Vol. 7, e1098,
año 2025
ISSN – Online:
2708-3039
https://doi.org/10.47796/ing.v7i00.1098
Artículo
de revisión
Evaluación sistemática de la
eficacia operativa y la experiencia del usuario de chatbots generativos en
plataformas ITSM
Systematic evaluation of the operational effectiveness
and user experience of generative chatbots in ITSM platforms
Kelita Marilu Mauricio Saavedra1
https://orcid.org/0000-0003-0007-7369
Guliana María Fernanda Lulichac
Ramos2
https://orcid.org/0009-0006-5503-7451
Alberto Carlos Mendoza de los
Santos3
https://orcid.org/0000-0002-0469-915X
Recibido:
10/05/2025
Aceptado:
12/06/2025
Publicado:
18/09/2025
Resumen
La acelerada digitalización ha evidenciado la
insuficiencia del soporte de TI basado en herramientas tradicionales. Ante
ello, los chatbots generativos impulsados por grandes modelos de lenguaje se
plantean como una solución potencial, aunque su efectividad real aún es
debatida. Este estudio evaluó su impacto en plataformas ITSM en términos de
reducción de tiempos de respuesta, precisión y satisfacción del usuario. Se
llevó a cabo una revisión sistemática bajo el enfoque PRISMA 2020, abarcando
estudios publicados entre 2021 y 2025 en Scopus, SpringerLink y Google Scholar.
La estrategia de búsqueda incorporó el operador booleano AND para combinar
palabras clave como chatbot, conversational agent, customer support,
customer service, service management systems, virtual assistants, intelligent
chatbots, ITSM, operational efficiency y productivity. Catorce
artículos cumplieron con los criterios de elegibilidad. El análisis evidenció
que los chatbots permitieron reducir los tiempos de respuesta entre un 38 % y
68 %, alcanzaron niveles de precisión del 85 % al 97 %, y mejoraron la
satisfacción del usuario entre 12 y 27 puntos porcentuales. No obstante,
algunos estudios advirtieron que la falta de empatía limita su efectividad
frente a consultas complejas. Se concluye que, si bien estos sistemas muestran
un desempeño prometedor, su adopción generalizada requiere mayor respaldo
empírico mediante métricas estandarizadas y estudios longitudinales que
fortalezcan la evidencia disponible.
Palabras clave: inteligencia artificial; gestión de servicios TI; procesamiento
del lenguaje natural.
Abstract
The accelerated digitalization process has exposed the
inadequacy of traditional tool-based IT support. In response, generative
chatbots powered by large language models have emerged as a potential solution,
although their actual effectiveness remains under debate. This study assessed
their impact on ITSM platforms in terms of response time reduction, accuracy,
and user satisfaction. A systematic review was conducted following the PRISMA
2020 guidelines, covering studies published between 2021 and 2025 in Scopus,
SpringerLink, and Google Scholar. The search strategy incorporated the Boolean
operator AND to combine keywords such as chatbot, conversational agent,
customer support, customer service, service management systems, virtual
assistants, intelligent chatbots, ITSM, operational efficiency, and
productivity. Fourteen articles met the eligibility criteria. The analysis
showed that chatbots reduced response times by 38 % to 68 %, achieved accuracy
levels ranging from 85 % to 97 %, and increased user satisfaction by 12 to 27
percentage points. However, some studies warned that the lack of empathy limits
their effectiveness when dealing with complex queries. It is concluded that,
although these systems demonstrate promising performance, widespread adoption
requires stronger empirical support through standardized metrics and
longitudinal studies that reinforce the available evidence.
Keywords:
artificial
intelligence; IT service management; natural language processing.
