Asignación de tickets round-robin vs basada en habilidades: ¿qué método de enrutamiento es el adecuado para tu equipo?

Llega una consulta de facturación. No entra en una cola: primero llega al agente de IA, como ocurre ahora con todas las conversaciones. La IA recupera la factura a través de su conector de Stripe, verifica el cargo y emite el reembolso en un solo paso. Treinta segundos, sin humanos, sin transferencia.

Esa es la puerta de entrada ahora: la IA gestiona lo que puede, y solo lo que realmente no puede resolver pasa a una persona.

Así que imagina el ticket complicado que sí avanza:

1. el que la IA escala porque requiere criterio, autoridad o un toque humano.
2. El round-robin lo asigna, de forma equitativa, a quien esté siguiente en la fila (¡y conectado!).
3. Ese agente se encarga de onboarding, no de esto. Lo lee, detecta el desajuste y lo traspasa.
4. El segundo agente está a mitad de una conversación con otra persona, así que el ticket queda en espera durante once minutos antes de que lo atienda.
5. Le pide al cliente que vuelva a explicarlo. El cliente lo hace ante un humano, otra vez, después de que la IA ya tenía todo el contexto.
6. Este agente puede ver la cuenta pero no puede autorizar lo necesario; eso requiere a un especialista. Tercera transferencia.

Cuando se cierra, el ticket ha pasado por tres agentes, cruzado dos colas y consumido buena parte de una hora.

La tasa de resolución en el panel marca 100%. La experiencia del cliente dice algo muy distinto.

Esto es lo que ocurre cuando una operación de soporte optimiza por distribución equitativa y la confunde con buen servicio.

La asignación round-robin, durante mucho tiempo el método de enrutamiento de tickets más utilizado en atención al cliente, se construyó en torno a un único objetivo: ser justa con los agentes.

Todos reciben el siguiente ticket por turno; nadie carga con más de lo que le corresponde. Es fácil de defender y aún más fácil de configurar. Pero se diseñó para un mundo en el que cada ticket necesitaba a un humano, y la puerta de entrada de IA ya ha eliminado los que no lo necesitaban.

Lo que llega a tus agentes ahora es, por definición, lo difícil: los tickets que necesitan a la persona adecuada, no solo a la siguiente.

⚠️ El round-robin es el instinto equivocado precisamente para ese ticket, y este es el argumento de esta guía. "justo con los agentes" y "adecuado para el cliente" no son el mismo objetivo. Y la brecha entre ambos es donde el round-robin te cuesta a ti y a tus clientes.

La elección real no es entre "justo" e "injusto". Es entre optimizar por distribución equitativa y optimizar por el mejor encaje. Esta guía compara honestamente ambos métodos: cómo funciona cada uno, dónde gana cada uno, cuál (o qué híbrido) necesita realmente tu equipo y dónde convergen en el enrutamiento moderno basado en intención.

Los dos métodos, definidos

Antes de compararlos, vale la pena ser precisos sobre lo que realmente hace cada método, porque la diferencia se reduce a aquello para lo que optimizan.

Algo a tener presente en todo momento: en la era de los agentes, ninguno de los dos métodos ve nunca todo el flujo entrante. Ambos enrutan el residual: los tickets que la puerta de entrada de IA ya ha escalado porque necesitan juicio humano, autoridad o empatía. Eso eleva la importancia de acertar con el encaje.

Asignación round-robin

La asignación round-robin distribuye los tickets entrantes a los agentes en una rotación fija: cada nuevo ticket va al siguiente agente en la fila, sin importar el tema del ticket ni la pericia del agente. Su objetivo es la distribución equitativa: todos reciben una parte del volumen aproximadamente igual. Por diseño es ciega al contenido: no lee de qué trata el ticket, solo de quién es el turno. Una variante común, el round-robin con balanceo de carga, tiene en cuenta cuántas conversaciones abiertas tiene cada agente, de modo que la asignación se inclina hacia quien esté menos ocupado, pero sigue siendo ciega a la habilidad.

Asignación basada en habilidades

La asignación basada en habilidades enruta cada ticket a un agente capacitado para gestionarlo, haciendo coincidir el tema, el idioma o la complejidad del ticket con las habilidades definidas de un agente. Su objetivo es el mejor encaje: la pregunta de facturación va a alguien que conoce facturación, la conversación en francés a alguien que habla francés. Lee (o recibe) de qué trata el ticket y lo asigna en función de ello, en lugar de por rotación.

