Cómo automatizar devoluciones y cambios con IA en ecommerce
El lunes después de Navidad, tu cola de soporte muestra 412 tickets antes de las 9 de la mañana. La mayoría son las mismas cuatro preguntas: «¿Dónde está mi reembolso?», «¿Puedo cambiar esto por una talla más grande?», «¿Cómo inicio una devolución?», «¿Se recibió mi paquete?». Tu equipo de dos personas pasará toda la semana buscando pedidos, copiando números de seguimiento y emitiendo etiquetas de envío una a una. Los datos del sector muestran que los minoristas esperan que se devuelva el 17% de las ventas navideñas.
Esta guía te muestra cómo construir un sistema de IA que gestione las solicitudes de reembolso y cambio de principio a fin: conversaciones por teléfono y chat, comprobaciones de políticas, puntuación de fraude, generación de etiquetas y actualizaciones de estado en tiempo real. Al terminar, tendrás una configuración funcional que desvía el 70-80% rutinario de los tickets de devolución y solo escala los casos que realmente necesitan a una persona, construida sobre Retell AI.
Un sistema de devoluciones y cambios siempre activo que gestiona llamadas y mensajes entrantes, verifica los pedidos contra tu OMS, aplica las reglas de la política, genera etiquetas y envía actualizaciones de estado al cliente sin que una persona toque el ticket.
Al terminar este tutorial, tu configuración podrá:
Antes de empezar, necesitarás:
Empieza con un agente funcional antes de conectar nada complejo. Crea tu cuenta en retellai.com, abre el constructor de agentes y elige una voz cálida y clara de la biblioteca de ElevenLabs. Configura la frase de apertura con algo que tu marca realmente diría: «Hola, soy Maya de [Marca]: ¿llamas por una devolución, un cambio u otra cosa?».
Haz una llamada de prueba al número temporal que asigna el panel. Oirás al agente responder en aproximadamente 600 ms y enrutar según lo que digas. En este punto todavía no puede buscar pedidos: solo enruta la intención. No pasa nada. Confirma que el agente de voz con IA responde con claridad, gestiona la interrupción cuando hablas por encima de él e identifica «devolución», «reembolso» y «cambio» como las tres intenciones principales.
Resultado: un agente en vivo que responde llamadas y clasifica correctamente las devoluciones, los reembolsos y las solicitudes de cambio como flujos separados.
La mayoría de las marcas intentan construir un único flujo gigante y se arrepienten. Construye tres cortos en su lugar: solicitud de reembolso, solicitud de cambio y comprobación de estado de «¿dónde está mi reembolso?». Cada flujo necesita un saludo, un paso de búsqueda de pedido, una comprobación de política, una rama de decisión y un mensaje de confirmación.
Para el flujo de reembolso: saludar → pedir el número de pedido o email → buscar el pedido → comprobar el plazo de devolución → comprobar la pregunta de condición → decidir aprobar/rechazar/escalar → generar etiqueta → confirmar. Para el flujo de cambio, inserta un paso de «sugerir el mismo artículo en otra talla» antes de aprobar un reembolso: los cambios preservan los ingresos que los reembolsos destruyen. Para el flujo de estado, omite la comprobación de política por completo y extrae el estado del reembolso de tu proveedor de pagos.
Usa el framework agéntico de arrastrar y soltar para conectar cada rama. Mantén la conversación breve: quienes llaman por devoluciones quieren rapidez, no charla. Apunta a menos de 90 segundos desde el saludo hasta la entrega de la etiqueta en un caso limpio.
Resultado: tres flujos mapeados que cubren el 80% de las conversaciones reales de devolución.
El agente necesita datos de pedidos en vivo o no es más que un chatbot con voz. Abre la sección de function-calling de tu agente y configura una solicitud HTTP a la API de pedidos de tu tienda. Para Shopify, es el endpoint /orders.json de la Admin API filtrado por email o número de pedido. Para WooCommerce, el endpoint /wp-json/wc/v3/orders. Para sistemas personalizados, cualquier endpoint que exponga tu OMS.