1. Introducción
El avance acelerado de la transformación
digital ha posicionado a las Tecnologías de la Información (TI) en el núcleo de
la estrategia organizacional, impulsando a las empresas a replantear la forma
en que diseñan, entregan y soportan sus servicios (Agudelo-Varela et al.,
2020). En este contexto, la Gestión de Servicios de TI (IT Service Management o
ITSM) ofrece un marco estructurado para alinear dichos servicios con los
objetivos empresariales, apoyándose comúnmente en buenas prácticas como las
establecidas por la Information Technology Infrastructure Library (ITIL)
(Suhaili et al., 2021). No obstante, los modelos tradicionales de mesa de
ayuda, basados en sistemas de tickets, resultan cada vez más limitados ante la
creciente demanda de atención inmediata y personalizada (Nicolescu y Tudorache,
2022). La inteligencia artificial (IA) ha favorecido la incorporación de
chatbots como primera línea de atención al usuario. A diferencia de los
asistentes conversacionales basados en reglas, los chatbots generativos emplean
modelos de lenguaje profundo capaces de generar respuestas originales,
coherentes y adaptadas al contexto (Ferraro et al., 2024). Estos agentes
permiten operar de forma continua y atender múltiples solicitudes
simultáneamente, lo que promete reducir tiempos de espera y mejorar la
disponibilidad del servicio. En el ámbito del ITSM, las empresas reportan que
los chatbots pueden resolver entre el 50 % y el 70 % de las incidencias de
primer nivel, liberando al personal técnico para tareas de mayor complejidad
(Nicolescu y Tudorache, 2022).
Investigaciones previas respaldan los
beneficios operativos de esta tecnología. Ameen et al. (2021) evidenciaron que
la velocidad de respuesta y la personalización aportadas por la IA mejoran
significativamente la percepción del servicio. Hsu y Lin (2023) demostraron que
la precisión informativa y la claridad conversacional influyen positivamente en
la lealtad del usuario. Asimismo, Putra et al. (2023) y Uzoka et al. (2024)
concluyen que la automatización mediante chatbots contribuye a reducir costos
operativos y mejorar los niveles de cumplimiento de los acuerdos de servicio.
Rojas et al. (2023) destacan que su adopción incrementa la satisfacción del
cliente al brindar atención continua sin un aumento proporcional de personal. Sin embargo, la
integración de chatbots generativos también presenta desafíos. Xu et al. (2022)
señalan que la falta de empatía puede generar frustración en interacciones
complejas. Ferraro et al. (2024) describen una paradoja según la cual la eficiencia
tecnológica puede reducir la conexión emocional con el usuario, afectando su
experiencia general. A su vez, Casazola et al. (2021) advierten sobre riesgos
asociados a la privacidad y seguridad de los datos, que, de no gestionarse
adecuadamente, comprometen la confianza en estas soluciones. Estas limitaciones
subrayan la necesidad de evaluar la eficacia operativa de los chatbots y su
impacto en la experiencia del usuario dentro de plataformas ITSM.
Según Khennouche et al. (2024) el reciente
avance de los grandes modelos de lenguaje (LLMs, por sus siglas en inglés),
como GPT y PaLM, ha marcado un punto de inflexión en el desarrollo de chatbots
generativos. Estos modelos no solo interpretan texto, sino que comprenden
contextos complejos, reconocen intenciones y adaptan sus respuestas de manera
dinámica, características que superan las capacidades de sistemas basados en
reglas o modelos tradicionales de aprendizaje automático. Si bien la literatura
revela avances significativos, los hallazgos siguen siendo fragmentados y, en
algunos casos, contradictorios. Por tanto, resulta necesario realizar una
revisión sistemática que sintetice las evidencias existentes y ofrezca una
visión integral sobre los beneficios y restricciones de los chatbots
generativos en la gestión de servicios de TI. En este sentido, el presente
estudio tiene como objetivo evaluar su eficacia en la atención al cliente
dentro de plataformas ITSM, a partir del análisis de su contribución a la
reducción de tiempos de respuesta, la precisión de las respuestas y la
satisfacción del usuario.
2. Metodología
Para esta revisión se siguieron las
directrices PRISMA 2020 (Page et al., 2021), las cuales aseguran claridad
metodológica y rigor en las revisiones sistemáticas. Este conjunto de
lineamientos proporciona una estructura detallada para organizar la búsqueda,
selección y análisis de la literatura científica, promoviendo una recopilación
exhaustiva y transparente de la información. Además, contribuye a reforzar la
ética investigativa y la credibilidad de los hallazgos. Finalmente, PRISMA
orienta la presentación ordenada y comprensible de los resultados, lo que
facilita la interpretación de la evidencia y permite la replicabilidad del
estudio por otros investigadores.
