caso de éxito
Conocé cómo Linus preparó la atención para los meses de mayor demanda, ganó escala con calidad y transformó una operación reactiva en una estructura más estable con ayuda de la IA.
Métrica | Resultado |
|---|---|
Retención promedio | 60% |
CSAT con IA | 92% |
Meta | 2026 alcanzada antes de lo previsto |
Acerca de Linus
La Linus es una marca brasileña de lifestyle sustentable, con productos veganos y reciclables, y considera al CX como un área central para la reputación de la marca y la fidelización de clientes.
Internamente, la atención se ve como una parte crítica de la experiencia, con impacto directo en el resultado de marketing, logística y de las demás áreas.
En períodos promocionales, el volumen de contactos llegaba a triplicarse, presionando una estructura pequeña en un punto sensible para la experiencia del cliente.
Cuando el pico se volvía un cuello de botella para la experiencia
Con una estructura liviana y un pico previsible de demanda en el calendario, Linus necesitaba lidiar con una atención que se volvía más presionada justo en el momento en que la experiencia del cliente se tornaba más sensible.
A medida que la demanda aumentaba, la operación acumulaba cuellos de botella que afectaban el ritmo del equipo, la fluidez entre canales y la capacidad de respuesta al cliente.
Título | Descripción |
|---|---|
Filas enormes en soporte | El alto volumen de contactos aumentaba el tiempo de espera y ponía a la operación en un ritmo de urgencia continua. |
Protocolos duplicados entre canales | Cuando la atención demoraba, el cliente migraba a otros canales en busca de respuesta. Eso hacía que la operación tuviera que tratar el mismo caso más de una vez. |
Reclamos por demoras en la atención | La lentitud dejaba de ser un problema interno y pasaba a impactar la reputación de la marca, con registros en Reclame Aqui. |
Equipo atrapado en el modo reactivo | El equipo quedaba absorbido por demandas repetitivas y urgentes, sin tiempo para construir procesos que evitaran nuevas filas. |
En ese escenario, el desafío de Linus era crear una operación más estable, con menos fricción en la atención y más capacidad de respuesta en los momentos de mayor presión. La empresa necesitaba encontrar una forma de absorber el aumento de demanda sin dejar que las filas, el retrabajo y los cuellos de botella entre canales comprometieran la experiencia del cliente.
Al mismo tiempo, este cambio necesitaba devolver más control al equipo. El objetivo no era solo ganar velocidad, sino estructurar una operación capaz de responder con más consistencia, reducir la sobrecarga del equipo y abrir espacio para una actuación menos reactiva en el día a día.
“No teníamos tiempo para ser estratégicos ni para construir procesos que evitaran nuevas filas.”
Luiza Kravtchenko
Coordinadora de CX en Linus
IA como respuesta para reducir fricción y ganar escala
Para afrontar los picos con más estabilidad, Linus implementó la IA de Cloud Humans en su operación de CX y le dio un nombre propio: Lina. La propuesta era reducir el peso de las demandas repetitivas, disminuir el retrabajo entre canales y preparar al área para responder mejor en los períodos de mayor presión.
Principales cambios:
Una parte importante de las dudas recurrentes pasó a ser absorbida por la IA.
El equipo ganó más espacio para actuar en los casos críticos.
La operación quedó menos dependiente del esfuerzo manual para manejar el volumen básico.
La atención pasó a contar con una base más estable para los períodos de pico.
El equipo ganó más capacidad para acompañar, ajustar y evolucionar la experiencia a lo largo del tiempo.
La solución creó una nueva base para la atención, con más potencial de escala y menos dependencia del esfuerzo manual en las demandas recurrentes. Para aprovechar esa mejora, la implementación tendría que ser rápida, cercana a la operación y guiada por ajustes constantes.
“La IA entró para hacer al equipo más estratégico, la operación más saludable y la atención más escalable.”
Luiza Kravtchenko
Coordinadora de CX en Linus
Cómo cobró forma la nueva operación en la práctica
La implementación de Lina ocurrió con cierta urgencia y dentro de una ventana estratégica. En lugar de esperar el pico principal de fin de año, Linus usó septiembre como laboratorio para poner la IA en funcionamiento, medir su eficiencia y llegar a noviembre con una base más preparada.
Ese proceso exigió una migración rápida, habilitación de canales y una rutina cercana de seguimiento. Más que poner la IA en marcha, la prioridad era hacerla evolucionar rápido dentro de la operación.