La distinción en una línea: el round-robin optimiza por equidad hacia los agentes; el basado en habilidades optimiza por encaje con la necesidad del cliente. Todo lo demás en la comparación se deriva de eso.

Round-robin vs basado en habilidades: cara a cara

Así se comparan los dos métodos en las dimensiones que realmente importan a un equipo de soporte.

El patrón es claro: el round-robin gana en simplicidad y equidad para los agentes; el basado en habilidades gana en resolución. Y la resolución es la dimensión con el mayor coste a posteriori porque una mala asignación no solo retrasa un ticket: provoca una transferencia, y las transferencias están entre lo más perjudicial que puedes hacerle a un cliente.

Cuándo usar cada uno

Ningún método es universalmente correcto: la mejor elección depende del tamaño de tu equipo y de la forma de tus tickets.

El round-robin es la opción correcta cuando...

• Tu equipo es pequeño (un puñado de agentes) y todos pueden gestionar la mayoría de tipos de tickets con soltura.
• Tus tickets son bastante homogéneos: temas similares, un idioma, poca especialización.
• La distribución equitativa de la carga es tu principal preocupación, y el mal enrutamiento es raro porque casi cualquiera puede resolver casi cualquier cosa.
• Estás empezando y necesitas algo simple que funcione hoy.

A pequeña escala y con agentes generalistas, la ceguera del round-robin al contenido apenas te cuesta, porque no hay un agente incorrecto en el que pueda caer. Su simplicidad es aquí una ventaja real.

La asignación basada en habilidades es la opción correcta cuando...

• Tus tickets abarcan áreas distintas — facturación, técnico, onboarding — que requieren diferentes especialidades.
• Soportas múltiples idiomas, y hacer coincidir el idioma es innegociable.
• Tienes especialistas cuyo tiempo se desperdicia (y cuyos tickets se manejan mal) cuando el trabajo se distribuye a ciegas.
• Estás escalando, y el coste del mal enrutamiento aumenta a medida que crecen el equipo y el producto.

Cuando hay una diferencia significativa entre agentes —en habilidad, idioma o especialización—, la distribución uniforme del round-robin empieza a generar transferencias, y el mayor coste de configuración del enrutamiento basado en habilidades se compensa con la resolución en el primer contacto.

Por qué la resolución importa más que el resto

El round-robin gana en simplicidad y equidad para los agentes. El basado en habilidades gana en resolución. Y la resolución es la dimensión con el mayor coste a posteriori porque una mala asignación no solo retrasa un ticket. Genera una transferencia.

Y en una operación con IA al frente, cada transferencia es ahora la transferencia de un ticket ya difícil: los fáciles nunca llegaron a un humano. El cliente que rebota ya ha recibido la notificación de que la IA no pudo ayudar; un traspaso humano fallido encima de eso es el segundo tropiezo que sufre con un único problema.

Las transferencias no son una molestia. Son de las cosas más corrosivas que puedes hacerle a la experiencia del cliente. Gartner descubrió que el 96% de los clientes que tienen una interacción de servicio de alto esfuerzo se vuelven más desleales, en comparación con solo el 9% de quienes tienen una experiencia de bajo esfuerzo; identifica el ser transferido entre agentes y tener que repetir la información como marcadores definitorios de una interacción de alto esfuerzo.

Ese único dato merece una pausa. Casi todo cliente que experimente el tipo de interacción que el enrutamiento round-robin hace más probable se irá menos leal de lo que llegó. La distribución equitativa del round-robin es invisible para el cliente. La transferencia que provoca no lo es.

El beneficio de enrutar bien llega igual de profundo. La misma investigación de Gartner descubrió que una resolución en el primer contacto y de bajo esfuerzo reduce las llamadas repetidas hasta un 40%, las escalaciones hasta un 50% y el cambio de canal hasta un 54%. Estos son costes operativos: llamadas repetidas, escalaciones innecesarias, clientes abandonando un canal por frustración. El round-robin los acumula silenciosamente cada vez que envía un ticket a la persona equivocada en nombre de la equidad.

Esta idea no es nueva. La investigación original detrás del Customer Effort Score, publicada en Harvard Business Review, se basó en un estudio de más de 75.000 interacciones con clientes para llegar a una conclusión contraintuitiva: reducir el esfuerzo necesario para resolver un problema predice la lealtad con mucha más fiabilidad que intentar deleitar a los clientes. Los clientes no se van porque no quedaron impresionados. Se van porque fue demasiado difícil obtener ayuda.