2.1. Estrategia de búsqueda
La recopilación de estudios se realizó a
partir de tres bases de datos científicas: Scopus, SpringerLink y Google
Scholar. En cada una se aplicaron tres ecuaciones de búsqueda que incorporaron
operadores booleanos y palabras clave relevantes que se detallan a continuación
en la Tabla 1.
|
Tabla 1 Cadena de
búsqueda en diferentes bases de datos |
||
|
Base de dato |
Ecuación de búsqueda |
Resultados |
|
Scopus |
TITLE-ABS-KEY ((chatbot* OR
"conversational agent") AND "customer support") |
219 |
|
TITLE-ABS-KEY ((“generative AI" OR
"conversational agent" OR (“large language model" AND
chatbot*)) AND (“customer service" OR "customer support" OR
"client support”) AND (it* OR itil OR "IT service management"
OR "service management system”) AND (efficie* OR evaluat*)) |
64 |
|
|
TITLE-ABS-KEY ((generative AND chatbot*) AND
(“customer service" OR "customer support”) AND (it* OR "IT*
service management”)) |
39 |
|
|
SpringerLink |
("chatbots ") AND ("customer
service") AND ("("service management systems")") |
186 |
|
("generative
chatbot" OR "AI chatbot") AND ("customer service" OR
"customer support") AND ("("service management
systems")") |
188 |
|
|
("chatbots"
OR "conversational agents" OR "virtual assistants") AND
("customer service" OR "customer support") AND
("service management" OR "ITSM" OR "IT service
management" OR "ITIL") |
131 |
|
|
Google académico |
("chatbots inteligentes" OR
"chatbots basados en IA" OR "asistentes virtuales") AND
("gestión de servicios TI" OR "ITSM" OR "operaciones
de TI") AND ("eficiencia operativa" OR "productividad") |
34 |
|
"chatbots" AND ("ITSM"
OR "IT service management") AND ("customer support" OR
"service desk") AND ("effectiveness") |
123 |
|
|
"chatbots" AND ("ITSM
"OR" gestión de servicios de TI") AND ("atención al
cliente" OR " mesa de ayuda") AND ("eficacia") |
44 |
|
2.2. Criterios de inclusión y exclusión
Una vez completada la búsqueda en las bases de datos seleccionadas, se
aplicaron filtros mediante criterios de inclusión y exclusión para asegurar la
pertinencia y calidad de los estudios analizados. Se incluyeron artículos
científicos publicados entre 2021 y 2025, disponibles en texto completo,
escritos en inglés o español, con acceso verificable mediante DOI o URL, y que
evaluaran el uso de chatbots generativos en contextos relacionados con la
gestión de servicios TI, reportando indicadores como tiempos de respuesta,
precisión o satisfacción del usuario. Por otro lado, se excluyeron documentos
incompletos o de acceso restringido, publicaciones que no correspondieran al
tipo artículo, aquellas fuera del rango temporal establecido o redactadas en
otros idiomas.
2.3. Proceso de recolección de la información
Inicialmente, la búsqueda arrojó un total de 1,028 resultados. Tras
aplicar los criterios de exclusión y eliminar los documentos duplicados, el
número se redujo a 105. Posteriormente, se realizó un análisis preliminar de
los títulos para descartar aquellos que no presentaban una relación directa con
el objeto de estudio. Finalmente, luego de una revisión completa del contenido
de los artículos restantes, se seleccionaron 14 estudios que cumplían con todos
los criterios establecidos. Este proceso se resume de forma visual en el
diagrama de flujo PRISMA (Figura 1), el cual detalla cada etapa del
procedimiento de selección de la literatura incluida en el análisis.
2.4. Bibliometría
Adicional al análisis sistemático, se realizó un análisis
bibliométrico. Esta
metodología permitió identificar tendencias temáticas y distribución geográfica
de las investigaciones. El análisis se llevó a cabo utilizando Biblioshiny, una
interfaz gráfica interactiva desarrollada sobre el paquete Bibliometrix de R,
ampliamente reconocido en estudios cienciométricos (Donthu et al., 2021). Esta herramienta permitió la extracción,
limpieza y procesamiento de los metadatos, así como la visualización de patrones
relevantes mediante gráficos. La recolección de datos bibliográficos se realizó
en el primer trimestre de 2025. Respecto al nube de palabras, se basa en el
análisis de coocurrencia de palabras clave (keyword co-occurrence analysis),
una técnica que busca revelar las áreas temáticas dominantes dentro de un campo
científico. Mientras que el gráfico de producción científica por país, Se
fundamenta en la extracción del campo “country” asociado a la afiliación del
autor principal o correspondiente de cada publicación.
