AI JourneyDel soporte Cómo transformamos los retos de soporte
HUMAN EXPERTISE × AI
CONNECT. LEARN. EVOLVE. 01 ↗
Abrir con el objetivo: dar capacidad al equipo de soporte y proteger el tiempo de desarrollo. Esta es una historia de evolución y adopción, no solamente de modelos. El diseño está inspirado en IBM Carbon; la presentación no utiliza una plantilla oficial.
01 / EL PUNTO DE PARTIDA
Más preguntas. Cuando el conocimiento depende de unas pocas personas,
01
Soporte insuficiente El equipo necesita atender dudas técnicas y casos de configuración.
→ 02
Desarrollo involucrado Resolver los casos requiere tiempo de los desarrolladores.
→ 03
Entregas impactadas Las interrupciones compiten con el trabajo de desarrollo.
El problema inicial no era tener o no tener IA. Era que la capacidad de soporte resultaba insuficiente y había que recurrir a los desarrolladores, con impacto en sus tiempos. No contamos todavía con una medición de horas de desarrollo recuperadas.
02 / DE LA IDEA A LOS PRIMEROS AGENTES
Empezamos con una limitación. La propuesta: usar agentes de IA para ampliar el acceso al conocimiento.
FEB 2025
Exploración Buscamos alternativas sin acceso a infraestructura oficial de IA.
AGO 2025
Acceso a Contamos con infraestructura oficial para avanzar.
SEP 2025
IBM Sales El conocimiento del manual se acerca al equipo de soporte.
DIC 2025
Ask Ampliamos la exploración con watsonx Orchestrate.
Fechas tomadas de las notas del equipo. Febrero se ubica en 2025 por la secuencia proporcionada. WXO se usa como abreviatura de watsonx Orchestrate. El artículo de julio de 2026 sitúa la primera versión de Sales Manual en Agent Stack.
03 / LAS PRIMERAS VERSIONES
Construir el agente
01 Rotación de modelos Los cambios de LLM en Agent Stack exigieron adaptación.
02 Mantenimiento El código también necesita evolucionar junto con las plataformas.
03 Límites de WXO Identificamos restricciones de la tecnología y áreas de mejora.
04 Madurez de los agentes Una primera versión necesita iteración para ser útil en casos reales.
05 Adopción Publicar una herramienta no garantiza que las personas la usen.
06 Aprendizaje continuo El entrenamiento de usuarios es parte del producto.
Estos son retos reportados por el equipo; no constituyen una comparación general de proveedores. El equipo aclaró que los cambios de LLM ocurrieron en Agent Stack. Enfatizar la necesidad de mantener modelos, código, conocimiento y hábitos de uso.
04 / EL SIGUIENTE CAPÍTULO
2026
De agentes aislados IBM Sales Manual v2 ↗ Ask e-Config ↗ SOVA Agent ↗
En 2026 la evolución pasa por tres líneas: Sales Manual v2 con Claude y Slack; orquestación de agentes especializados para eConfig; y SOVA Agent con contexto de la aplicación, IBM Sales Manual Agent, Bob Shell y Slack.
05 / IBM SALES MANUAL V2
El conocimiento, dentro Un agente más cercano al lugar
01 Claude como LLM Evolución del agente en su segunda versión.
02 Integración con Slack Consultas directamente en #sova-cloud .
03 Conocimiento especializado Apoyo para investigar problemas técnicos de configuración y CFR.
U Usuario Ejemplo ilustrativo ¿Qué debo revisar para investigar
IBM Sales Manual Agent Asistente de conocimiento Revisa la regla aplicable en el Sales Manual y contrástala con la configuración del caso.
Conocimiento del Sales Manual
La conversación es ilustrativa y no reproduce una interacción real ni promete una capacidad adicional. Claude y v2 vienen de las notas del equipo. El uso de Slack y de #sova-cloud está documentado en el artículo del 15 de julio de 2026.
