Domingo, 22 de noviembre de 2026  ·  Español
Intermedio 60 min en total 6 pasos

Cómo hacer que Claude responda tickets de soporte

Monta con la API de Claude un flujo que clasifica tickets, redacta respuestas fieles a tus políticas y escala los casos delicados.

Daniel Puentes Prias
Consultor de IA · Actualizado el 12 de noviembre de 2026
Requisitos
  • Python 3.9 o superior instalado
  • Una cuenta en la Console de Anthropic con API key y saldo activo
  • Conocimientos básicos de Python y de terminal
  • Un documento con las políticas de tu soporte: envíos, devoluciones, facturación, etc.
Lo que vas a aprender
  • Diseñar un system prompt con políticas de soporte y reglas de escalado claras
  • Clasificar tickets en JSON fiable usando tool use con tool_choice forzado
  • Generar borradores de respuesta que respetan el idioma y la variante del cliente (España o LATAM)
  • Procesar lotes de tickets dejando siempre a un humano en el circuito
  • Medir la precisión del triaje con un set de pruebas antes de ir a producción
PASO 1 · ~8 min

Preparar el entorno y los tickets de prueba

Empezamos con lo mínimo: un entorno virtual, el SDK oficial de Anthropic y la API key como variable de entorno. El SDK lee automáticamente ANTHROPIC_API_KEY, así que no hace falta pasarla en el código. Además vamos a crear un fichero tickets.json con tres tickets realistas: uno de envío desde México, una devolución desde España y una queja con amenaza legal que debería escalarse. Trabajar con tickets reales (anonimizados) de tu helpdesk desde el primer día es lo que más acelera el ajuste del prompt. Si usas Zendesk, Freshdesk o HubSpot, casi todos permiten exportar tickets a CSV o JSON. Por ahora, el formato es sencillo: una lista de objetos con id y texto. Más adelante podrás sustituir este fichero por una llamada a la API de tu helpdesk sin tocar el resto del código.

bash
python -m venv .venv
source .venv/bin/activate   # En Windows: .venv\Scripts\activate
pip install anthropic
export ANTHROPIC_API_KEY="sk-ant-tu-clave"   # En Windows PowerShell: $env:ANTHROPIC_API_KEY="sk-ant-tu-clave"

cat > tickets.json << 'EOF'
[
  {"id": "T-101", "texto": "Buenas, hice un pedido a CDMX hace 4 días y aún no me llega. ¿Cuándo lo recibiré? Pedido 88231."},
  {"id": "T-102", "texto": "Hola, quiero devolver unas zapatillas que me llegaron la semana pasada a Valencia, me quedan pequeñas."},
  {"id": "T-103", "texto": "Es la TERCERA vez que escribo. Me habéis cobrado 650 euros dos veces. Si no lo resolvéis hoy, iré a consumo y a un abogado."}
]
EOF
ConsejoAnonimiza los tickets reales antes de usarlos en pruebas: sustituye nombres, emails y teléfonos por marcadores. Si operas en España o la UE, esto te ahorra problemas con el RGPD desde el principio.
Error comúnNo guardes la API key en el código ni la subas a Git. Si la pegas por error en un repo público, revócala inmediatamente desde la Console.
PASO 2 · ~12 min

Escribir las políticas y el system prompt

El system prompt es el corazón del agente. Separamos dos bloques: instrucciones de comportamiento y la base de conocimiento con tus políticas, envuelta en etiquetas XML para que Claude sepa exactamente qué fuente puede usar. Las reglas de escalado deben ser concretas y comprobables (importe, amenaza legal, número de contactos), no vagas tipo 'si el cliente está molesto'. También fijamos la variante del español: tutear en España y usar usted por defecto en LATAM evita respuestas que suenan raras al cliente. El bloque de políticas lleva cache_control: como se repite idéntico en cada llamada, el prompt caching abarata y acelera las peticiones cuando el bloque es lo bastante largo. Guarda este código como config.py y sustituye las políticas de ejemplo por las tuyas reales.