|
Figura 1 Flujo de recolección de estudios PRISMA 2020 |
|
|
Una vez
seleccionados los 14 documentos, se procedió a su análisis organizando de cada
estudio según su contribución a alguno de los tres enfoques definidos en la
pregunta de investigación, tal como se muestra en la Tabla 2.
|
Tabla 2 Aporte
de los artículos seleccionados |
||||||
|
Autor |
RTR |
PR |
SU |
Tecnologías y herramientas |
Resultados |
|
|
1 |
Munagala (2025) |
Sí |
Sí |
Sí |
ServiceNow
Virtual Agent; módulos de NLU; algoritmos de clasificación de ML; análisis
estadístico (ANOVA, regresión). |
Se
reportó “respuestas casi inmediatas” aunque sin dato numérico. La
exactitud media de respuesta subió a 85,4 %. La
precisión explicó modestamente la satisfacción (R² = 0,055). |
|
2 |
León (2024) |
Sí |
No |
No |
Motor
NLP propietario, integración con CRM y tickets ITSM. |
El
tiempo medio para resolver un ticket bajó de 25 min a 8 min (-68 %). |
|
3 |
Alvarez y Mideros (2022) |
Sí |
No |
Si |
Knowledge
Management, razonamiento basado en casos (CBR); Botchat Technology; OSTicket. |
La
ratio de tickets “a tiempo” / “fuera de SLA” mejoró de 20/80 a 47/53,
equivalente a 27 puntos de mejora en cumplimiento de tiempo. Entrevistas
cualitativas mostraron percepción de “mayor agilidad”. |
|
4 |
Kondybayeva et al. (2024) |
Sí |
No |
Sí |
IA
generativa (GenIA); procesamiento de lenguaje natural; reconocimiento de voz,
chatbots de voz. |
No
reporta tiempo exacto, pero destaca disminución significativa del Average Handling
Time. La
variable Expectation Confirmation explica la mayor parte de la
satisfacción (β = 0,436-0,519, p < 0,01) y ésta predice fuertemente la
adopción (β ≈ 0,68-0,75). |
|
5 |
Azevedo et al. (2023) |
No |
Sí |
No |
Google
Dialog Flow CX; BERT para IR y NER; corpus experto; herramientas de
paráfrasis. |
El
chatbot retrieval based alcanzó una exactitud de 0,93 (93 %) en
detección de intención) y 0,88 (88 %) en extracción de valores. |
|
6 |
Bird y Lotfi (2024) |
Si |
Sí |
No |
Transformer
con atención; Tensor Flow; tokenización; robots Pepper y Temi. |
Inferencia
a 152,88 palabras/min, garantizando respuestas en aproximadamente 5 s. Mejora
significativa en 16/19 dominios (p < 0,05); por ejemplo, la moda subió de
0,761 a 0,772 y Tecnología de 0,877 a 0,930. |
|
Pawlik (2025) |
No |
Sí |
No |
Modelos
LLM (Gemini-1.5-Flash-8B, Llama, Gemma-9B); ingeniería de prompts (texto
plano, Markdown, YAML, JSON). |
La
mejor configuración alcanzó 91,15 % de exactitud, y el prompt adecuado añadió
hasta 21,62 puntos sobre la línea base. |
|
|
8 |
Praneeth et al. (2024) |
No |
Sí |
No |
BERT
ajustado; aprendizaje por refuerzo profundo (DRL); simulación de
conversaciones. |
El
sistema híbrido BERT - RL superó a CNN, LSTM y GRU en métricas BLEU (0,499) y
ROUGE (0,329), mejorando la coherencia y exactitud en conversaciones
multiturno. |
|
9 |
Villa et al. (2024) |
No |
Sí |
No |
GPT-3.5-turbo;
fine-turing; prompt engineering; RetroTrain (GPT-4) |
El
agente fine-turned alcanzó 97,6 % de precisión en clasificación de
intenciones y 94 % en extracción de entidades frente a frente a 84 % y 58 %
de la versión genérica. |
|
10 |
Makasi (2022) |
Si |
No |
Sí |
Modelos
generativos y retrieval; ML y redes neuronales; NLP; marco ITIL; herramientas
de analítica. |
La
cola telefónica tradicional (10 min aprox.) se sustituyó por atención instantánea,
eliminando el “tiempo de espera” para el 100 % de los casos simples. Mejora
