Case Classification Agent para Service Cloud.
Clasifica, categoriza y enruta cada case en segundos. Sin errores humanos, sin demoras, sin SLA breach.
El agente de Agentforce que analiza cada case entrante — email, chat, voz transcripta — y predice tipo, subtipo, severidad y queue en tiempo real. Para contact centers con alto volumen y cases mal categorizados que generan misrouting y SLA breach.
¿Qué hace Case Classification Agent?
Case Classification Agent es un agente autónomo de Agentforce que opera dentro de Service Cloud sobre cada case entrante. Analiza subject, description, adjuntos y contexto del cliente para predecir Type, Sub-type, Severity y Queue en tiempo real. Usa un modelo híbrido: supervisado para categorías maduras, LLM Atlas para casos ambiguos y cold start. El resultado: misrouting cae entre 50% y 70%, y el triage que tomaba minutos ahora toma segundos.
Cómo funciona paso a paso
Del case entrante al routing correcto. 7 pasos, en segundos.
Case se crea en Service Cloud
Email, web form, chat, voz transcripta. Trigger dispara el agente.
Hydrators arman contexto
Lee subject, description, Account tier, historial del Contact, Knowledge hints, Assets del cliente. En paralelo, <300ms.
Modelo supervisado clasifica
Predice Type, Sub-type, Priority con scores. Rápido (<200ms), sin consumir credits.
Evaluación de confidence
Si score ≥ 0.7 y Type está en taxonomía activa, avanza. Si no, invoca LLM Atlas.
LLM Atlas refina
Few-shot con ejemplos canónicos. Maneja ambigüedad, multilingüe y categorías nuevas.
Effectors escriben resultado
Type, Sub-type, Priority, Queue asignada, Knowledge pre-attached. Todo en una transacción.
Feedback loop
Si el humano reclasifica manualmente, el cambio se captura y alimenta el próximo retraining.
Ejemplo de interacción real
[Email entrante]
[Agente clasifica en 3 segundos]
Arquitectura del agente
Los cuatro pilares que hacen funcionar a Case Classification Agent dentro de tu org de Salesforce.
Data
Fuentes de grounding
- Case (Subject, Description, Origin)
- Account (Tier, Industry, SLA)
- Contact history (últimos 5 cases)
- Knowledge Base (búsqueda semántica)
- Assets/Products del cliente
- Custom_Taxonomy__mdt
Actions
Lo que el agente ejecuta
- Clasificar Type/Sub-type (supervisado + LLM)
- Inferir Priority por valor de cuenta
- Detectar idioma
- Inferir Product asociado
- Asignar OmniChannel queue
- Pre-attach Knowledge articles
Guardrails
Controles de confianza
- Trust Layer PII masking en prompts
- Confidence floor configurable (0.7 default, 0.85 en banca/salud)
- Validación de output contra taxonomía activa
- Audit log completo por inferencia
Channels
Dónde opera el agente
- Email-to-Case
- Web-to-Case
- Embedded Messaging
- Service Cloud Voice (transcripción)
Implementación en 5 fases
De discovery a producción. Case Classification Agent requiere taxonomy cleanup antes de arrancar: 8 a 9 semanas.
Discovery y taxonomy cleanup
Auditar Sub-types, consolidar duplicados, mapear a Topics.
Data readiness
Validar histórico de cases (≥6 meses), preparar dataset de training, configurar Knowledge.
Agent build
Training del supervisado, tuning del LLM, configuración de Topics, Hydrators, Effectors.
Testing y piloto
QA con cases históricos, A/B vs clasificación manual, threshold tuning.
Go-live y tuning
Rollout, feedback loop activo, retraining trimestral, drift monitoring.
Equipo típico de implementación
Requisitos para arrancar
Lo que necesitás tener listo antes de poner Case Classification Agent en producción.
