Cada equipo de soporte acumula el mismo problema silencioso: los tickets se apilan, los agentes responden las mismas preguntas repetidamente y nadie tiene tiempo de convertir esa señal en documentación. El equipo detrás de Bolusso.nl , Eroticon.nl y Shop-toppers.nl lo resolvió con un único agente de IA de FlowHunt que realiza la lectura, agrupación y detección de brechas automáticamente — cada semana, sin que nadie lo solicite.
De los tickets de soporte a la base de conocimiento: convertir la frustración del cliente en documentación
Los tickets de soporte son una de las fuentes más ricas de retroalimentación sobre productos y documentación que tiene un equipo. Los clientes te dicen exactamente qué no pueden encontrar, qué los confunde y qué no responde tu base de conocimiento. Pero extraer esa señal manualmente — leer cientos de tickets, agrupar preguntas similares, verificar si la KB ya las cubre — es exactamente el tipo de trabajo analítico repetitivo que nunca llega a la lista de prioridades de nadie.
El equipo de Shop-toppers quería un sistema que convierta automáticamente los datos de tickets en elementos de acción para la KB. El resultado es un pipeline automatizado semanal que funciona completamente dentro de FlowHunt AI Projects.
Chatbot de e-commerce impulsado por IA: una base de conocimiento para tres storefronts neerlandeses
Antes de profundizar en el pipeline de análisis semanal, es útil entender cómo está configurada la infraestructura de soporte. El equipo opera Bolusso.nl , Eroticon.nl y Shop-toppers.nl desde una única base de conocimiento compartida de FlowHunt — un conjunto de descripciones de productos, políticas de devolución, preguntas frecuentes y reglas de envío de las que se nutren los tres sitios.
Cada storefront tiene su propio chatbot impulsado por esa base de conocimiento compartida. Cuando un cliente en Bolusso llega al sitio y abre el chat, es recibido por “Chatbot Bob” — un asistente de IA que conoce el catálogo completo de productos, puede ayudar a rastrear pedidos y gestiona las preguntas de devolución al instante, 24/7.
El mensaje de bienvenida del chatbot — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — y sus botones de respuesta rápida (“Volg je bestelling”, “Product retourneren”) están todos impulsados por los mismos flows utilizados en las tres marcas.
Cuando cambia una política o se lanza una nueva categoría de productos, el equipo actualiza la base de conocimiento una vez. Los tres chatbots reflejan el cambio inmediatamente. La misma lógica se aplica a los flows: construir una vez, desplegar en todas partes.
Análisis automatizado de tickets de soporte: cómo FlowHunt AI Projects encuentra brechas de conocimiento cada semana
El chatbot maneja la primera línea. Pero genera un tipo diferente de señal: las preguntas que no puede resolver y los tickets que llegan de todos modos a los agentes humanos. El pipeline de análisis semanal de brechas es lo que cierra ese bucle de retroalimentación.
Dentro de FlowHunt AI Projects, el equipo ejecuta un único proyecto: LiveAgent FAQ knowledge base checker. Su función es leer cada ticket de los últimos 7 días y decirle al equipo exactamente qué documentación falta.
Al agente se le asigna una persona precisa y barreras estrictas. Opera en modo solo lectura frente a LiveAgent — obtiene datos de tickets pero no puede modificar, eliminar ni cerrar nada. Esta barrera es explícita en el prompt del sistema y se aplica a nivel de herramienta.
El pipeline de dos fases: clustering de tickets LiveAgent y verificación de la base de conocimiento
El agente ejecuta una investigación de dos fases en cada ejecución.
Fase 1 — Clustering de tickets y extracción de temas
El agente extrae todos los tickets de los últimos 7 días a través de la integración de LiveAgent. Filtra inmediatamente el ruido: las notificaciones automatizadas de la plataforma, las alertas de pedidos de Amazon y cualquier mensaje generado por el sistema se descartan. Solo se procesan las consultas genuinas de clientes humanos.
Los tickets restantes se agrupan por la pregunta específica que se está haciendo — no por categoría vaga, sino por intención precisa (por ej. “¿Cómo devuelvo un artículo defectuoso?” en lugar de simplemente “Devoluciones”). Los 5 temas más frecuentes se identifican, se nombran claramente y se documentan con recuentos de frecuencia y ejemplos representativos.
Fase 2 — Verificación de KB y análisis de brechas
Para cada uno de los 5 temas principales, el agente busca en la base de conocimiento compartida:
- Si existen artículos: el agente analiza por qué los clientes siguen abriendo tickets a pesar de la cobertura. Busca desactualización, casos extremos faltantes, lenguaje poco claro o alcance incompleto. El artículo se marca como un fallo de KB — el contenido existe pero no resuelve el problema.
- Si no existen artículos: el tema se clasifica inmediatamente como una brecha crítica — territorio no documentado que el equipo de contenido de KB debe abordar.
Esta distinción importa. Una brecha crítica y un fallo de KB requieren respuestas diferentes: uno necesita un nuevo artículo, el otro necesita una edición.
De tickets brutos a briefings accionables: informes semanales automatizados de brechas de KB
Al final de cada ejecución, el agente envía por correo electrónico un informe estructurado directamente al equipo. Nadie necesita iniciar sesión en la plataforma para ver los hallazgos.
El correo electrónico sigue una estructura fija:
Tabla de principales preguntas — cada fila contiene la pregunta específica del cliente, cuántas veces apareció en la semana pasada, dos o tres líneas de asunto de tickets de ejemplo, los IDs de tickets relevantes y un borrador de resolución que el equipo de contenido puede usar como punto de partida.
Recomendaciones estratégicas de KB — temas más amplios, ideas para nuevos artículos y mejoras del portal basadas en los datos de tickets de la semana. Cada recomendación incluye el razonamiento: por qué esto importa basándose en lo que los clientes preguntan realmente.
El asunto siempre es Weekly KB Gap Analysis - [Date], lo que facilita archivar y referenciar los correos a lo largo del tiempo.
Memoria de IA persistente: cómo los hallazgos semanales se convierten en inteligencia de soporte a largo plazo
Un detalle que diferencia esto de un informe único: el agente escribe sus hallazgos en Project Memory — un wiki persistente dentro del proyecto de IA que se actualiza después de cada ejecución.
El equipo construye automáticamente un registro longitudinal. Los temas que siguen apareciendo semana tras semana a pesar de haber sido marcados anteriormente destacan de inmediato. Las brechas de KB que fueron abordadas pueden marcarse como resueltas. El conocimiento acumulado del agente se vuelve más útil cuanto más tiempo funciona.
Automatización del soporte de e-commerce que se gestiona sola: agentes de IA programados sin clasificación manual
Todo el pipeline se activa mediante un Periodic Issue — una tarea programada en AI Projects que se activa automáticamente en una cadencia establecida sin ninguna intervención manual. El equipo lo configuró una vez; ha funcionado 16 veces desde entonces.
Cada ejecución toma entre 1 y 10 minutos según el volumen de tickets de esa semana. El costo por ejecución es una fracción de lo que un analista humano gastaría realizando un trabajo equivalente de forma manual. El equipo recibe un briefing listo para actuar cada semana sin que nadie tenga que iniciar sesión en LiveAgent, leer tickets o compilar un informe.
“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”
Construir una vez. Desplegar en todas partes. Dejar que el agente diga qué falta.
Empresas: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Sector: E-Commerce Ubicación: Países Bajos Funciones de FlowHunt utilizadas: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Modelo del agente: claude-4.5-haiku (Supervisor)