cualitativa (servicio percibido como más transparente) sin reportar dato
numérico. |
|
11 |
Ferraro et al. (2024) |
No |
No |
Sí |
ChatGPT;
IBM Watson Assistant; Salesforce Einstein; Google Dialog Flow; entrevistas a
ejecutivos. |
Plantea
la paradoja “mayor calidad vs. menor empatía”; resaltando que las respuestas
automáticas pueden ser “instantánea” pero con riesgo de fricción emocional,
pero sin aportar métricas. |
|
12 |
Crolic et al. (2022) |
No |
No |
Sí |
Chatbots
con avatares y NLP emocional; experimentos controlados. |
En
clientes enfadados la satisfacción cayó de una media de 4,11 a 3,90 y las
violaciones de expectativa subieron a una media de 1,63 con bot
antropomórfico. |
|
Raj
et al. (2023) |
Sí |
No |
Sí |
ChatGPT (GPT-3.5-Turbo); técnicas PSI y
COPRAS para priorización; integración 24/7 en flujos de atención. |
Reducción de 38 % en “handle time” pasó de 13 min a 8 min. En satisfacción de usuarios el índice neto
subió de 41 a 57. |
|
|
14 |
Florindi
et al. (2024) |
No |
No |
Sí |
GPT-3.5-Turbo; EmoRoBERTa; métricas UNIEVAL
y BERTScore para evaluación de calidad conversacional. |
El análisis emocional incorporado mejoró la
empatía y la conexión con el usuario sin aportar datos numéricos. |
|
Nota. RTR, PS y SU se
refieren a la reducción del tiempo de respuesta, precisión de respuestas y la
satisfacción de los usuarios. |
||||||
|
Figura 2 Representación de nube de palabras y
producción científica por país |
|
|
|
Nota. Elaborado mediante la interfaz Biblioshine
de R. |
Respecto a la
bibliometría, el mapa de términos clave (Figura 2a)
permite visualizar las áreas temáticas más abordadas en la literatura
científica relacionada con los chatbots generativos, lo que refleja su
centralidad en las investigaciones. En estrecha relación, aparecen conceptos
como inteligencia artificial, modelos de lenguaje y procesamiento de lenguaje
natural, lo que indica una clara orientación de la investigación hacia los
fundamentos tecnológicos que sustentan el desarrollo de estos sistemas. Asimismo,
términos como agentes conversacionales, servicio al cliente y ventas reflejan
un fuerte interés por las aplicaciones prácticas de los chatbots, especialmente
en contextos donde la eficiencia operativa y la interacción con el usuario son
críticas, como ocurre en las plataformas ITSM.
Es
especialmente relevante la aparición de términos relacionados con la
experiencia del usuario, como interfaces, satisfacción del cliente, presencia
social y confianza, lo que sugiere que la evaluación no se limita a aspectos
técnicos, sino que también considera dimensiones psicológicas y sociales de la
interacción humano-máquina.
El mapa
mundial de producción científica (Figura 2b) muestra una notable concentración
de investigaciones en países desarrollados, destacando Estados Unidos como el
principal productor con un volumen significativamente superior, seguido por países
asiáticos (China, India y Taiwán) y europeos (Italia, Reino Unido, Polonia, Alemania
y España. Esta distribución geográfica es indicativa del acceso a tecnologías
avanzadas y financiamiento en investigación, así como de la presencia de
empresas tecnológicas e instituciones académicas líderes que impulsan el
desarrollo e implementación de chatbots generativos en entornos ITSM. En
América Latina, Brasil, Colombia y Perú muestra una producción relevante. El
resto del continente africano, así como algunas zonas del sudeste asiático,
presentan niveles bajos de producción.
