Elementos que debes considerar en diseñar un AI Agent para admisiones en tu universidad
Este blog post presenta una guía práctica para líderes de admisiones y marketing que quieren diseñar un AI Agent. La guía presenta un "approach" de un "user story" pero explicamos las cosas a considerar para documentar el requerimiento.
El ejemplo del user story es:
Como líder de marketing y líder de admisiones de la universidad, quiero una solución de IA que active rápidamente al lead recién capturado por Meta/Google, lo contacte por WhatsApp con un tiempo de respuesta menor a 5 minutos, lo califique con base en señales conversacionales y de campaña, y priorice los de mayor interés para el asesor humano, para que los asesores se enfoquen en los leads de mayor valor y dejen de perder oportunidades por demoras o seguimiento, y así mejorar la tasa de contacto efectivo con interés, subir la conversión a cita y reducir el costo por inscrito, acelerar la matricula
Y si no tienes claro cómo diseñarlos, vas a desperdiciar tiempo, dinero y oportunidades de matrícula.
Un AI Agent no va a rescatar un proceso de admisiones roto. Si los datos del CRM están incompletos o llenos de duplicados, el agente va a calificar mal. Si el playbook del consejero no está documentado, el agente no tiene cómo aprenderlo. Si no hay opt-in válido por canal, el agente no puede contactar legalmente a los prospectos.
La calidad del agente depende directamente de:
- La calidad de los datos en el CRM.
- La claridad del procesos de admisiones.
- La gobernanza del ciclo de relacionamiento.
- La elección inteligente del tipo de IA por tarea.
Primero el proceso (mejóralo o rediséñalo), luego la tecnología.
El ciclo de admisiones como ecosistema
Antes de hablar de agentes, tienes que entender el ciclo completo.
El prospecto no aparece de la nada el día que firma la matrícula. Pasa por varias etapas:
TOFU — Awareness y consideración. Alguien vio un anuncio, buscó en Google, llegó por referido. Todavía no sabe si quiere estudiar en tu universidad, y puede que ni sepa exactamente qué quiere estudiar.
MOFU — Calificación y agendamiento. El prospecto ya mostró interés. Ahora hay que calificarlo: ¿cumple los requisitos académicos? ¿Le interesa el programa disponible? ¿Puede pagar? ¿Está en la región correcta? Si califica, hay que agendar una cita con un consejero.
BOFU — Cierre y matrícula. El prospecto está listo para decidir. Aquí entra el asesor: completa documentos, valida identidad y credenciales académicas, gestiona el pago, y cierra el proceso.
Onboarding y retargeting. El que matricula necesita una bienvenida clara. El que no calificó o no convirtió no es un lead muerto — es un candidato para el próximo ciclo.
Cada etapa tiene actores diferentes, objetivos diferentes, datos diferentes, y — esto es clave — necesidades de IA diferentes.
¿Qué hace exactamente un AI Agent bien diseñado?
- Calificar un prospecto en menos de 5 minutos después de que llegó por WhatsApp, sin intervención humana.
- Agendar automáticamente la cita con el consejero correcto, según programa, sede y disponibilidad.
- Seguir un flujo de contactación multicanal (WhatsApp → email → llamada → SMS) con tiempos definidos, sin que el consejero tenga que recordar manualmente cuándo hacer cada intento.
- Mover automáticamente al prospecto que no calificó a la campaña de retargeting del próximo ciclo, con el contexto del por qué no calificó.
- Asistir al asesor en BOFU: recordarle qué documentos faltan, detectar inconsistencias, generar resúmenes de la conversación.
User Stories para AI Agents
Debes considerar usar User Stories de AI Agents ya que es un instrumento de trabajo para los equipos que realmente quieren implementar esto bien.
¿Qué debes considerar en el user story?
- La historia en formato narrativo. Quién pide el agente, qué tiene que lograr, cuál es el impacto en el negocio. Simple. Claro. Sin ambigüedad.
- Los actores involucrados. El prospecto, el consejero, el asesor, el líder de marketing, el líder de admisiones, el supervisor humano. Todos tienen un rol en la historia.
