Epotos implementó AI local para reclamaciones y migró las quejas a Bitrix24

Epotos, fabricante de sistemas de extinción de incendios, trasladó la gestión de reclamaciones de clientes del reenvío manual de correos y Excel a un pipeline semiautomatizado de AI. Los correos entrantes, los adjuntos y las fotos ahora los procesa una stack local de OCR, LLM y Bitrix24, y los empleados reciben una tarea ya preparada con checklist.

Cómo trabajaban antes

Antes de la implementación, todo se sostenía sobre un esquema conocido pero pesado: las reclamaciones llegaban a un buzón compartido donde convivían ofertas comerciales, invitaciones a ferias y correspondencia normal. El secretariado reenviaba manualmente los correos necesarios, registraba las solicitudes y, de hecho, actuaba como filtro primario. Para una empresa con varias líneas de negocio —desde vehículos especiales hasta transporte terrestre— esto se convirtió en un cuello de botella, sobre todo cuando el flujo de casos creció hasta varias decenas por semana y los especialistas en reclamaciones dejaron de llegar a analizar la causa raíz de cada caso.

Después, los datos se pasaban a una hoja de Excel con estados y actualizaciones, pero se rellenaba a mano. El historial de comunicación con el cliente se dispersaba en largas cadenas de correos, y el orden de actuación sobre las reclamaciones a menudo existía solo en la cabeza de los empleados experimentados o se transmitía oralmente a los nuevos. Como resultado, la empresa veía el mero hecho de la reclamación, pero perdía velocidad, transparencia y un estándar único de tramitación. En ese contexto, la automatización ya no parecía un experimento, sino una forma de recuperar el control del proceso.

Cómo se montó el sistema

El equipo decidió no romper el canal habitual y dejó el correo como punto de entrada. Después, los mensajes se recogen por IMAP y su contenido lo procesa una stack de AI local, para no enviar los datos de los clientes a la nube. Para los adjuntos se utilizó Tesseract con un modelo ruso de OCR: extrae texto de PDF, fotografías y otros archivos en los que el copy-paste habitual no basta. Como modelo lingüístico eligieron Qwen3-30B-A3B, ejecutado mediante Ollama. Determina si un correo es una reclamación y, si lo es, lo descompone en campos estructurados para el trabajo posterior.

• Lectura del cuerpo del correo y de los adjuntos, incluidos PDF, imágenes y archivos de texto
• OCR para fotos y escaneos en los que el defecto se describe no en el texto, sino en un documento o una imagen
• Clasificación del correo entrante: reclamación, spam, correo interno o solicitud irrelevante
• Extracción de detalles sobre el producto, número de serie, defecto, categoría y contactos del remitente
• Registro del resultado en Bitrix24 en 25–30 campos y creación automática de una tarea con el checklist necesario

Además, el equipo montó un sistema de prompts y reglas: el modelo debe responder estrictamente en JSON, distinguir una reclamación de producto de los correos comerciales y distribuir las reclamaciones por categorías. Después, los datos pasan a Bitrix24, donde se crean listas y procesos de negocio con responsables, observadores y etapas de cierre.

Sobre el pipeline principal, el autor hizo una pequeña consola de administración: en ella se ven los logs de procesamiento, el historial de ejecuciones, la lista de correos, la configuración de prompts y la posibilidad de volver a procesar los casos de una fecha concreta, si el servicio se detenía y parte de los correos había que revisarlos manualmente.

Qué aportó la implementación

El principal efecto no es que la AI “respondiera a los correos en lugar de las personas”, sino que la reclamación se convirtió en un objeto digital con un ciclo de vida comprensible. Ahora la empresa registra no solo el hecho de la reclamación, sino todo el contexto: qué producto aparece en el caso, quién informó del problema, qué se rompió exactamente y en qué fase está el análisis. Esto simplifica las reuniones, hace más útiles los dashboards de reclamaciones y ayuda a buscar relaciones de causa y efecto en la calidad del producto, en lugar de limitarse a cerrar incidencias una por una.

El segundo resultado es la estandarización. Cuando la tarea se crea automáticamente en el CRM con el checklist necesario, los nuevos empleados reciben no consejos verbales, sino una secuencia de acciones ya preparada. Además, aparece control del estado en tiempo real: se ve quién es responsable del caso y qué se ha hecho ya. Al mismo tiempo, el caso muestra con honestidad que, sin personas, el proceso no desaparece por completo: el secretariado sigue vigilando el correo y el servicio a veces requería un reinicio manual. Pero incluso con esa limitación, la tramitación de reclamaciones se volvió notablemente más ordenada y transparente.

Qué significa esto

Este caso muestra bien un escenario práctico de AI en la industria: no construir una “plataforma inteligente” independiente, sino integrar el modelo en el circuito ya existente de correo, documentos y CRM. Para muchas empresas industriales, precisamente una LLM local con OCR y reglas claras puede dar el efecto más rápido allí donde el flujo entrante sigue viviendo en el buzón y en las hojas de cálculo.