4. Discusión
En lo que respecta
a la eficacia operativa, Munagala (2025) documenta que la integración de
chatbots generativos con ServiceNow Virtual Agent y módulos de Natural
Language Understanding (NLU) reduce significativamente tanto el tiempo de
resolución de tickets como la lista de tareas pendientes (backlog),
liberando así la capacidad del equipo de TI. León (2024) demuestra que al
vincular ManyChat con Facebook Messenger y herramientas de CRM,
el tiempo medio de atención disminuye notablemente, lo que subraya la
importancia de utilizar canales ya familiares para los usuarios. Por su parte, Alvarez
y Mideros (2021) destacan que el uso de razonamiento basado en casos (Case-Based
Reasoning, CBR) combinado con marcos de referencia como ITIL reduce la
generación de tickets repetitivos y mejora el cumplimiento de los Acuerdos de
Nivel de Servicio (SLA). En tal sentido, estos tres estudios evidencian que la
automatización inteligente no solo optimiza los tiempos de respuesta, sino que
también permite una gestión proactiva, anticipando incidentes antes de que
escalen.
En relación con la
precisión de las respuestas, Azevedo et al. (2023) demuestran que un chatbot
basado en recuperación de información, utilizando BERT, alcanza más del 90 % de
exactitud y un alto desempeño en el reconocimiento de intenciones, lo que
evidencia el potencial de los modelos pre entrenados en tareas específicas.
Bird y Lotfi (2024) amplían esta perspectiva al aplicar transfer learning
multitemático, obteniendo mejoras de hasta 15 puntos porcentuales en precisión,
lo que resalta la versatilidad del enfoque de aprendizaje entre dominios.
Praneeth et al. (2024) integran BERT con técnicas de aprendizaje por refuerzo
profundo, mejorando métricas como BLEU y ROUGE en diálogos complejos, lo cual se
considera esencial para plataformas ITSM, caracterizadas por interacciones de
múltiples turnos. Asimismo, Pawlik (2025) y Villa et al. (2024) demuestran que,
mediante prompt engineering y fine-tuning, incluso los modelos de
menor tamaño pueden alcanzar niveles de confiabilidad cercanos a los de grandes
modelos de lenguaje (LLMs). Esto abre la puerta a soluciones más accesibles y
eficientes sin sacrificar precisión.
En cuanto a la
satisfacción del usuario, Munagala (2025) reporta que la disponibilidad 24/7 y
la inmediatez de las respuestas son altamente valoradas por los usuarios. Sin
embargo, Ferraro et al. (2024) advierten sobre la llamada “paradoja de la
calidad”, donde una respuesta altamente precisa, si carece de empatía, puede
percibirse como fría o distante. Crolic y Lotfi (2022) profundizan en este
fenómeno, mostrando que una antropomorfización excesiva en contextos de
frustración puede tensar aún más la interacción. Por otro lado, Makasi (2022)
destaca que la coherencia y continuidad en las respuestas fortalecen la
percepción positiva del servicio, mientras que Kondybayeva et al. (2024)
encuentran que la confirmación de expectativas eleva tanto la adopción como la
productividad. En este sentido, un diseño centrado en el usuario debe buscar un
equilibrio entre velocidad y precisión, incorporando elementos de calidez en la
interacción, y facilitando transiciones ágiles hacia agentes humanos en
situaciones críticas.
5. Conclusiones
La evidencia revisada confirma que los
chatbots generativos, cuando se integran adecuadamente en plataformas ITSM,
pueden reducir de forma significativa los tiempos de respuesta y las cargas
operativas, permitiendo que los agentes humanos se concentren en resolver casos
más complejos. Asimismo, se observa una mejora sustancial en la exactitud y
coherencia de las respuestas, impulsada por el uso de modelos avanzados y
estrategias como el ajuste de prompts. En cuanto a la experiencia del
usuario, se identifica un aumento en la satisfacción, siempre que la
automatización se combine con elementos de empatía, claridad en las capacidades
del sistema y sensibilidad ante el estado emocional del usuario. Las investigaciones
futuras deberían enfocarse en la comparación de marcos de gobernanza para la
implementación de chatbots generativos, así como en el análisis de los impactos
éticos y de privacidad, particularmente en lo que respecta a la recopilación de
datos y la transparencia en los procesos automatizados.
K. M.
Mauricio: Conceptualización, investigación, metodología,
administración del proyecto, recursos, visualización y redacción del borrador
original. G. M. F. Lulichac: Conceptualización, investigación,
metodología, administración del proyecto, recursos y redacción del borrador
original. A. C. Mendoza: Software, supervisión, validación, redacción y
revisión del manuscrito.
