del dato.
Decisión y trade-offs	30 %	Dos opciones defendibles, costo de oportunidad y condición de revisión.
Fuentes y comunicación	15 %	Dos lecturas realmente utilizadas y argumento ejecutivo trazable.

Aprobación: 80/100 y ningún criterio bajo 60 %. Una respuesta que podría copiarse sin cambios a otra clase se considera insuficiente.

📗 Fuentes y verificación#

Aquí conviene separar dos cosas que suelen ir juntas y no son lo mismo.

Lo que está comprobado. Que cada obra existe y cuál es exactamente la edición: el enlace resuelve su ISBN contra el catálogo de OpenLibrary, y eso se revalida periódicamente. Las normas chilenas citadas más arriba enlazan su texto completo y gratuito.

Lo que es atribución del programa. Que la idea señalada esté en el capítulo que se indica. Eso es la lectura que este material hace de cada obra, no una cita textual cotejada frase por frase, y se declara así de explícito para que puedas contrastarlo: si abres la obra y no encuentras la idea donde se dice, la cita está mal puesta y corresponde reportarlo como error del material. No se citan números de página porque cambian entre ediciones.

Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016) · ISBN 9781119168294 — aporta a esta clase: el puntaje de salud construido con uso, resultado y relación, validado contra bajas. Dónde buscarlo: los capítulos sobre health score. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Matthew Dixon, Nick Toman y Rick DeLisi — The Effortless Experience (2013) · ISBN 9780241003305 — aporta a esta clase: la resolución del siguiente problema previsible en el mismo contacto. Dónde buscarlo: los capítulos sobre resolución anticipada. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Foster Provost y Tom Fawcett — Data Science for Business (2013) · ISBN 9781449374280 — aporta a esta clase: la evaluación contra una línea base y no contra la nada. Dónde buscarlo: los capítulos sobre evaluación de modelos. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
NIST — AI Risk Management Framework 1.0 (2023) · DOI 10.6028/NIST.AI.100-1 — aporta a esta clase: las características de un sistema de IA confiable, incluidas trazabilidad y responsabilidad. Dónde buscarlo: la sección sobre confiabilidad. Acceso: gratis. Registra edición y páginas consultadas en tu nota de lectura.

Estándar pedagógico del programa: Susan A. Ambrose et al. — How Learning Works (2010); Peter C. Brown, Henry L. Roediger III y Mark A. McDaniel — Make It Stick (2014); Grant Wiggins y Jay McTighe — Understanding by Design (2005, 2.ª ed.); Anders Ericsson y Robert Pool — Peak (2016); William Ellet — The Case Study Handbook (2018, ed. revisada).

Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia. Cualquier norma, impuesto, tarifa, política de plataforma o estándar vivo mencionado debe comprobarse nuevamente en su fuente primaria vigente antes de usarse en una operación real. El desarrollo de esta clase es original y no reproduce capítulos protegidos por derechos de autor.

Sobre la edición. No busques estas obras sólo por el título: distintas ediciones cambian capítulos y ejemplos, y los anclajes de arriba están hechos sobre la que declara el registro de fuentes. La bibliografía completa de la parte, con todas sus obras, está en su índice.

← Clase 10 · Inteligencia de conversaciones · Índice de la parte · Clase 12 · Evaluación y guardrails →