python
MODEL = "claude-opus-5-5"

POLITICAS = """
Empresa: TiendaEjemplo (ecommerce con envíos a España, México, Colombia y Argentina).
- Envíos: península 24-48 h; Canarias y Baleares 3-5 días; LATAM 5-10 días hábiles.
- Devoluciones: 30 días desde la entrega, producto sin usar. Reembolso en 5-7 días hábiles tras recibir el producto.
- Para iniciar una devolución el cliente debe indicar número de pedido.
- Facturación: las facturas se descargan desde el área de cliente, sección Pedidos.
- Cobros duplicados: los gestiona siempre el equipo de pagos (escalar).
- Nunca prometas reembolsos fuera de política, descuentos ni fechas exactas de entrega.
"""

INSTRUCCIONES = """Eres el agente de soporte de TiendaEjemplo.
Reglas:
1. Responde solo con información de <politicas>. Si algo no está, dilo y ofrece pasar el caso a una persona.
2. Marca escalar=true si: hay amenaza legal o mención a organismos de consumo, datos personales comprometidos, cliente que dice haber escrito varias veces, importe superior a 500 EUR, cobros duplicados o petición fuera de política.
3. Tono cercano y profesional. En España tutea salvo que el cliente use usted; en LATAM usa usted por defecto.
4. Nunca inventes números de pedido, plazos, enlaces ni nombres de personas.
"""

SYSTEM = [
    {"type": "text", "text": INSTRUCCIONES},
    {
        "type": "text",
        "text": f"<politicas>\n{POLITICAS}\n</politicas>",
        "cache_control": {"type": "ephemeral"},
    },
]
ConsejoPon el bloque que más cambia (instrucciones) antes y el que menos cambia (políticas largas) con cache_control. Si tu base de conocimiento es muy corta, la caché puede no activarse porque hay un mínimo de tokens; no pasa nada, el código funciona igual.
Error comúnEl error más común es pedir 'sé amable y resuelve el problema' sin límites: Claude intentará ayudar y puede prometer cosas que tu política no permite. Las prohibiciones explícitas (no prometer reembolsos, no inventar plazos) son imprescindibles.
PASO 3 · ~10 min

Clasificar cada ticket con salida JSON fiable

Antes de responder, clasificamos. Para obtener JSON estructurado sin parsear texto libre usamos tool use: definimos una herramienta clasificar_ticket con un input_schema y forzamos su uso con tool_choice. Así Claude siempre devuelve un objeto con categoría, urgencia, idioma y la decisión de escalado, que podemos usar para enrutar en código. Los enum limitan los valores posibles, lo que facilita mapearlos a colas o etiquetas de tu helpdesk. El ticket va envuelto en etiquetas <ticket> para separar claramente el contenido del cliente de las instrucciones, lo que además reduce el riesgo de que un cliente intente colar instrucciones dentro de su mensaje. Crea el fichero soporte.py con este código.

python
import anthropic
from config import SYSTEM, MODEL

client = anthropic.Anthropic()

TRIAGE_TOOL = {
    "name": "clasificar_ticket",
    "description": "Clasifica un ticket de soporte y decide si debe escalarse a un humano.",
    "input_schema": {
        "type": "object",
        "properties": {
            "categoria": {"type": "string", "enum": ["envio", "devolucion", "facturacion", "tecnico", "otro"]},
            "urgencia": {"type": "string", "enum": ["baja", "media", "alta"]},
            "idioma": {"type": "string", "description": "Idioma y variante, p. ej. es-ES, es-MX, en"},
            "escalar": {"type": "boolean"},
            "motivo_escalado": {"type": "string", "description": "Vacío si no se escala"},
        },
        "required": ["categoria", "urgencia", "idioma", "escalar", "motivo_escalado"],
    },
}


