Ya sé que puede parecer algo extraño comparar una partida de ajedrez con una interacción de servicio al cliente, sin embargo, cuando se examina de cerca la estructura y el desarrollo de ambos, la analogía resulta sorprendentemente reveladora.
Aunque sus objetivos difieren radicalmente —el jaque mate frente a la satisfacción del cliente y la resolución del problema— ambos siguen una escalada similar en complejidad a medida que la interacción avanza.
Paralelos conceptuales
| Partida de ajedrez | Interacción en Call Center | Significación / Analogía |
|---|---|---|
| Estrategia de apertura | Apertura de la llamada / saludo | Marcar el tono y tomar el control desde el inicio. |
| Combinación táctica | Manejo de objeciones | Pensamiento rápido para revertir situaciones. |
| Precisión en final de partida | Cierre de la llamada | Asegurar la resolución y la satisfacción antes de finalizar. |
| Sacrificio | Ofrecer una compensación o gesto comercial | Pérdida a corto plazo para un beneficio a largo plazo (fidelización o retención). |
| Jaque mate | Satisfacción del cliente y resolución | Alcanzar el resultado esperado de manera eficaz. |
| Error crítico | Error de comunicación / violación de reglas | Un error costoso que impacta en los resultados. |
| Tablas | Estancamiento / escalada | Ninguna de las dos partes logra su objetivo. |
| Presión del tiempo | Períodos de alto volumen de llamadas | Decisiones bajo tensión; equilibrio entre eficiencia y precisión. |
Ahora que el paralelismo entre ambas actividades está claro, es muy interesante observar el comportamiento de la IA en cada una de estas interacciones:
Un ejemplo ilustrativo de las limitaciones de los LLM (modelos de lenguaje de gran tamaño) proviene de experimentos documentados con el ajedrez.
En marzo de 2024, Chess.com organizó un enfrentamiento entre ChatGPT y Gemini de Google, donde ambos sistemas podían explicar perfectamente las reglas del ajedrez cuando se les preguntaba directamente, pero luego violaban esas mismas reglas repetidamente durante la partida. Ambos bots intentaron constantemente realizar movimientos ilegales y, cuando se les informaba del error, continuaban proponiendo jugadas inválidas.
Nikola Greb, científico de datos especializado en PLN y antiguo campeón juvenil de ajedrez con ELO superior a 2000, jugó varias partidas contra ChatGPT-4 en enero de 2024 y documentó que el modelo jugaba “como un gran maestro” en los primeros movimientos de la apertura, pero se deterioraba significativamente a medida que avanzaba la partida. ChatGPT-4 comenzó a alucinar, generando movimientos imposibles incluso después de haber sido advertido. Greb concluyó que la calificación global del sistema estaba por debajo de 1500 y observó algo crucial: “No ha habido aprendizaje implícito de las reglas: ChatGPT-4 sigue alucinando en el ajedrez y continúa alucinando incluso después de la advertencia sobre la alucinación. Esto es algo que no puede ocurrirle a un humano”.
Esta desconexión entre lo que un LLM puede “decir” y lo que puede “hacer” revela una limitación fundamental: no poseen modelos mentales reales del mundo. En el contexto del servicio al cliente, esto significa que un bot puede recitar perfectamente la política de una empresa pero aplicarla incorrectamente en situaciones específicas, o puede explicar cómo funciona un producto sin ser capaz de diagnosticar un problema con él.
El Torneo de Ajedrez de Chatbots 2025
En enero de 2025, un torneo de ajedrez entre chatbots emitido en el canal de GothamChess enfrentó al motor profesional de ajedrez Stockfish contra siete chatbots de IA generativa, incluidos ChatGPT, Gemini de Google y Grok de X. Los resultados fueron exactamente lo que cabría esperar cuando modelos de lenguaje intentan jugar al ajedrez: aperturas decentes seguidas de intentos cada vez más caóticos de saltarse las reglas del juego. El chatbot de Snapchat decidió que los peones podían moverse lateralmente como una torre, y cuando se le señaló el error, se negó repetidamente a continuar, diciendo: “Lo siento. No puedo participar en este tipo de conversación. Mantengamos nuestra conversación respetuosa”.
El problema de la memoria y el contexto
Los LLM tienen límites estrictos de memoria. Aunque los modelos más recientes ofrecen ventanas de contexto más amplias, aún tratan cada conversación como relativamente aislada. Esto significa que pueden “olvidar” información crucial proporcionada al inicio de una conversación larga, obligando a los clientes a repetirse. .
En uno de los siguientes artículos, veremos cómo evitar poner al cliente en una situación de fracaso mientras aprovechamos al máximo las capacidades innegables de la IA…