Configura el tiempo de espera del webhook en al menos 5 segundos: las API de pedidos pueden ser lentas en horas punta. Pasa como parámetros de consulta el número de pedido o email que proporcione quien llama. Mapea los campos de respuesta que necesitas: order_date, fulfillment_status, financial_status, line_items, total_price. Añade una rama de fallback que pida a quien llama que deletree su email letra por letra si la primera búsqueda falla.
Prueba con cinco números de pedido reales de tu base de datos. El agente debería decir «Entendido, veo tu pedido de la sudadera azul marino del 12 de noviembre» en 2-3 segundos desde que quien llama termina su solicitud.
Resultado: el agente puede extraer cualquier pedido real de un cliente y decir los detalles relevantes durante la llamada.
Una IA genérica no aplicará tu política específica. Tienes que detallarla. En la lógica de decisión del agente, añade un nodo de comprobación de política después de la búsqueda del pedido. El nodo evalúa cuatro cosas en orden: fecha de compra contra el plazo de devolución, categoría del producto contra las excepciones, historial de devoluciones del cliente contra tu umbral de fraude y condición del artículo según las respuestas de quien llama.
Ejemplo de conjunto de reglas para una marca de ropa: plazo de 30 días desde la entrega, artículos de liquidación final excluidos, clientes con más de 6 devoluciones en 90 días marcados para revisión humana, bañadores y ropa interior no retornables. Escribe cada regla como una condición simple que la base de conocimiento pueda consultar. Incluye el lenguaje exacto de la política que oye quien llama cuando se rechaza una solicitud: «Este artículo se compró hace 47 días y nuestro plazo de devolución es de 30 días, pero puedo ofrecerte un 20% de crédito en tienda como cortesía por única vez» es mejor que «Tu devolución ha sido denegada».
Resultado: el agente aprueba las devoluciones elegibles, rechaza las no elegibles con un motivo específico y ofrece alternativas conformes con la política, como crédito en tienda o reembolso parcial.
El fraude en devoluciones es aproximadamente el 9% de todas las devoluciones según la NRF, y algunas categorías van mucho más altas. Tu agente necesita detectar los patrones obvios sin ralentizar a los clientes legítimos. Construye una función de puntuación que se ejecute en paralelo con la comprobación de política y marque cualquiera de estas señales: más de 3 devoluciones en 30 días, ratio de devolución sobre compra superior al 50%, pedidos con un historial de reclamaciones de «nunca llegó» contradichas por la prueba de entrega del transportista, o clientes por primera vez que solicitan reembolsos de alto valor sobre varios artículos de un único pedido.
Enruta los casos marcados a una transferencia de llamadas con contexto completo: la persona del equipo recoge la llamada con una nota como «Persona en el pedido 10847, tres devoluciones en los últimos 21 días, solicitando reembolso de un artículo que figura como entregado y firmado». No le digas a quien llama que está marcado. Di «Déjame que te pase con un supervisor que pueda revisar esto contigo».
Resultado: los intentos de fraude obvios llegan a revisión humana con las pruebas adjuntas, mientras que las devoluciones limpias pasan sin fricción.
Una vez que la comprobación de política pasa, el agente necesita actuar, no solo prometer acción. Conecta una segunda llamada a función a la API de tu proveedor de etiquetas: Shippo, EasyPost y ShipStation exponen todos un endpoint /transactions que devuelve una URL de etiqueta a partir de una dirección de pedido y un nivel de servicio. Configura el agente para activar esta llamada en el momento en que se aprueba una devolución, y luego envía la etiqueta al cliente por SMS o email durante la conversación.
En paralelo, dispara un webhook a tu WMS o 3PL para que el almacén sepa que llega una devolución. Incluye el número de pedido, los artículos esperados y el código de motivo para que recepción pueda enrutar los artículos dañados a la llegada a inspección en lugar de a reposición. Este es el paso que separa la automatización real de los chatbots elegantes: el flujo de inventario empieza mientras quien llama sigue en línea.
Resultado: el cliente recibe una etiqueta funcional en 30 segundos desde la aprobación, y el almacén ve la devolución entrante en su panel antes de que la llamada termine.
