Automatizar la clasificación de correos: de bandeja saturada a casos derivados solos

El problema

En muchas operaciones, la bandeja de entrada es el sistema de gestión real: notificaciones de tribunales, respuestas de clientes, comprobantes, solicitudes internas. Todo llega mezclado y alguien tiene que abrir cada correo, entender de qué se trata, y derivarlo o responder.

Los síntomas se repiten en casi todas las empresas donde lo hemos visto:

• Correos importantes que se responden tarde porque quedaron abajo en la bandeja.
• Cada persona clasifica con su propio criterio, así que nada es consistente.
• Nadie puede decir cuántos correos de cada tipo llegan al mes ni cuánto se demoran en resolver.
• Cuando la persona que "conoce la bandeja" sale de vacaciones, la operación se frena.

Nosotros operamos un clasificador así todos los días en Cobgestión, una empresa de cobranza judicial que recibe correos de tribunales, deudores y mandantes. Esta guía describe cómo se construye uno, con lo aprendido en producción.

Cómo funciona

La arquitectura es más simple de lo que suena:

1. Ingesta: el sistema lee la casilla (API de Gmail/Microsoft o IMAP) cada pocos minutos. No se mueve nada del correo original.
2. Clasificación: un modelo de IA lee asunto, remitente, cuerpo y adjuntos, y asigna una categoría de una taxonomía definida por ti. No inventa categorías: elige entre las tuyas.
3. Extracción: del correo se extraen los datos que importan (número de causa, RUT, monto, plazo) para que la derivación llegue con contexto.
4. Derivación: según categoría y reglas, el caso se asigna al responsable correcto, se crea en el sistema de gestión, o se responde con plantilla.
5. Cola de excepciones: si el modelo tiene baja confianza o el correo no calza con ninguna categoría, va a revisión humana. Esto es lo que hace el sistema confiable.

Qué necesitas tener antes de partir

• Una taxonomía simple: 8 a 15 categorías bien definidas funcionan mejor que 40 difusas. Si dos personas del equipo clasificarían distinto el mismo correo, la categoría está mal definida.
• Ejemplos históricos: unos cientos de correos ya clasificados (aunque sea informalmente en carpetas) aceleran mucho la puesta a punto.
• Reglas de derivación explícitas: quién recibe qué, y qué pasa fuera de horario.
• Definición de excepciones: qué debe ir siempre a un humano, sin importar la confianza del modelo (por ejemplo, amenazas legales o reclamos graves).

Fases realistas

1. Modo sombra (1 a 2 semanas): el clasificador corre en paralelo, propone categorías y alguien las revisa. Nada cambia en la operación. Aquí se mide la efectividad real, no la prometida.
2. Piloto con derivación (2 a 4 semanas): las categorías con alta precisión empiezan a derivarse solas; el resto sigue en revisión.
3. Producción: derivación automática con cola de excepciones, métricas por categoría y alertas si el volumen o el error cambian de golpe.

Los resultados que vimos

En nuestra operación de cobranza judicial, la clasificación y derivación de correos pasó de ser trabajo manual de bandeja a un flujo automático con revisión por excepción. Es una de las automatizaciones que, en conjunto, liberaron más de 800 horas al mes de trabajo repetitivo. El detalle está en el caso Cobgestión.

Dos aprendizajes que le sirven a cualquiera:

• La taxonomía importa más que el modelo. El 80% de los errores iniciales fueron categorías mal definidas, no fallas de la IA.
• El modo sombra genera confianza. El equipo adoptó el sistema porque vio las cifras de precisión antes de soltar el control, no porque alguien se las prometió.

Riesgos y cómo controlarlos

• Falsos positivos: se controlan con umbrales de confianza y cola de excepciones, no con fe.
• Datos sensibles: el modelo solo debe recibir el contenido mínimo necesario, con acceso restringido y registro de cada clasificación.
• Dependencia silenciosa: si el clasificador se cae y nadie lo nota, los correos se acumulan. Necesitas una alerta de backlog desde el día uno.

El siguiente paso

Si tu operación depende de una bandeja que alguien revisa a mano, este es de los procesos con mejor retorno para partir: el volumen es medible, el error es corregible y el resultado se nota en días.

Evaluar mi bandeja