Data • Travel
15.000 correos por mes, clasificación 100% automática: IA en hotelería
Una cadena hotelera all-inclusive con operaciones en toda Latinoamérica automatizó la clasificación de PQRs con un agente de IA sobre Microsoft AI Foundry. 500 horas recuperadas por mes. 71% de enrutamiento autónomo.
Cada mañana, el equipo de atención al cliente arrancaba igual: bandeja llena, correos sin leer, y un contador que seguía subiendo. Peticiones de reserva, quejas por el servicio, reclamos de facturación. Todo llegaba mezclado, en el lenguaje libre de alguien que está enojado o apurado, con errores de tipeo y oraciones a medias. Alguien tenía que leerlo, entenderlo y mandarlo al área correcta.
Quince mil correos por mes. Sin margen para el error. Sin tiempo para la demora.
El sistema que tenían no podía con eso. Las reglas de Power Automate funcionaban bien cuando el cliente escribía exactamente la palabra que el flujo esperaba. Pero el lenguaje natural no funciona así. "Comida fría", "buffet pésimo" y "la cena de anoche fue un desastre" no activan la misma categoría en un sistema de keywords. Y cambiar la lógica requería intervención técnica cada vez, lo que dejaba al negocio dependiente de TI para ajustar algo tan básico como agregar una subcategoría.
El resultado: asesores absorbidos por clasificar correos en lugar de resolverlos, latencias que se acumulaban y un proceso que no podía escalar.
La IA que aprendió el negocio
Nubiral desarrolló un agente de clasificación inteligente sobre Microsoft AI Foundry, estructurado en tres capas de procesamiento reactivo.
La primera actúa como filtro de entrada: valida el origen de cada notificación de Microsoft Graph, extrae adjuntos y limpia el texto de firmas, respuestas automáticas y encabezados de Outlook. La segunda genera una vectorización semántica del correo con Azure OpenAI —modelo text-embedding-3-large, seleccionado por su capacidad de retener matices en mensajes largos y con lenguaje informal— y lo clasifica en tiempo real mediante un Managed Online Endpoint de Azure ML entrenado sobre el historial real del cliente. La tercera abre el ticket directamente en Dynamics 365 con sus adjuntos indexados en SharePoint.
Sin reglas fijas. Sin palabras clave. Con comprensión del contexto.
El sistema entiende que "el cuarto estaba sucio cuando llegamos" y "la habitación no estaba lista al hacer el check-in" son variantes del mismo problema, aunque no compartan ninguna palabra. Y lo hace en un promedio de 2,4 segundos por correo, operando las 24 horas del día, los 7 días de la semana.
Un detalle de arquitectura que cambió la dinámica de trabajo: toda la taxonomía del negocio —categorías, subcategorías, geografías— vive en tablas NoSQL de Azure Table Storage, completamente desacoplada del código. Agregar un nuevo país o una nueva categoría no requiere un ticket de desarrollo. Solo una fila en una tabla.
Lo que pasó después
El modelo se validó contra 17.318 registros históricos de producción reales. Los resultados:
71% de enrutamiento autónomo: 7 de cada 10 correos llegan al área correcta sin intervención humana
F1-Score del 91% en validación taxonómica controlada
500 horas/mes recuperadas que antes consumía la clasificación manual
5 personas reasignadas a resolución de casos, no clasificación
Latencia promedio de 2,4 segundos por correo, frente a procesos que antes tomaban minutos
Operación 24x7 sin dependencia de turnos
Los correos con baja confianza de clasificación —por debajo del umbral configurado— se marcan para revisión manual dentro del CRM. Nada se pierde. Los que no pueden procesarse por fallos de red quedan en cola de revisión semanal.
El sistema pasó a producción en marzo de 2026, con todos los escenarios críticos de prueba E2E aprobados.
La clasificación ya no es trabajo humano
Clasificar correos es un problema de escala, no de criterio. Cuando el volumen supera lo que un equipo puede manejar con consistencia, la fricción no está en las personas, está en el proceso.
Un agente de IA entrenado sobre los datos reales del negocio no solo automatiza la clasificación manual. Libera al equipo para hacer lo que ningún modelo puede reemplazar: resolver el problema del cliente.
¿Tu equipo está procesando más de lo que puede clasificar con consistencia?