Lo que realmente cuesta un ticket mal asignado

Considera lo que ocurrió en el escenario al principio de este artículo en términos concretos.

Una pregunta de facturación. Tres agentes. Dos transferencias. Un cliente que se repitió dos veces y esperó más de cuarenta minutos para una resolución que debería haber tomado cinco. El panel muestra un ticket cerrado. No muestra al cliente que, para cuando obtuvo su respuesta, ya había decidido que evaluaría alternativas en la renovación.

Nada de esa secuencia fue culpa de nadie. La rotación fue justa. Cada agente hizo su trabajo correctamente. Pero el sistema estaba optimizado para la distribución equitativa, no para llevar a la persona adecuada al problema adecuado. Y el cliente asumió el coste de esa elección: tiempo, fricción y el tipo específico de frustración que la investigación de Gartner vincula directamente con la deslealtad.

Esta es la brecha entre equidad y encaje en la práctica, no en abstracto. Es también la brecha que crece cada vez que agregas volumen de tickets, complejidad de producto o diversidad de idiomas a un equipo que sigue funcionando con round-robin.

Donde convergen ambos: enrutamiento basado en intención

La versión honesta de esta comparación no puede terminar en "el basado en habilidades gana en resolución", porque el enrutamiento basado en habilidades tiene un coste real que la tabla de arriba no oculta: alguien debe leer cada ticket y etiquetarlo correctamente antes de que pueda producirse el enrutamiento, y alguien debe mantener actualizada la taxonomía de habilidades a medida que evolucionan el producto y el equipo. A bajo volumen, es una tarea manejable. A alto volumen, se convierte en un cuello de botella: justo el tipo de carga manual que el round-robin se diseñó para evitar.

El enrutamiento basado en intención es la respuesta a ese intercambio y, en una operación con IA al frente, no es un sistema aparte que se añade. Es la misma clasificación que la IA ya realizó cuando decidió que este ticket la superaba. La IA leyó la conversación, determinó que no podía resolverla y sabe por qué: autoridad de facturación, un idioma que no podía gestionar con confianza, un juicio de valor. Ese "por qué" es la señal de enrutamiento. El coste antiguo del enrutamiento basado en habilidades —un humano leyendo y etiquetando cada ticket— desaparece, porque la escalación ya lleva la intención incorporada.

Piénsalo así: si el round-robin es el sistema de coger número en el mostrador de una charcutería (justo, pero ciego a lo que necesitas), y el enrutamiento basado en habilidades es una enfermera de triaje en urgencias dirigiendo a cada paciente al especialista adecuado (ajustado a la necesidad, pero dependiente de que una persona formada lea cada caso), entonces el enrutamiento basado en intención es un quiosco de aeropuerto que escanea tu pasaporte y te dirige al carril correcto antes de que digas una palabra. En la era de los agentes, el quiosco y la puerta de entrada son el mismo sistema: te escanea al entrar y solo enruta los casos que no puede resolver por sí mismo.

En la práctica, el enrutamiento basado en intención suele incluir dos mejoras adicionales:

Balanceo de carga dentro del grupo coincidente. Una vez que el sistema reduce los candidatos a "agentes que pueden gestionar preguntas de facturación", aún puede rotar o equilibrar la carga entre ese subconjunto, de modo que se preserve la equidad, acotada a las personas realmente cualificadas para el ticket.

Respaldo basado en confianza. Cuando el clasificador no está seguro de la intención de un ticket, el sistema lo enruta a una cola general o a un round-robin de respaldo en lugar de adivinar. El round-robin sigue en la foto: una red de seguridad, no el valor predeterminado.

Cómo maneja Crisp la asignación

Crisp admite todo el rango en lugar de encerrarte en un solo método. Puedes distribuir conversaciones por round-robin cuando lo que necesitas es una distribución simple y equitativa, enrutar por habilidad, equipo o idioma cuando importa el encaje, y equilibrar por carga de trabajo para que ningún agente se sobrecargue dentro de su grupo.