Conflictos de interés
Los
autores indican que no se presentan conflictos de interés en relación con el
contenido de este artículo
Agudelo-Varela, O.
M., Martínez-Baquero, J. E., y Valbuena-Rodríguez, S. (2020). Administración de
TI en la facultad de ingeniería de la Universidad de los Llanos. Revista
Politécnica, 16(31), 68–76. https://doi.org/10.33571/rpolitec.v16n31a5
Alvarez, D., y
Mideros D. (2021). Marco de Trabajo Basado En Gestión Del Conocimiento e
ITIL Para Mejorar El Proceso de Soporte En Mipymes Usando Botchat Technology+
CBR Con La Perspectiva Open Data [Tesis de maestría, Universidad Autónoma
de Manzanales]. https://repositorio.autonoma.edu.co/items/397c7327-757b-4262-919b-f63de540bc0f.
Ameen, N., Tarhini,
A., Reppel, A., y Anand, A. (2021). Customer experiences in the age of
artificial intelligence. Computers in Human Behavior, 114(106548),
106548. https://doi.org/10.1016/j.chb.2020.106548
Azevedo, N., Aquino,
G., Nascimento, L., Camelo, L., Figueira, T., Oliveira, J., Figueiredo, I.,
Printes, A., Torné, I., y Figueiredo, C. (2023). A novel methodology for
developing troubleshooting chatbots applied to ATM technical maintenance
support. Applied Sciences (Basel, Switzerland), 13(11),
6777. https://doi.org/10.3390/app13116777
Bird, J. J., y
Lotfi, A. (2024). Customer service chatbot enhancement with attention-based
transfer learning. Knowledge-Based Systems, 301(112293),
112293. https://doi.org/10.1016/j.knosys.2024.112293
Casazola, O. D.,
Alfaro, G., Burgos, J., y Ramos, O. A. (2021). La usabilidad percibida de los
chatbots sobre la atención al cliente en las organizaciones: una revisión de la
literatura. Interfases, 014, 184–204. https://doi.org/10.26439/interfases2021.n014.5401
Crolic, C., Thomaz,
F., Hadi, R., y Stephen, A. T. (2022). Blame the bot: Anthropomorphism and
anger in customer–chatbot interactions. Journal of Marketing, 86(1),
132–148. https://doi.org/10.1177/00222429211045687
Donthu, N., Kumar, S., Mukherjee, D.,
Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric
analysis: An overview and guidelines. Journal of Business Research, 133,
285–296. https://doi.org/10.1016/j.jbusres.2021.04.070
Ferraro, C.,
Demsar, V., Sands, S., Restrepo, M., y Campbell, C. (2024). The
paradoxes of generative AI-enabled customer service: A guide for managers. Business
Horizons, 67(5), 549–559. https://doi.org/10.1016/j.bushor.2024.04.013
Florindi, F.,
Fedele, P., y Dimitri, G. M. (2024). A novel solution for the development of a
sentimental analysis chatbot integrating ChatGPT. Personal and
Ubiquitous Computing, 28(6), 947–960. https://doi.org/10.1007/s00779-024-01824-6
Hsu, C.-L., y Lin,
J. C.-C. (2023). Understanding the user satisfaction and loyalty of customer
service chatbots. Journal of Retailing and Consumer Services, 71(103211),
103211. https://doi.org/10.1016/j.jretconser.2022.103211
Khennouche, F., Elmir, Y., Himeur, Y.,
Djebari, N., & Amira, A. (2024). Revolutionizing generative pre-traineds:
Insights and challenges in deploying ChatGPT and generative chatbots for
FAQs. Expert Systems with Applications, 246(123224),
123224. https://doi.org/10.1016/j.eswa.2024.123224
Kondybayeva, S.,
Daribayeva, M., Fiume, R., Abilda, S., Staroverova, O., Ponkratov, V.,
Vatutina, L., Shapoval, G., Mikhina, E., y Nikolaeva, I. (2024). A new concept
of transforming service: Impact of generative voice chatbots on customer
satisfaction and banking industry productivity. Emerging science
journal, 8(6), 2278–2311. https://doi.org/10.28991/esj-2024-08-06-09
León, M. G. (2024) Diseño de Un Sistema de Gestión de Ventas
Basado En CRM y Chatbot Integrado Mediante La Estrategia de Omnicanalidad Para
Mitigar La Demora de Los Tiempos En Atención al Cliente de Cesha Tactical EIRL
[Tesis de pregrado, Universidad Peruana de Ciencias Aplicadas]. https://repositorioacademico.upc.edu.pe/handle/10757/673963
Makasi, T. (2022). Cognitive Computing Systems and Public
Value: The Case of Chatbots and Public Service Delivery [Tesis doctoral, Queensland
University of Technology]. https://eprints.qut.edu.au/230002
Suhaili, S. M,
Salim, N., y Jambli, M. N. (2021). Service chatbots: A systematic review. Expert
Systems with Applications, 184(115461), 115461. https://doi.org/10.1016/j.eswa.2021.115461
Munagala, M. K.
