Si vas a poner una IA a hablar con tus clientes, hay una pregunta que deberías hacerle a cualquier proveedor antes que ninguna otra: ¿qué pasa cuando no sabe la respuesta?
No es una pregunta técnica. Es la pregunta de negocio. Porque la respuesta natural de un modelo de lenguaje a un hueco de información no es el silencio. Es rellenarlo.
Por qué la IA completa lo que no sabe
Un modelo de lenguaje funciona, en el fondo, continuando texto de la forma más plausible posible. Es lo que lo hace tan bueno conversando: siempre tiene algo coherente que decir.
Pero fíjate en la palabra: plausible. No verdadero. Cuando un cliente pregunta «¿tenéis este modelo en blanco?» y esa información no está en ningún sitio al alcance del modelo, la continuación más plausible de esa conversación es «Sí, lo tenemos disponible en blanco». Suena a lo que respondería una tienda. Encaja. Y puede ser mentira.
El modelo no está mintiendo en el sentido humano. No sabe que no sabe. Simplemente completa el patrón. Pero a tu cliente eso le da igual: le has confirmado un producto en blanco que no existe, y alguien de tu equipo tendrá que deshacer el entuerto — con el pedido ya hecho, quizá.
«Pórtate bien» no es una garantía
La primera solución que se le ocurre a todo el mundo es escribirlo en las instrucciones: «No inventes precios. Si no sabes algo, dilo».
Ayuda. De verdad que ayuda: reduce la frecuencia del problema. Pero conviene entender qué es: una petición, no un límite. El modelo la pondera junto con todo lo demás — el tono de la conversación, la presión del cliente, las mil instrucciones que se acumulan en el prompt — y la mayoría de las veces la respeta. La mayoría de las veces.
En una conversación de ventas, «la mayoría de las veces» no vale. Nadie contrataría a un comercial que da precios correctos el 97% de las veces y se inventa el 3% restante con total seguridad. El problema de ese comercial no es el 97%.
Hay una segunda línea de defensa que suena mejor: un detector que revisa las respuestas y caza las invenciones. Mejor, sí. Pero un detector construido con el mismo tipo de tecnología es best-effort: caza mucho, no caza todo. Sigue siendo probabilidad, no garantía.
Lo que sí es una garantía: el suelo duro
La diferencia que nos importa es esta: entre pedirle al sistema que se porte bien y hacer que no pueda portarse mal.
Un suelo duro determinista es una comprobación que no depende del modelo. Funciona como un circuito, no como un criterio: si la respuesta contiene un precio, ese precio tiene que existir en el catálogo real, carácter a carácter. Si contiene un producto, ese producto tiene que estar en tu lista. Si no pasa la comprobación, la respuesta no sale — se sustituye, se reformula o se convierte en un «déjame confirmarlo». No hay un porcentaje de acierto que discutir, porque no es una predicción: es una puerta.
Así es como está construido Zatio. El modelo conversa, pero los precios, el stock y los productos pasan por suelos que el modelo no puede saltarse, se lo pida quien se lo pida.
Consultar, no recordar
Hay un segundo principio, más sencillo y casi más importante: la IA no debería recordar tu catálogo. Debería consultarlo.
Si el catálogo vive dentro del modelo — porque se lo pegaste en las instrucciones hace tres meses —, tu bot vende a los precios de hace tres meses. Cambias una tarifa, descatalogas un producto, se agota un material, y la IA sigue contestando con la foto vieja, con total confianza.
La alternativa es que en cada conversación el agente consulte la fuente real — tu catálogo, tu stock, tus condiciones vigentes — y responda con lo que hay hoy, no con lo que había cuando alguien escribió el prompt. Es la diferencia entre un empleado que se leyó el manual una vez y uno que tiene la base de datos delante.
El valor comercial de «no lo sé»
Y queda el caso inevitable: la pregunta cuya respuesta no está en ninguna parte. ¿Instaláis también en Baleares? ¿Podéis hacer una medida especial?
Ahí la respuesta correcta es la que daría un buen empleado nuevo: «Pues eso no lo sé, déjame que te ponga con el equipo». Zatio lo dice así, y traspasa la conversación a un humano con todo el contexto — la conversación entera, no un aviso suelto.
Puede parecer una respuesta pobre. Es lo contrario. Un «no lo sé» honesto es lo que hace creíbles todos los «sí» anteriores. El cliente que ve al bot admitir un límite confía en lo demás que le ha dicho. El que lo pilla en una invención no vuelve a creerle nada — ni al bot ni, de paso, a tu negocio.
A una persona le pedimos exactamente eso: que no afirme lo que no sabe. No hay motivo para pedirle menos a un sistema. La diferencia es que a la persona se lo pides. Al sistema se lo puedes garantizar — si está construido para ello.
Si quieres ver los suelos duros funcionando sobre un catálogo real, escríbenos. Pregúntale a nuestra instancia por un producto que no exista, a ver qué contesta.