Nuestra lectura
Empiece por una porción de un caso, no por el caso entero. El agente de RR. HH. de AMD abarca SAP SuccessFactors, ServiceNow, SharePoint y aprobaciones en Teams: tome de él solo una consulta y una acción de escritura. El seguimiento de pedidos y el cambio de dirección de Autodoc son un modelo más acotado. Son relatos publicados por el proveedor, no alcances validados. Pruebe los permisos y el disparador de traspaso en su propio piloto.
Empezar por la acción, no por el chat
Kore.ai presenta su plataforma como un lugar para crear y desplegar agentes de IA para servicio y para trabajo. Su página principal describe el servicio como resolver casos de clientes de principio a fin en todos los canales y sistemas, y el trabajo como completar solicitudes de empleados sin traspasos ni demoras.
Por eso la pregunta útil no es si el agente responde, sino en qué sistema actúa. Los dos casos lo resuelven de forma distinta. AMD lo usa para transacciones y aprobaciones de RR. HH. Autodoc, para seguimiento de pedidos, cambios de dirección y comprobación de reembolsos. Tómelos como fuentes de ideas, no como plantillas: elija el caso más cercano y recórtelo a una acción de lectura y una de escritura antes de ampliar nada.
Conexiones: los sistemas que se nombran
El caso de AMD nombra tres sistemas: SAP SuccessFactors, ServiceNow y Microsoft SharePoint. Describe además una capa de orquestación basada en API para acciones entre sistemas y automatización de procesos. La empresa tiene unos 30 000 empleados y unas 15 personas en su centro de contacto de RR. HH.
El marketplace de Kore.ai ofrece bloques para integrar agentes en otros sistemas: ServiceNow, Zendesk, Freshdesk, Salesforce, HubSpot, Gmail y Outlook. También lista plantillas, como un clasificador de tickets que etiqueta tickets en una herramienta ITSM para enrutarlos, y un predictor de escaladas que analiza conversaciones en busca de señales de sentimiento y riesgo. Para un equipo con Zendesk o Freshdesk, es un punto de partida concreto.
El caso de Autodoc no nombra los sistemas de pedidos o pagos que hay detrás del agente: para una configuración parecida, la lista de conexiones debe salir de su propio entorno.
Límites del agente: qué aportan ABL y la traza
La página principal describe Agent Blueprint Language como un lenguaje tipado y basado en esquemas con el que la empresa define el comportamiento del agente, las herramientas, los límites, la orquestación y la lógica de traspaso. La ventaja práctica: las herramientas que un agente puede invocar y las condiciones para pasar un caso a una persona viven en una definición estructurada, no en instrucciones dispersas.
La misma página describe StateTrace, que captura la ruta de ejecución: traspasos, estado, llamadas a herramientas y contexto. Para quien revisa seguridad u operaciones de RR. HH., es lo que conviene pedir ver en un piloto, porque muestra qué herramientas llamó el agente y cuándo transfirió.
En cuanto a datos, la política de privacidad de Kore.ai indica que los datos del cliente se usan solo para prestar el servicio y no para entrenar modelos generalistas. Si el cliente elige un modelo, una integración o una fuente de datos de terceros, la información puede enviarse a ese tercero según la configuración, con sus propias condiciones. La elección del modelo forma parte de su revisión de datos. El caso de AMD indica un despliegue en AWS, con almacenamiento cifrado de los registros de interacción y Amazon Bedrock para la capa conversacional.
Ejecución: qué hacen realmente los agentes
En AMD, empleados y gerentes completan transacciones frecuentes de RR. HH. y obtienen respuestas a preguntas comunes sin esperar a una persona. Las respuestas se adaptan al puesto y a la región. Los gerentes pueden aprobar transacciones dentro de Microsoft Teams mediante el agente de IA universal, que reúne aprobaciones de los sistemas de RR. HH., viajes y gastos, y finanzas. El caso menciona además una hoja de ruta para ampliar la incorporación de personal y la atención con agentes humanos.
En Autodoc, los agentes gestionan seguimiento de pedidos, cambios de dirección, comprobación de reembolsos y consultas de compatibilidad de piezas, y resuelven consultas rutinarias en autoservicio en 27 países y varios idiomas. El caso habla de comprobar, no de aprobar reembolsos, así que no conviene suponer que el agente mueve dinero.
El contraste importa para delimitar el alcance. El agente de AMD abarca varios sistemas internos e incluye una acción de aprobación: es el ejemplo más amplio y un mal primer alcance. El de Autodoc se describe con consultas de cara al cliente y solicitudes rutinarias. Un primer flujo razonable toma una porción de uno u otro, por ejemplo una consulta del estado de un pedido y un cambio de dirección, o una respuesta de RR. HH. y una transacción.
El traspaso a una persona
AMD describe una escalada para los momentos que importan: los problemas críticos pasan automáticamente a profesionales de RR. HH., para preservar el contacto humano donde más cuenta.
Autodoc pone el énfasis en lo que tiene la persona tras el traspaso. Su módulo Agent AI ofrece a los agentes humanos orientación en tiempo real, siguientes mejores acciones, guías, coaching en directo y resúmenes automáticos. Autodoc indica que la recuperación instantánea de conocimiento redujo el tiempo de investigación un 10 %, cifra publicada por el proveedor. El traspaso tiene dos partes: el disparador que envía el caso y las herramientas de la persona que lo recibe.
Límites y una forma de piloto para probar
Ambos casos los publica Kore.ai. Describen lo que hacen los agentes, no cómo se configuran los permisos, qué acciones requieren aprobación, qué es un problema crítico de RR. HH. ni qué contexto recibe la persona en el traspaso. Las cifras son del proveedor: AMD cita un 80 % menos de tiempo de resolución en RR. HH. y un 50 % de desvío a autoservicio; Autodoc cita un 30 % menos de carga para los agentes y un 20 % menos de tiempo de gestión en seis meses. Son empresas e indicadores distintos y no se pueden comparar. Otras diez empresas nombradas, entre ellas Eli Lilly y Deutsche Bank, aparecen en las páginas de Kore.ai; el detalle de los flujos aquí procede solo de los casos de AMD y Autodoc.
Sugerencia editorial, no una función del proveedor: pilote una acción de lectura y una de escritura, e incluya al menos un caso diseñado para forzar el traspaso. Después revise la traza de ejecución y compruebe que el agente solo usó las herramientas previstas. Kore.ai afirma que su Proof Concierge valida un caso de uso antes de comprometerse, un marco natural para esta prueba.
Método y límites
2026-10-20
Esta instantánea fechada cuenta empresas distintas con pruebas públicas de clientes. CONFIRMED indica un caso de estudio, testimonio identificado o fuente de prensa; DECLARED, una declaración de la propia empresa; OBSERVED, una lista de clientes del proveedor; SIGNAL, una oferta de empleo. Los cuatro niveles cuentan, con distinta solidez. Se excluyen las líneas retiradas o sin nivel. Los ejemplos son una selección limitada verificada en los últimos 90 días. Los datos del proveedor tienen fuentes comprobadas en los últimos 60 días. La cobertura es desigual y la ausencia de pruebas es desconocida. Las cifras no miden cuota de mercado ni rendimiento; las fechas de captura no son fechas de adopción.