(2025). Enhancing Agent Efficiency
with AI-Driven Chatbots: Integrating Virtual Agents and NLU for Automated
Ticket Resolution. International
Journal of Engineering Science and Advanced Technology (IJESAT), 25(4), 1–8. https://goo.su/YGn1c
Nicolescu, L., y
Tudorache, M. T. (2022). Human-computer interaction in customer service: The
experience with AI chatbots—A systematic literature review. Electronics, 11(10),
1579. https://doi.org/10.3390/electronics11101579
Page, M. J.,
McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville,
J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W.,
Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA
2020 statement: an updated guideline for reporting systematic reviews. BMJ
(Clinical Research Ed.), 372, n71. https://doi.org/10.1136/bmj.n71
Pawlik, L. (2025). How
the choice of LLM and prompt engineering affects chatbot effectiveness. Electronics, 14(5),
888. https://doi.org/10.3390/electronics14050888
Praneeth, K. R.,
Ruprah, T. S., Madhuri, J. N., Sreenivasulu, A. L., Shareefunnisa, S., y Rao,
V. S. (2024). Optimizing customer interactions: A BERT and reinforcement
learning hybrid approach to chatbot development. International Journal
of Advanced Computer Science and Applications : IJACSA, 15(9). https://doi.org/10.14569/ijacsa.2024.0150958
Putra, E. R.,
Fadhilah, M. F., Faiq, F., Fredyan, R., y Pranoto, H. (2023, del 11 al 13 de
diciembre). Analyzing the impact of customer service chatbots on user
satisfaction [conferencia]. 2023 15th International Congress on
Advanced Applied Informatics Winter (IIAI-AAI-Winter), 82–85, Bali,
Indonesia. https://doi.org/10.1109/IIAI-AAI-Winter61682.2023.00023
Raj, R., Singh, A.,
Kumar, V., y Verma, P. (2023). Analyzing the potential
benefits and use cases of ChatGPT as a tool for improving the efficiency and
effectiveness of business operations. BenchCouncil Transactions on
Benchmarks, Standards and Evaluations, 3(3), 100140. https://doi.org/10.1016/j.tbench.2023.100140
Rojas, K. A., López,
V., y Mendoza, A. C. (2023). El impacto de la Inteligencia Artificial en
la mejora de la atención al cliente: Una revisión sistémica. Innovación
y Software, 4(2), 201–222. https://doi.org/10.48168/innosoft.s12.a90
Uzoka, A., Cadet,
E., y Ojukwu, P. U. (2024). Leveraging AI-Powered chatbots to enhance customer
service efficiency and future opportunities in automated support. Computer
Science & IT Research Journal, 5(10), 2485–2510. https://doi.org/10.51594/csitrj.v5i10.1676
Villa, L.,
Carneros-Prado, D., Dobrescu, C. C., Sánchez-Miguel, A., Cubero, G., y Hervás,
R. (2024). Comparative analysis of generic and fine-tuned Large Language Models
for conversational agent systems. Robotics, 13(5), 68. https://doi.org/10.3390/robotics13050068
Xu, Y., Zhang, J., y
Deng, G. (2022). Enhancing customer satisfaction with chatbots: The influence
of communication styles and consumer attachment anxiety. Frontiers in
Psychology, 13, 902782. https://doi.org/10.3389/fpsyg.2022.902782