06 / ASK E-CONFIG · WATSONX ORCHESTRATE
Especializar el conocimiento. Agentes enfocados en cada tema para reducir errores
Consulta de eConfig
WXO · ORQUESTADOR
Ask e-Config
Agente especializado Conocimiento por tema
Agente especializado Conocimiento por tema
Agente especializado Conocimiento por tema
Documentación de eConfig → documentos de conocimiento para cada agente
El agente se llama Ask e-Config, según confirmó el equipo. El enlace y el QR llevan a https://www.ibm.com/services/econfigcloud/, proporcionado por el equipo. Esquema conceptual: los tres nodos no representan el número real de agentes. Según el equipo, se crearon agentes por tema y gran parte de la documentación de eConfig se convirtió en conocimiento especializado. Objetivo: minimizar errores y mejorar respuestas. Pendientes: nombres y cantidad de agentes especializados, casos reales, fecha de despliegue, adopción y desglose de resultados. El equipo reporta una reducción aproximada de 200 tickets, presentada en la siguiente diapositiva. No se han inventado métricas.
07 / ASK E-CONFIG · RESULTADOS
Aproximadamente 200 Enero de 2025–octubre de 2026.
REDUCCIÓN APROXIMADA ≈200
tickets de soporte Estimación del equipo.
APLICACIÓN
Soporte básico Consultas sobre el uso de eConfig.
PRODUCTOS
Preguntas básicas Dudas frecuentes sobre productos.
Reducción aproximada reportada por el equipo · enero de 2025–octubre de 2026.
El equipo confirmó una reducción aproximada de 200 tickets de soporte en el periodo enero de 2025–octubre de 2026. Los temas corresponden al soporte básico de la aplicación y preguntas básicas de productos. La cifra representa tickets menos, no el volumen restante. No se dispone de una serie mensual, un volumen de referencia ni un desglose por tipo de consulta; no se calcula un porcentaje de reducción.
08 / SOVA AGENT
Más contexto.
Un asistente que reúne conocimiento
Slack →
SOVA Agent Contexto + conocimiento
IBM Sales Manual Agent
Bob Shell
Aplicación SOVA
Lanzamiento: septiembre de 2026 · Evolución del soporte.
Arquitectura conceptual basada en las notas del equipo. El QR principal abre el canal #sova-cloud donde está el agente: https://ibm.enterprise.slack.com/archives/CP9V3N78C. SOVA Agent se basó en el proyecto open source IBM Bob Harness, según la referencia proporcionada por el equipo: https://github.com/BrUn3y/IBM_Bob_Harness. El enlace al proyecto aparece debajo del QR de Slack. El usuario confirmó el lanzamiento en septiembre de 2026. No se afirma que todos los recursos tengan una implementación de herramientas idéntica ni que toda consulta se resuelva de forma autónoma.
09 / RESULTADOS DOCUMENTADOS · 2T 2026
El valor ya se ve RESOLUCIÓN ASISTIDA 60%
de los tickets abiertos, 40 de 67 tickets · abril–junio de 2026
AUTOSERVICIO 42
tickets evitados Usuarios que resolvieron su consulta
ACCESO DESDE SLACK 57
consultas directas Interacciones registradas
IBM Sales Manual Agent · Blog interno de IBM, 15 jul 2026. 60% = 40 / 67, redondeado. Los indicadores representan poblaciones distintas.
Fuente: IBM Sales Manual Agent: Results & AI Adoption, publicado el 15 de julio de 2026. Reporta 57 consultas Slack, 67 tickets abiertos, 40 cerrados con IA y 42 evitados. El 60% es una proporción calculada (59.7% redondeado), no una reducción del volumen de tickets. No sumar 40 y 42 ni usar 57 como denominador de resolución.
10 / TICKETS DE SOPORTE SOVA · NOV 2024–NOV 2026
Septiembre, un año después. SEP 2025 → SEP 2026 56 → 18 −68% · comparación interanual
Tickets mensuales de soporte de SOVA Serie de noviembre de 2024 a noviembre de 2026. Septiembre de 2025: 56 tickets; septiembre de 2026: 18, una reducción interanual del 68%. SOVA Agent se lanzó en septiembre de 2026. Noviembre de 2026 es parcial: 1 ticket.
Ver captura original ↗
Comparación de septiembre de 2025 y 2026. Serie transcrita de la captura proporcionada. Noviembre de 2026 es parcial. La comparación no aísla el efecto del agente.
