Un dashboard de agentes puede empeorar decisiones si confunde actividad, adopción y resultado en una sola curva

La métrica más fácil suele ser la menos concluyente. Sesiones, mensajes y usuarios activos aparecen rápido porque la aplicación ya los registra. Son útiles para saber que algo ocurrió, pero no explican si la experiencia funcionó. Un agente puede generar muchas conversaciones por confusión, reintentos o soporte. Si el equipo celebra actividad sin contexto, puede optimizar deliberadamente una fricción. El primer paso es aceptar que no existe un número mágico de adopción. La analítica debe representar etapas diferentes del comportamiento y permitir que una métrica contradiga a otra cuando el producto lo necesita.

Exposición y uso deben separarse. No todos los usuarios habilitados vieron una capacidad ni tuvieron un caso adecuado. Conviene registrar quién tenía acceso, quién encontró la superficie y quién inició una tarea. Esta separación evita interpretar baja adopción como rechazo cuando en realidad existe un problema de distribución. También ayuda a diseñar experimentos. Si muchas personas ven la función y pocas la prueban, revisamos propuesta o onboarding. Si nadie la ve, cambiar el modelo no resolverá nada. La analítica debe localizar el cuello de botella antes de proponer una intervención.

Uso y resultado tampoco son sinónimos. Después de iniciar una sesión, necesitamos saber si el workflow llegó a un artefacto o acción válida. La definición depende de la habilidad: un archivo verificado, una reunión agendada o una publicación confirmada. Es mejor usar señales observables que preguntar al modelo si “cree” haber terminado. Cuando una tarea no llega al resultado, el funnel debe conservar el motivo. Fallo técnico, abandono, falta de aprobación y salida incorrecta requieren mejoras diferentes. Un único porcentaje de éxito que mezcle causas reduce la utilidad del diagnóstico.

Resultado y valor necesitan otra capa. Completar una tarea no demuestra que haya sido útil. Puede haber correcciones humanas, retrabajo o poca importancia. Para algunos procesos podemos medir aceptación, tiempo ahorrado, uso del artefacto o efecto posterior. No toda habilidad necesita atribución económica perfecta, pero sí una señal que conecte completitud con valor. Una campaña publicada correctamente puede seguir siendo mala campaña; un documento válido puede no usarse. La analítica madura permite mantener separados “funcionó como sistema” y “mejoró el objetivo del usuario”.

La recurrencia revela si el comportamiento se volvió hábito. Un usuario puede probar una función por novedad y no volver. Cohortes de una semana o un mes muestran quién repite después de obtener un resultado. La recurrencia debe analizarse junto con frecuencia natural del caso. Un flujo mensual no debería compararse con una herramienta diaria. También conviene segmentar por equipo o tipo de tarea. El promedio global puede ocultar que una habilidad es excelente para un nicho y mediocre para el resto; esa información es útil para posicionamiento y roadmap.

Las métricas pueden crear incentivos perversos. Si un equipo es evaluado por mensajes enviados, puede diseñar experiencias que conversan más. Si se mide automatizaciones completadas sin calidad, puede evitar abstenciones necesarias. Cada KPI debe tener una métrica de contrapeso: éxito con correcciones, actividad con outcomes, velocidad con errores. El objetivo no es llenar un tablero, sino prevenir interpretaciones convenientes. Una métrica saludable hace visible el trade-off y obliga a explicar qué se sacrificó para mejorar un número.

Aplicación Goatify. Podemos definir un esquema común para todas las habilidades: elegible, expuesto, iniciado, preparado, ejecutado, verificado y reutilizado. Cada estado lleva causa de salida y tiempo. Sobre esa base, cada marca añade su outcome. Esto nos daría un lenguaje coherente para producto y ventas sin fingir que todos los agentes hacen lo mismo. El dashboard no diría solo cuánto se usa Goatify; mostraría dónde se pierde la intención y qué habilidades convierten mejor una necesidad en un resultado que el cliente vuelve a buscar.