Datos mínimos
- Case taxonomy estable (Types/Sub-types controlados)
- Histórico ≥6 meses de cases bien clasificados (≥10k)
- Knowledge articles publicados con DataCategory
Licencias
- Service Cloud Enterprise+
- Agentforce for Service
- Lightning Knowledge (incluido en EE+)
- Data Cloud (opcional, mejora accuracy)
Integraciones
- OmniChannel Routing API
- Knowledge Search API
- Data Cloud (si Customer 360)
- MuleSoft (si fuentes externas de cases)
Org readiness
- Owner de taxonomía designado
- QA team con sample semanal de 200+ cases
- Acuerdo de Needs_Review con SLA propio
- Sandbox disponible
KPIs: antes y después
KPIs esperados al implementar este agente. Rangos referenciales para planificación; los resultados reales dependen del estado de los datos y la operación de cada empresa.
| Métrica | Antes (manual) | Después (agente) | Cambio |
|---|---|---|---|
| Accuracy de clasificación | 60 - 70% | 85 - 95% | +15-25 ppt |
| Tiempo de triage | 2 - 4 minutos | Segundos | -98% |
| Misrouting rate | 15 - 25% | 4 - 8% | -50-70% |
| Reasignaciones internas | Baseline | -50 - 65% | -50-65% |
| AHT Tier-1 | Baseline | -12 - 18% | -12-18% |
| Time-to-value post go-live | N/A | 4 - 6 semanas | Rápido |
Caso arquetipo LATAM: Retailer omnichannel mexicano, 35k cases/mes. Accuracy pasó de 71% a 89% en 4 meses. Misrouting cayó a 4%. AHT Tier-1 -16%.
Tenemos casos en este agente — hablemos para compartir los relevantes a tu industria.
Riesgos comunes y cómo los mitigamos
Misrouting sistemático por mala calibración
Cases en colas equivocadas, agents pierden confianza.
Mitigación: Threshold conservador al inicio (0.85), Needs_Review robusto, reviews semanales primer mes.
Categorías obsoletas en taxonomía
Cases en Sub-types que el negocio ya no usa.
Mitigación: Versionado con IsActive flag, owner de taxonomía con firma trimestral, deprecation policy.
Drift con nueva taxonomía
Accuracy cae post-cambio de taxonomía.
Mitigación: Bridge period 30-60 días con dual classification, re-training del supervisado antes de promote.
Alucinación del LLM classifier
LLM inventa Types que no existen.
Mitigación: Validación estricta contra Custom_Taxonomy__mdt. Si output inválido, fallback a Needs_Review.
Adopción baja del Tier-1
Agents reclasifican todo manualmente.
Mitigación: Training con casos demostrativos, feedback loop visible, incentivos en QBRs.
Preguntas Frecuentes
No lo reemplaza, lo acelera. El agente clasifica el 85-95% de los cases correctamente en segundos. Los cases ambiguos (confidence bajo) van a una cola de triage humano con SLA propio. El humano sigue siendo el árbitro final.
Mínimo 6 meses de cases bien clasificados, idealmente 12-18 meses. Si tenés menos de 10k cases con Type/Sub-type válido, el modelo supervisado no aprende y el agente se apoya más en el LLM con few-shot.
Sí. Probado en clientes con 20+ Types y 100+ Sub-types. La clave es que la taxonomía esté limpia y tenga un owner que la mantenga. Taxonomías caóticas con 80+ Sub-types abandonados requieren cleanup previo.
La capa supervisada no consume credits. Solo el LLM consume, y típicamente se usa en el 20-30% de los cases (ambiguos, multilingüe, cold start). El mix híbrido mantiene el costo bajo.
El modelo lo detecta como confidence bajo y lo manda a Needs_Review. El QA team lo etiqueta, se crea el nuevo Sub-type en la taxonomía y se reentriena. Hay un runbook de cold start para cada lanzamiento de producto.
Dashboard de classification health con accuracy, confidence promedio, ratio LLM vs supervisado y drift detection. Alertas automáticas si la accuracy baja más de 5 puntos o si el ratio LLM sube sin razón.
Cases bien clasificados desde el primer segundo.
Hablá con un Service Architect de Solu. En una sesión de discovery auditamos tu taxonomía y te mostramos el impacto en misrouting.