def clasificar(ticket: str) -> dict:
    resp = client.messages.create(
        model=MODEL,
        max_tokens=500,
        system=SYSTEM,
        tools=[TRIAGE_TOOL],
        tool_choice={"type": "tool", "name": "clasificar_ticket"},
        messages=[{"role": "user", "content": f"Clasifica este ticket:\n<ticket>\n{ticket}\n</ticket>"}],
    )
    for block in resp.content:
        if block.type == "tool_use":
            return block.input
    raise ValueError("Claude no devolvió clasificación")
ConsejoSi tu volumen es alto, puedes hacer el triaje con un modelo más pequeño y rápido de la familia Claude y reservar claude-opus-5-5 para redactar. Basta con cambiar el parámetro model en esta función.
Error comúnNo uses json.loads sobre texto libre pidiendo 'responde en JSON': tarde o temprano llegará una respuesta con texto extra y el parseo fallará. Con tool_choice forzado el resultado ya llega como diccionario en block.input.
PASO 4 · ~8 min

Redactar el borrador de respuesta

Con la clasificación en la mano, generamos la respuesta solo para los tickets que no se escalan. Pasamos el triaje como contexto para que Claude sepa la categoría y la variante de idioma, y repetimos las restricciones clave en el mensaje de usuario: usar solo las políticas y pedir el dato concreto que falte (por ejemplo, el número de pedido) en lugar de inventarlo. Pedimos que devuelva únicamente el cuerpo del mensaje para poder pegarlo directamente en el helpdesk. La respuesta del SDK es una lista de bloques; concatenamos los de tipo text. Añade esta función al final de soporte.py.

python
def redactar(ticket: str, triage: dict) -> str:
    instrucciones = (
        f"Clasificación previa: {triage}\n\n"
        f"<ticket>\n{ticket}\n</ticket>\n\n"
        "Redacta la respuesta al cliente en su mismo idioma y variante (España o LATAM). "
        "Usa solo información de <politicas>. Si falta un dato necesario, pide exactamente ese dato. "
        "Máximo 120 palabras. Devuelve solo el cuerpo del mensaje, firmado como 'Equipo de Soporte de TiendaEjemplo'."
    )
    resp = client.messages.create(
        model=MODEL,
        max_tokens=1024,
        system=SYSTEM,
        messages=[{"role": "user", "content": instrucciones}],
    )
    return "".join(b.text for b in resp.content if b.type == "text").strip()
ConsejoLimitar la longitud (aquí 120 palabras) mejora mucho la calidad percibida: los clientes leen en el móvil y las respuestas largas generan más tickets de seguimiento.
Error comúnNo envíes la firma con un nombre de agente inventado ('Laura, del equipo...'). Si el cliente responde preguntando por esa persona, tu equipo queda en mal lugar. Usa una firma de equipo o inyecta el nombre real del agente que revisa.
PASO 5 · ~10 min

Procesar el lote de tickets con revisión humana

Ahora unimos las piezas en procesar.py. Para cada ticket: clasificamos, y si no hay que escalar, redactamos un borrador. Todo se guarda en borradores.json con un estado: pendiente_revision o escalado. La idea clave es que Claude no envía nada directamente al cliente en esta primera fase; un agente humano revisa, edita si hace falta y envía. Esto te permite medir cuántos borradores salen sin cambios y ganar confianza antes de automatizar el envío en categorías de bajo riesgo como consultas de envío. Ejecuta python procesar.py y revisa el fichero generado: T-103 debería salir escalado por amenaza legal, importe y cobro duplicado, y T-102 debería pedir el número de pedido.