Etapa | Título | Descripción |
|---|---|---|
01 | El laboratorio | Linus decidió adelantar la implementación para probar a Lina en un momento de alto volumen (septiembre) y usar ese período para entender qué todavía necesitaba ajustes antes del pico más crítico del año. |
02 | La migración y el ritmo acelerado | El cambio ocurrió en poco tiempo. La operación salió de la plataforma anterior y, al día siguiente, ya necesitaba habilitar Cloud Chat y los canales necesarios para poner la nueva estructura en funcionamiento. |
03 | Auditoría y seguimiento de la IA | Desde el inicio, la rutina de auditoría ganó prioridad. Linus pasó a revisar protocolos, seguir respuestas, identificar puntos de falla y entender qué necesitaba corregirse para que Lina evolucionara más rápido. |
04 | Evolución de Lina en el día a día | Con Geovanna, analista de CX, al frente de las auditorías y de los ajustes constantes, la IA pasó a incorporar mejor el tono de la marca, el contexto de las conversaciones y los matices de la atención. |
La implementación no fue tratada como un proyecto aislado de tecnología. Fue conducida como parte de la rutina de la operación, con seguimiento cercano, ajustes constantes y un sentido claro de prioridad. Ese modelo hizo que Lina evolucionara más rápido y permitió que Linus transformara una implementación urgente en una base más sólida para los meses de mayor presión.
También hay un detalle importante aquí: la evolución de la IA dependió menos de una estructura técnica robusta y más de claridad operativa, auditoría y repertorio de atención. Fue esa combinación la que ayudó a Lina a hablar cada vez más el idioma de Linus.
“A veces nosotros, como cliente, no sabemos decir exactamente qué queremos, pero conté nuestra historia y Cloud Humans, con la experiencia en IA, lo tradujo en un proceso.”
Luiza Kravtchenko
Coordinadora de CX en Linus
Qué cambió con Lina en operación
Con Lina en operación y una rutina cercana a auditoría, Linus empezó a capturar ganancias concretas tanto en los indicadores como en la dinámica del equipo. La evolución se vio en la retención, en la satisfacción del cliente y en la capacidad de la operación de atravesar períodos de mayor presión con más estabilidad.
Métrica | Resultado | Impacto |
|---|---|---|
Retención media en los tickets | 60% | Más resolución sin ampliar el equipo en la misma proporción. |
CSAT medio | 92% | Escalabilidad con mantenimiento de la calidad percibida. |
Los números ayudan a dimensionar el resultado, pero el efecto de la implementación también quedó visible en la rutina de la operación. Lina arrancó con cerca de 39% de retención en septiembre, evolucionó a 41% en octubre y llegó a 60% en noviembre, mostrando que la combinación entre tecnología, auditoría y ajustes finos generó una mejora progresiva a lo largo de los meses.
Al mismo tiempo, Linus empezó a operar con menos fricción en momentos de alta demanda, con reducción de los protocolos duplicados, el fin de las señales rojas en Reclame Aqui por demoras y una percepción más positiva del equipo sobre la rutina del área. En lugar de solo absorber volumen, la operación ganó más previsibilidad y más espacio para actuar donde la intervención humana generaba más valor.
“En seis años, fue la primera vez que sentí un clima más liviano en el área.”
Geovanna Silva
Analista de CX en Linus
Lo que Linus aprendió al poner IA en la operación
Tema | Descripción |
|---|---|
La IA aprende de quien vive la atención | La mejora en la calidad depende del repertorio de quien conoce las dudas recurrentes, entiende el contexto de los clientes y logra ajustar contenido, intención y lenguaje a partir de conversaciones reales. |
La auditoría continua es parte del resultado | La evolución de Lina ocurrió con revisión frecuente de las conversaciones, ajustes de términos, creación de nuevos contenidos y calibración de las respuestas. Eso fue lo que permitió transformar una implementación rápida en una operación más precisa con el tiempo. |
La IA cambia el modo de trabajo del equipo | En la práctica, la IA quitó peso a lo repetitivo y abrió espacio para actividades más analíticas y estratégicas. En vez de concentrar la rutina en volumen, el equipo pasó a dedicar más energía a mejorar la operación, leer patrones y evolucionar la experiencia. |
El impacto aparece en los números, pero empieza en la rutina | Los resultados en retención y CSAT son relevantes, pero el efecto va más allá: menos sobrecarga, más previsibilidad y una operación más liviana para quienes están en el día a día. Fue ese cambio de rutina el que sostuvo la mejora de los indicadores. |
Cloud Humans responde
¿Linus ya usaba automatización antes de Lina?
Sí. La empresa ya tenía experiencia con bot, pero todavía buscaba una operación más fluida, con respuestas más naturales y más capacidad de acompañar los períodos de pico sin aumentar la fricción en la atención.
¿Qué motivó el cambio en la operación?
El principal disparador fue la combinación entre una estructura ajustada y picos previsibles de demanda, como cuando aumentaba el volumen, la operación acumulaba colas, surgían protocolos duplicados y el equipo perdía espacio para actuar con más control sobre la rutina.
¿La IA sustituyó personas en el equipo?
No. El papel de la IA fue absorber una parte relevante de las demandas repetitivas y abrir espacio para que el equipo actuara en los casos más críticos, en la mejora de la operación y en la evolución de la propia experiencia.
¿Qué muestra este caso para otras operaciones de CX?
Que la IA en atención funciona mejor cuando entra como parte de un cambio operativo. El resultado depende del timing, del seguimiento cercano y de la capacidad del equipo para enseñarle a la IA en base a la rutina real.