Los cambios son donde se protege el margen. Cuando quien llama dice «necesito devolver estos vaqueros, me quedan grandes», un agente que ofrece reembolso primero pierde ingresos. Un agente que tiene en cuenta el inventario dice «Los tengo en una talla más pequeña en nuestro almacén: ¿quieres que te los envíe hoy e incluya una etiqueta prepagada para la devolución?».
Añade una llamada a función que compruebe tu API de inventario para el mismo SKU en la talla o color alternativo solicitado antes de ramificar hacia la vía de reembolso. Si hay stock disponible, ofrece primero el cambio y procesa ambos lados de la transacción —envío saliente del nuevo artículo, etiqueta entrante para el antiguo— en un único paso de confirmación. El flujo de atención al cliente con IA gestiona el SMS de seguimiento con ambos números de seguimiento.
Resultado: el 30-40% de las solicitudes de reembolso se convierten en cambios, preservando los ingresos en lugar de revertirlos.
Antes de poner en marcha, ejecuta pruebas de simulación contra 20-30 escenarios realistas: devolución limpia dentro del plazo, devolución fuera del plazo, cambio con stock, cambio sin stock, devolvedor en serie, sospechoso de wardrobing, quien llama sin saber su número de pedido, hablante con acento o no nativo de inglés, quien llama e interrumpe a mitad de la explicación de la política. Corrige cualquier punto de fallo que encuentres.
Cuando actives el interruptor, activa el análisis posterior a la llamada con KPI personalizados: tasa de aprobación, tasa de conversión a cambio, tasa de transferencia, tiempo medio de gestión y precisión de las marcas de fraude. Establece una cadencia de revisión semanal durante el primer mes: lee 20 transcripciones de llamadas, busca lagunas de conocimiento, ajusta la redacción de la política o los umbrales de escalado según lo que veas. Planifica un periodo de ajuste de 2 semanas. La mayoría de las marcas alcanzan un 70-80% de contención total en la primera semana, subiendo al 85-90% tras la primera ronda de ajustes.
Resultado: un agente de devoluciones en vivo con KPI medibles y un bucle de mejora repetible.
Cada reembolso es una venta revertida. Cada cambio preserva la transacción. Cuando quien llama da un motivo que implica que un cambio funciona (talla equivocada, color equivocado, no le gustó cómo quedaba), haz que el agente ofrezca primero la alternativa. Las marcas que reordenan la conversación de esta forma ven que el 30-40% de las intenciones de reembolso se convierten en cambios. No lo fuerces: si quien llama dice «solo quiero mi dinero de vuelta», respétalo y sigue adelante.
La política escrita se lee de forma distinta a la política hablada. «Los artículos deben estar en su condición original con las etiquetas puestas» funciona en una página de ayuda. En una llamada suena rígido. Reescribe cada regla en un español hablado sencillo y grábate diciéndola: si tropiezas, quien llama también lo hará. Guarda estas líneas reescritas en la base de conocimiento para que el agente las use textualmente.
Transferir a una persona en la primera respuesta poco clara mata la contención. Dejar que el agente entre en bucle para siempre frustra a quien llama. Establece un techo firme: tres intentos de aclaración, luego resolver o escalar. La mayoría de quienes llaman reformulan con éxito en el segundo intento; el tercer intento es donde descubres si tu base de conocimiento tiene una laguna real o si quien llama realmente necesita a una persona.
Las devoluciones automatizadas triunfan o fracasan según los casos límite que tu política no anticipó. Lee 15-20 transcripciones completas cada semana durante el primer mes. Encontrarás patrones: una línea de producto que impulsa el 30% de las devoluciones con la misma queja, una regla de política que el agente interpreta con demasiada estrictez, una frase que quienes llaman usan una y otra vez y que tu base de conocimiento no reconoce. Introduce las correcciones semanalmente y la contención sube de forma visible.
El agente aprueba un cambio por un vestido de talla 6, luego el almacén envía una talla 6 que lleva tres semanas agotada. El cliente espera, vuelve a llamar enfadado, y ahora tienes dos tickets en lugar de uno. Solución: exige una búsqueda de inventario en tiempo real antes de que el agente pronuncie las palabras «puedo enviarte eso hoy». Si el stock es incierto, el agente promete un pedido de reposición y programa una actualización, no una fecha de envío garantizada.