En la práctica, Hugo AI se encarga de la puerta de entrada, leyendo cada conversación entrante, resolviendo lo que puede y escalando el resto con la intención ya clasificada. A partir de ahí, Crisp aplica la lógica de enrutamiento que definas: habilidades o idioma cuando importa el encaje, balanceo de carga para que ningún agente se sobrecargue, round-robin donde basta con una distribución simple. El método correcto (o la combinación) se aplica sin que un responsable haga triaje a mano.

El resultado es que tú eliges la lógica de enrutamiento; Crisp la ejecuta de forma consistente a cualquier volumen.

El round-robin no es incorrecto; es adecuado para un equipo pequeño con agentes generalistas y tickets homogéneos, donde su simplicidad es un activo real. Pero en el momento en que tus tickets requieren diferentes habilidades, "justo con los agentes" deja de ser "adecuado para el cliente", y la mayor resolución en el primer contacto del enrutamiento basado en habilidades empieza a compensar su coste de configuración.

La respuesta honesta para la mayoría de equipos en crecimiento es el híbrido:

• habilidad primero, carga de trabajo después
• Avanzar hacia el enrutamiento basado en intención a medida que aumenta el volumen.

Elige el método que encaje con la situación actual de tu equipo y asegúrate de que tus herramientas te permitan cambiarlo a medida que creces.

¿Listo para enrutar cada conversación al agente correcto?

Preguntas frecuentes

¿Puede un equipo de soporte pequeño beneficiarse del enrutamiento basado en habilidades?
En la mayoría de los casos, no. O no todavía. Para equipos pequeños en los que los agents gestionan un rango similar de tickets, la sobrecarga de construir y mantener una taxonomía de habilidades supera el beneficio. El round-robin (idealmente con balanceo de carga) es el mejor predeterminado hasta que el equipo alcance un tamaño y un nivel de especialización en el que los desajustes sean un problema medible.

¿Qué ocurre cuando no hay disponible ningún agente con la habilidad correspondiente?
Toda implementación necesita un respaldo explícito: o bien round-robin entre un grupo más amplio de agentes, o bien una cola general dedicada con un SLA asociado. Sin un respaldo, el ticket se estanca, lo cual es peor que cualquier método de enrutamiento.

¿Cómo se relaciona el enrutamiento basado en intención con el basado en habilidades?
El enrutamiento basado en habilidades requiere que un humano lea y clasifique cada ticket antes de poder asignarlo al agente adecuado. El enrutamiento basado en intención automatiza ese paso de clasificación, utilizando PLN para leer el ticket en el momento en que llega y enrutarlo en consecuencia. Ofrece la precisión de la asignación basada en habilidades a la velocidad del round-robin.

¿Qué métricas debo seguir para evaluar si mi método de enrutamiento funciona?

La tasa de resolución en el primer contacto (FCR), la tasa de transferencias por tipo de ticket y el tiempo medio de gestión son las tres más diagnósticas. Si la FCR está significativamente por debajo del punto de referencia del sector de alrededor del 70% y tu tasa de transferencias es alta, es una señal de que tu enrutamiento está generando desajustes. Ten en cuenta que, en una configuración con IA al frente, tu FCR del lado humano se mide sobre un residual más difícil: compárala con tu propia línea base previa a la IA en lugar del ~70% genérico.

¿Es posible ejecutar el round-robin y el enrutamiento basado en habilidades al mismo tiempo?
Sí, y así es como operan en la práctica la mayoría de los equipos en escalado. Las reglas basadas en habilidades gestionan las categorías de tickets donde la pericia más importa: incidencias técnicas, disputas de facturación, conversaciones en otros idiomas. El round-robin captura todo lo demás como respaldo.

Fuentes

Gartner, Unveiling the New and Improved Customer Effort Score, https://www.gartner.com/smarterwithgartner/unveiling-the-new-and-improved-customer-effort-score

Harvard Business Review, Stop Trying to Delight Your Customers, https://hbr.org/2010/07/stop-trying-to-delight-your-customers

McKinsey & Company, Building Trust: How Customer Care Leaders Pull Ahead with AI, https://www.mckinsey.com/capabilities/operations/our-insights/building-trust-how-customer-care-leaders-pull-ahead-with-ai

McKinsey & Company, Deploying Gen AI for Service Operations, https://www.mckinsey.com/capabilities/operations/our-insights/from-promising-to-productive-real-results-from-gen-ai-in-services

Salesforce Research, State of Service Report, Seventh Edition, https://www.salesforce.com/resources/research-reports/state-of-service/