NTT Docomo invierte el chatbot y su IA pregunta antes de responder

NTT Docomo, el mayor operador móvil de Japón, tomó una decisión contraintuitiva: dejó de optimizar para que el cliente "pregunte bien" y diseñó un sistema que devuelve la pregunta. Su nuevo asistente de IA no intenta resolver en el primer turno; indaga, aclara el contexto y reduce los errores de enrutamiento que inflan costos y frustran al usuario. El caso, publicado por ITmedia, ilustra un cambio de paradigma que trasciende la anécdota japonesa: la IA generativa en atención al cliente deja de ser un motor de respuestas para convertirse en un motor de indagación controlada.

Ese giro expone una dependencia que la industria subestima. El blog de Databricks —firmado por Catherine Brown tras entrevistar a Nick Eayrs, VP de Ingeniería de Campo para APJ— argumenta que la analítica agéntica no funciona sin una capa semántica unificada, linaje trazable y gobernanza abierta. Los modelos de BI heredados ocultaban definiciones fragmentadas; la IA las expone y las amplifica. Si el chatbot "pregunta de vuelta" pero no sabe qué significa "cliente premium" en cada sistema, la indagación se vuelve ruido.

La literatura académica respalda el diagnóstico. Una revisión publicada en el Journal of Data Analysis and Critical Management (2026) identifica que los chatbots generativos superan a los basados en reglas en comprensión de intención, contexto multilingüe y personalización, pero advierte que la privacidad de datos, la coherencia del modelo y la necesidad de conjuntos de entrenamiento extensos y de alta calidad siguen siendo barreras estructurales.

Un estudio de San Jose State University en Information Research (2025) añade matices: consumidores —incluida la Generación Z— prefieren atención humana en situaciones críticas; la ganancia real está en la colaboración humano-IA, no en la sustitución. Y un paper de IEEE (ICAC 2025) describe una arquitectura multi-agente con RAG, grafos de conocimiento y memoria episódica para soporte interno de TI, logrando métricas RAGAS superiores y menor sobrecarga computacional mediante caching y slot filling adaptativo.

Al cruzar estas fuentes, la tesis que emerge es única: el diferenciador ya no es el modelo de lenguaje, sino la calidad de la capa de datos que lo alimenta. Un chatbot que pregunta bien requiere definiciones compartidas, linaje auditable y controles de acceso que sobreviven a la rotación de proveedores de LLM.

Qué cambia para un ejecutivo latinoamericano

En la región, tres factores vuelven esa capa de datos más difícil y, a la vez, más valiosa:

• Fragmentación heredada: bancos, telcos y retailers operan con core bancario, CRM y sistemas de facturación que no comparten diccionario de datos. Unificar "cliente", "producto" y "canal" implica gobernanza transversal, no solo un proyecto de IA.
• Regulación de datos en expansión: la LGPD en Brasil, la Ley 25.326 en Argentina, la Ley 1581 en Colombia y la Ley 19.628 en Chile exigen trazabilidad, minimización y derechos del titular. Una arquitectura con linaje nativo —como propone Databricks con Unity Catalog— reduce el costo de cumplimiento frente a soluciones ad hoc.
• Sensibilidad al costo por token: los LLM comerciales castigan la latencia y el volumen. El paper de IEEE muestra que caching semántico y slot filling adaptativo recortan overhead; en Latinoamérica, donde el costo de cómputo en nube pública tiene recargo cambiario, esa eficiencia define viabilidad.

Implicación operativa inmediata

Antes de licenciar un proveedor de chatbot generativo, el CTO o CDO debería auditar tres activos:

1. Diccionario de métricas y entidades compartido entre marketing, operaciones y TI. Sin él, el bot "pregunta de vuelta" con definiciones contradictorias. 2. Linaje de extremo a extremo desde el dato crudo hasta la respuesta al cliente. Requerido para auditoría regulatoria y para depurar alucinaciones. 3. Modelo de gobernanza por rol que determine quién puede preguntar qué y qué datos salen del perímetro. El estudio de SJSU confirma que el humano sigue siendo responsable final en decisiones críticas.

NTT Docomo deja una lección clara: no es "comprar un bot que pregunta", sino construir la capa de datos que permite que la pregunta sea precisa. En Latinoamérica, donde la deuda técnica de datos convive con regulación nueva, esa construcción es el moat defensivo.