Los equipos se entusiasman con los casos límite —devoluciones de regalo, devoluciones internacionales, devoluciones mayoristas B2B— e intentan construirlos en la primera semana. El resultado es un flujo frágil que falla en el 80% de los casos simples. Solución: lanza con devoluciones nacionales, de un solo artículo y dentro del plazo. Añade excepciones una por semana después de eso, medidas contra los datos de las transcripciones.
Esta pregunta no es soporte, es estado. La respuesta siempre está en tu proveedor de pagos: Stripe, Braintree, Shopify Payments. No la enrutes a través de la lógica de política del agente ni la escales a una persona. Conecta una llamada a función directa a la API de pagos, extrae el estado del reembolso y haz que el agente lo lea en voz alta. Las marcas que hacen esto bien desvían más del 90% de las llamadas de estado de reembolso sin ninguna intervención humana.
El volumen de devoluciones se dispara de 3 a 5 veces por encima de la media mensual en enero para la mayoría de las marcas de ropa y con muchos regalos. Si tu agente está configurado para un volumen normal, tu tasa de transferencia explotará y las personas del equipo se ahogarán. Solución: aumenta tu capacidad de llamadas simultáneas antes del 26 de diciembre, no después, y audita tus umbrales de fraude: el abuso de reembolsos también se dispara en la misma ventana.
Los artículos dañados en disputa por el cliente, las disputas aduaneras internacionales, las devoluciones parciales B2B y cualquier caso que implique un chargeback siguen siendo trabajo humano. No intentes automatizarlos. Dile a quien llama con honestidad: «Este necesita que alguien de nuestro equipo lo revise: te estoy conectando ahora con todo el contexto de lo que hemos hablado». Quienes llaman respetan los traspasos honestos mucho más que a un bot que finge.
SWTCH desplegó un agente de voz con IA llamado Lucas para gestionar llamadas de soporte de conductores de vehículos eléctricos de alto volumen. El equipo vio caer los costes de soporte en más de un 50%, mientras que los tiempos de respuesta se desplomaron de minutos a segundos. El CEO Carter Li señaló que el agente mejoró los márgenes SaaS manteniendo intacta la calidad del servicio. Lee el caso de éxito de SWTCH.
Anker reconstruyó su atención al cliente global sobre agentes de voz con IA para gestionar preguntas sobre productos, reclamaciones de garantía y devoluciones en varios idiomas. El resultado fueron conversaciones con calidad humana a escala empresarial, sin el coste de personal de mantener una cobertura multilingüe las 24 horas. La marca de electrónica de consumo ahora ejecuta el mismo framework de agentes en sus mercados internacionales.
Medical Data Systems escaló la gestión de llamadas entrantes a una cobertura del 100% con IA con solo una tasa de transferencia del 30% a personas. El equipo recauda aproximadamente 280.000 $ al mes a través de agentes de voz con IA manteniendo los estándares de cumplimiento que su sector exige: un modelo que las marcas de ecommerce pueden adaptar para el trabajo de devoluciones que toca pagos y PII.
La mayoría de las marcas pasan del registro a un agente en vivo gestionando flujos básicos de devolución en 3-5 días. El trabajo más largo es codificar las reglas de tu política y conectar tu OMS, lo que normalmente añade otra semana. Presupuesta dos semanas completas desde el registro hasta producción si tu política es sencilla, cuatro semanas si tienes excepciones complejas por categoría o flujos internacionales.
Sí. El agente se conecta a la Admin API de Shopify para la búsqueda de pedidos, el historial del cliente y la iniciación de reembolsos, y a tu proveedor de envíos elegido para la generación de etiquetas. No hace falta Shopify Plus para la integración básica. Si trabajas con un 3PL, añadirás un webhook a su endpoint de recepción para que las devoluciones aparezcan en su panel.
Los precios de Retell AI empiezan en 0,07 $ por minuto de llamada sin tarifas de plataforma, y cada cuenta nueva recibe 10 $ en créditos gratuitos, suficiente para unos 140 minutos de pruebas del agente. Para una marca que gestiona 1.000 llamadas de devolución al mes con una media de 2 minutos cada una, eso son unos 140 $/mes en costes de agente, frente a los 15-25 $/hora de una persona gestionando el mismo volumen.