La captura contiene 25 valores mensuales: 11,36,4,6,40,20,13,27,12,22,56,24,37,45,12,14,33,15,15,37,19,15,18,13,1. Los valores de abril, mayo y junio de 2026 coinciden con los tickets SOVA del artículo (15,15,37). El equipo confirmó que SOVA Agent se lanzó en septiembre de 2026 y que la comparación relevante es septiembre de 2025 contra septiembre de 2026: de 56 a 18 tickets, 38 menos. (18 − 56) / 56 = −67.86%, redondeado a −68%. Es una comparación interanual descriptiva entre el mismo mes de dos años; coincide con el mes de lanzamiento y no permite atribuir toda la diferencia al agente. Noviembre es parcial al 6 de noviembre y no se usa en la comparación.
DAM / AI PARA DESARROLLO DE SOFTWARE
DAM
Nuestros primeros pasos
Con DAM, integramos agentes a nuestro flujo de desarrollo.IBM Research para trabajar en la nube.
Claude Code ↗ Codex ↗ Bob ↗
Esta diapositiva introduce nuestros primeros pasos hacia una AI Software Factory: DAM se aplica al desarrollo de software. Presentar esta etapa como una evolución en curso del flujo de desarrollo del equipo. Desde esta diapositiva, la presentación se enfoca exclusivamente en DAM. El equipo confirmó que usa agentes en la nube con Claude Code, Codex y Bob sobre infraestructura de IBM Research. El README de dam-agents/dam describe una plataforma abierta para agentes de larga duración y un despliegue alojado por IBM Research, además del despliegue open source en infraestructura propia. El enlace y el QR llevan a https://github.com/dam-agents/dam. No se expande el nombre DAM con un significado no confirmado.
DAM / UNA PLATAFORMA PARA EL EQUIPO
Un entorno para operar
01 Contexto persistente Archivos, memoria y contexto que se conservan entre sesiones.
02 Entornos aislados Espacios de ejecución separados para los agentes.
03 Distintos runtimes Claude Code, Codex y Bob dentro de una misma plataforma.
04 Trabajo programado Tareas recurrentes, orquestación y coordinación de subagentes.
05 Acceso compartido Interacción con agentes desde Slack, web y CLI.
06 Visibilidad de uso Actividad, consumo y presupuestos por agente y modelo.
Capacidades descritas en el README de dam-agents/dam ↗ .
Fuente: README público de https://github.com/dam-agents/dam, consultado el 6 de noviembre de 2026. Documenta espacios persistentes, ejecución aislada, runtimes intercambiables, orquestación, tareas programadas, subagentes, acceso desde Slack/web/CLI y visibilidad de uso y costos. Se describen capacidades de la plataforma, no resultados de productividad medidos por el equipo. IBM Research ofrece el despliegue alojado que el equipo indica utilizar.
DAM / LO QUE HACEMOS EN SOVA
Desarrollo con agentes en la nube.
01 Resolver vulnerabilidades Investigamos y corregimos vulnerabilidades de la aplicación.
02 Code review Dos agentes revisan los cambios de código en GitHub.
03 Pequeñas funcionalidades Desarrollamos mejoras y nuevas funcionalidades de alcance acotado.
04 Contexto de arquitectura Los agentes cuentan con contexto de la arquitectura de SOVA.
05 Tareas programadas Ejecutamos trabajo recurrente con agentes que conservan el contexto.
06 Todo desde Slack Pedimos y damos seguimiento al trabajo de los agentes en la nube.
Claude Code · Codex · BobAgentes en la nube sobre infraestructura de IBM Research.
Casos de uso descritos por el equipo para SOVA: resolver vulnerabilidades, hacer code review, desarrollar pequeñas funcionalidades y ejecutar tareas programadas. Los agentes tienen contexto de la arquitectura de la aplicación. Todo se solicita y se gestiona desde Slack para utilizar agentes en la nube. Se mantiene la información previamente compartida sobre dos agentes de code review en GitHub y el uso de Claude Code, Codex y Bob sobre infraestructura de IBM Research. No se atribuyen métricas de productividad no medidas.
AI JOURNEY / CONVERSEMOS
Q&A Soporte Agents WXO y BeeAI DAM
Dejar esta diapositiva visible durante la sesión de preguntas. El QR abre la presentación completa en https://brun3y.github.io/ai-journey/, desde la portada. También se puede descargar una copia HTML para verla sin conexión. El repositorio de la presentación está en https://github.com/BrUn3y/ai-journey.