- El comportamiento del agente. Qué tareas ejecuta, qué tareas NO ejecuta (esto es igual de importante), y en qué modo opera: autónomo, asistido o copiloto.
- Las reglas de calificación. Edad, nivel educativo previo, región, capacidad de pago, programa disponible. Esto es el núcleo del agente MOFU — si las reglas no están definidas, el agente va a calificar mal.
- El flujo de contactación. Cuántos intentos, en qué canal, con qué tiempos. Sin esto, el agente o es demasiado agresivo o deja morir los leads.
- Las integraciones requeridas. CRM, SIS, calendar tool, WhatsApp BSP, call center. El agente no existe solo — vive dentro de un ecosistema.
- La arquitectura de IA por tarea. Y aquí viene lo que más me importa explicar.
No todo necesita IA generativa o agentica
Uno de los errores más caros que vemos en proyectos de AI Agents es querer usar un LLM para todo. GPT para calificar. GPT para agendar. GPT para validar documentos. GPT para saludar.
Eso es caro, lento, y muchas veces innecesario.
La pregunta correcta para cada tarea es esta: ¿cuál es la capacidad mínima de IA que resuelve este problema con la calidad requerida?
Algunas respuestas prácticas:
- ¿Calificar por criterios fijos? Eso es lógica de reglas o workflow clásico. No necesita IA.
- ¿Clasificar la intención de un mensaje en WhatsApp? NLU + intent classification. No necesitas el modelo más caro del mercado.
- ¿Generar un resumen de la conversación para el asesor? Ahí sí necesitas un LLM — pero probablemente el tier medio es suficiente.
- ¿Orquestar múltiples pasos, tomar decisiones complejas, coordinar herramientas? Eso es Agentic AI, y sí, ahí justificas el modelo más avanzado.
- ¿Validar un documento de identidad? Computer Vision + OCR.
El diseño ganador siempre es híbrido. La tecnología más cara no es la mejor solución — es la que resuelve el caso de uso al costo correcto.
Y antes de comprar cualquier capacidad de IA externa, tienes que revisar qué ya tienes licenciado en tu stack. Salesforce Einstein / Agentforce, HubSpot Breeze, Zoho Zia, Microsoft Copilot for Sales — muchas universidades están pagando por capacidades que nunca activaron.
Los KPIs que importan
Si vas a implementar un AI Agent en admisiones y no defines KPIs antes de encenderlo, no tienes caso de negocio. Solo tienes un gasto.
Hay tres capas de métricas que necesitas medir:
KPIs del funnel. Tiempo de primera respuesta, tasa MQL → SQL, tasa de agendamiento, tasa de no-show, tasa de cita → matrícula. Estos conectan el agente con el negocio.
KPIs operativos del agente. Tasa de contención, tasa de escalamiento, tasa de comprensión (¿el agente entiende lo que el prospecto dice?), tasa de error, CSAT de la interacción. Estos te dicen si el agente está funcionando bien o mal.
KPIs estratégicos. CPA, ROI del agente versus costo del equipo humano equivalente, NPS del proceso, tiempo liberado para los consejeros y asesores.
Un tip importante: una tasa de contención muy alta no siempre es buena noticia. Puede esconder mala experiencia — prospectos que se rinden antes de escalar. Siempre crúzala con CSAT.
Y segmenta por programa, sede y ciclo. Un agente puede funcionar excelente para pregrado presencial y estar generando una experiencia terrible para posgrado en línea.
Próximos pasos
Si estás evaluando implementar AI Agents en admisiones — o ya tienes uno que no está dando los resultados esperados — el punto de partida siempre es el mismo: hacer el discovery bien.
Eso significa sentarte con los líderes de marketing y admisiones, definir las historias de usuario con precisión, inventariar lo que ya tienes en tu stack, y diseñar la arquitectura de IA por tarea antes de escribir una sola línea de configuración.
En Solvis Consulting hemos diseñado este framework a partir de implementaciones reales. Si quieres conversar sobre cómo aplicarlo en tu institución, estamos disponibles.