El agente escala a una persona con contexto completo. La persona ve los detalles del pedido, lo que quien llama pidió, qué comprobación de política se activó y cualquier señal de fraude marcada. La transferencia tarda menos de 2 segundos y quien llama no tiene que repetir nada. La mayoría de los equipos ven que las tasas de transferencia se estabilizan en el 15-25% una vez que el agente está ajustado, y el resto se resuelve de principio a fin.
Para casos rutinarios dentro de la política, sí. Para casos de alto valor, en disputa o marcados, deberías mantener a personas en el bucle independientemente de lo capaz que sea la IA. Configura tu agente para aprobar automáticamente los reembolsos por debajo de un umbral en dólares que tú definas (muchas marcas empiezan en 100 $), y escala cualquier cosa por encima o cualquier cosa con una señal de fraude. Este equilibrio protege el margen sin crear atascos.
El agente puede marcar patrones que se correlacionan con el fraude —alta frecuencia de devoluciones, disputas de entrega contradichas por los registros del transportista, pedidos con señales de wardrobing— y enrutarlos para revisión humana. No puede identificar el fraude de forma definitiva, y no deberías querer que lo haga. El objetivo es detectar el abuso obvio y dejar que las personas tomen la decisión final en los casos ambiguos.
«¿Dónde está mi reembolso?» es la llamada relacionada con devoluciones de mayor volumen individual en ecommerce. El agente busca el estado del reembolso directamente en tu proveedor de pagos, le dice a quien llama el estado actual y la fecha prevista de finalización, y ofrece una devolución de llamada si algo parece atascado. Este único flujo por sí solo suele desviar el 25-35% de todo el volumen de llamadas relacionadas con devoluciones.
La mayoría de quienes llaman lo notan en los primeros 10-15 segundos, independientemente de cómo lo plantees. La cuestión es si les importa. Con una latencia de respuesta de ~600 ms y turnos de palabra naturales, quienes llaman se quedan en la conversación porque la experiencia es más rápida que esperar en espera a una persona. Sé transparente: decir «soy un asistente de IA» en el saludo en realidad mejora la confianza frente a intentar pasar por humano.
Sí. La plataforma admite más de 31 idiomas con pronunciación nativa a través de ElevenLabs, y más de 50 con OpenAI TTS. Configura la detección de idioma en la primera intervención de quien llama y el agente cambia automáticamente. Esto importa más para las marcas que venden internacionalmente: un único agente cubre clientes en inglés, español, francés y alemán sin despliegues separados.
Sigue cinco números semanalmente: tasa de contención (porcentaje de llamadas resueltas sin transferencia), tasa de conversión a cambio (porcentaje de intenciones de reembolso convertidas en cambios), tiempo medio de gestión, precisión de las marcas de fraude (con qué frecuencia los casos marcados eran realmente fraude) y CSAT de las encuestas posteriores a la llamada. Si la contención está por debajo del 70% después de tres semanas, tu base de conocimiento tiene lagunas. Si la conversión a cambio está por debajo del 20%, tu lógica de recomendación necesita trabajo.
Ahora tienes un agente de devoluciones y cambios funcional que gestiona las comprobaciones de elegibilidad, genera etiquetas, impulsa los cambios sobre los reembolsos siempre que es posible y escala las señales de fraude y los casos límite a personas con contexto completo.
Desde aquí, amplía el mismo framework de agentes para gestionar llamadas salientes de confirmación de reembolso, seguimientos de satisfacción posteriores al cambio o recordatorios de devoluciones abandonadas para clientes que iniciaron una devolución pero nunca enviaron el artículo. También puedes desplegar la misma estructura para el seguimiento de pedidos, la gestión de disputas de entrega o una atención al cliente con IA completa en cada flujo de trabajo adyacente a las devoluciones.
Empieza a construir gratis con 10 $ en créditos de uso en retellai.com.
Descubre cuánto podría ahorrar tu empresa al pasar a agentes de voz impulsados por IA.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Un número de teléfono de demostración de Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