python
import json
from soporte import clasificar, redactar

with open("tickets.json", encoding="utf-8") as f:
    tickets = json.load(f)

resultados = []
for t in tickets:
    triage = clasificar(t["texto"])
    escalado = triage["escalar"]
    borrador = None if escalado else redactar(t["texto"], triage)
    resultados.append({
        "id": t["id"],
        "triage": triage,
        "borrador": borrador,
        "estado": "escalado" if escalado else "pendiente_revision",
    })
    print(f"{t['id']} | {triage['categoria']} | {triage['urgencia']} | {'ESCALAR: ' + triage['motivo_escalado'] if escalado else 'borrador listo'}")

with open("borradores.json", "w", encoding="utf-8") as f:
    json.dump(resultados, f, ensure_ascii=False, indent=2)

print("\nGuardado en borradores.json")
ConsejoGuarda también si el agente humano editó el borrador antes de enviarlo. Ese porcentaje de 'enviado sin cambios' por categoría es la mejor métrica para decidir qué automatizar del todo.
Error comúnSin ensure_ascii=False, las tildes y eñes se guardan como secuencias \u00f1 y el fichero se vuelve ilegible para tu equipo.
PASO 6 · ~12 min

Evaluar la precisión del triaje antes de producción

Un agente de soporte que escala mal es peligroso: si deja pasar una amenaza legal, el problema es serio. Por eso, antes de conectarlo a tu helpdesk, crea un set de pruebas con tickets reales anonimizados y su categoría y escalado esperados. Empieza con 20-30 casos que incluyan los difíciles: clientes que mezclan dos temas, mensajes en inglés, ironía, o importes justo por encima del umbral. Ejecuta este script cada vez que cambies el prompt o las políticas; es tu test de regresión. Si un caso falla, ajusta las reglas del system prompt con criterios más concretos en lugar de añadir más adjetivos. Apunta a cero fallos en los casos que deben escalarse, aunque eso suponga escalar algún ticket de más.

python
from soporte import clasificar

casos = [
    ("Me habéis cobrado dos veces el pedido 4512", "facturacion", True),
    ("¿Cuánto tarda un envío a Bogotá?", "envio", False),
    ("Quiero devolver una camiseta, la recibí hace 10 días", "devolucion", False),
    ("Voy a denunciaros, el producto llegó roto y nadie contesta", "otro", True),
    ("No puedo descargar mi factura desde la web", "facturacion", False),
]

aciertos_cat = aciertos_esc = 0
for texto, cat_esperada, esc_esperado in casos:
    r = clasificar(texto)
    ok_cat = r["categoria"] == cat_esperada
    ok_esc = r["escalar"] == esc_esperado
    aciertos_cat += ok_cat
    aciertos_esc += ok_esc
    marca = "OK   " if ok_cat and ok_esc else "FALLO"
    print(f"{marca} cat={r['categoria']} (esp. {cat_esperada}) esc={r['escalar']} (esp. {esc_esperado}) | {texto}")

print(f"\nCategoría: {aciertos_cat}/{len(casos)} | Escalado: {aciertos_esc}/{len(casos)}")
ConsejoEn categorías ambiguas (como el ticket de denuncia por producto roto) acepta que puede haber más de una categoría válida; lo que no es negociable es el escalado. Pondera más los fallos de escalado que los de categoría.
Error comúnNo evalúes solo con tickets inventados por ti: suelen ser demasiado limpios. Los fallos reales aparecen con faltas de ortografía, mensajes larguísimos o clientes que pegan hilos de emails completos.
Resultado

Has construido un flujo completo para que Claude responda tickets de soporte: un system prompt con políticas y reglas de escalado concretas, un triaje que devuelve JSON fiable gracias a tool use, borradores que respetan el español de España o de LATAM según el cliente, un procesado por lotes con revisión humana y un test de regresión para medir la precisión antes de producción. A partir de aquí puedes conectar el script a la API de tu helpdesk y automatizar el envío solo en las categorías donde los borradores salen sin cambios. Si quieres aprender a convertir este script en una aplicación completa, con webhooks, manejo de errores y despliegue, ese es el siguiente nivel natural.

PRÓXIMOS PASOS
TÉRMINOS DE ESTE TUTORIAL