Entrevistas
Zack Peng, cofundador y director ejecutivo de Seel – Serie de entrevistas

Puntos claveSeel resuelve más del 99% de los casos de soporte al permitir que la IA complete las…
Ver más
- Seel resuelve más del 99% de los casos de soporte al permitir que la IA complete las resoluciones en lugar de desviar los tickets.
- La confianza en el soporte con IA depende de una salida visible hacia un humano en lugar de la precisión del bot.
- Los comerciantes deberían exigir pruebas de las tasas de resolución de extremo a extremo y de la responsabilidad en lugar de demos pulidas.
Zack Peng es cofundador y director ejecutivo de Seel, donde se centra en los problemas que afrontan compradores y comerciantes después de la compra. Su trabajo comenzó con la predicción de devoluciones y reembolsos, y se ha ampliado a sistemas de IA que resuelven solicitudes de clientes en distintos procesos comerciales. Defiende la combinación de agentes capaces de actuar con límites operativos claros, la derivación a personas y la rendición de cuentas por el resultado que reciben los clientes.
Seel ofrece servicios poscompra y agencias de IA para el comercio electrónico, como protección de compras y entregas, atención al cliente y reventa. Su plataforma conecta los sistemas de los comerciantes, la información de los pedidos y los procesos de servicio para ayudar a resolver los problemas de los compradores, mientras que su LLM Gateway facilita el acceso a modelos y el enrutamiento basado en tareas. En esta entrevista, Peng habla del paso de responder preguntas a hacerse cargo de los resultados, de los controles necesarios para que los agentes actúen en distintos sistemas y de cómo pueden evaluar los comerciantes la fiabilidad de los servicios de IA.
¿Qué te llevó a cofundar Seel y cómo te condujo la búsqueda de soluciones a los problemas que afrontan los compradores después de la compra a crear una fuerza laboral de IA para el comercio electrónico?
Todo empezó con un mercado en línea. Conocimos a un fundador que dirigía uno y vimos cuánto esfuerzo dedicaba el sector a predecir los contracargos, que cuestan alrededor del 0,5 % del volumen bruto de mercancías (GMV). Las devoluciones y los reembolsos representaban entre el 10 y el 20 %, y nadie los predecía. Así que creamos un modelo capaz de hacerlo y lo usamos para que los compradores pudieran pagar una pequeña tarifa y convertir en reembolsables los artículos de venta final. Esperaba que se acogiera a la opción entre el 3 y el 5 %. Lo hizo entre el 10 y el 20 %. Eso nos indicó que los compradores están dispuestos a pagar para tener tranquilidad después de la compra, por la misma razón que la gente compra AppleCare o una cobertura de exención de daños al alquilar un coche.
La fuerza laboral de IA surgió de nuestra propia bandeja de entrada de atención al cliente. Más del 70 % de nuestros tickets de atención al cliente no tenían nada que ver con devoluciones. Los compradores querían saber dónde estaba su pedido o si podían cambiar algún artículo. En lugar de devolverlos al comerciante, empezamos a resolver nosotros mismos esos tickets. Aprendimos que el verdadero valor de la IA en el comercio no consiste en ahorrar dinero. Consiste en hacer las cosas al instante y a gran escala, incluso durante los picos de volumen. Esto incluye disponer de sistemas de IA capaces de evaluar y aprobar los reembolsos que cumplan los requisitos antes de recibir los envíos de devolución, así como de agentes de IA disponibles las 24 horas del día, los 7 días de la semana, que puedan actuar para resolver las solicitudes de los clientes.
Describes una evolución que va de los chatbots que responden preguntas a los agentes que actúan y, después, a las agencias de IA que se hacen cargo de un resultado completo. ¿Qué cambia en el plano técnico y operativo entre esas etapas? ¿Puedes ilustrarlo con un problema real de un cliente?
La diferencia está en quién se hace cargo del resultado. Un chatbot responde «¿dónde está mi pedido?». Un agente completa una tarea concreta, como presentar una reclamación. Una agencia se hace cargo del resultado: que el cliente reciba aquello por lo que pagó.
Desde el punto de vista técnico, una agencia trabaja en varios sistemas —la tienda del comerciante, la empresa de transporte y los pagos— en lugar de operar dentro de uno solo. Hace seguimiento de un caso durante días, no de una única conversación, y debe saber cuándo se ha resuelto realmente. Desde el punto de vista operativo, dejas de dimensionar el personal en función del volumen de tickets y empiezas a hacerlo en función de las excepciones.
Pensemos en un paquete que figura como entregado, pero nunca llegó. Un chatbot le dice al comprador que espere. Un agente abre una reclamación. Seel Agencies comprueba el registro de seguimiento de la empresa de transporte y el historial del pedido, determina si cumple los requisitos, efectúa el pago o envía un reemplazo, actualiza los registros del comerciante y comunica al comprador que el caso está resuelto. Como socio que se hace cargo de principio a fin de los tickets poscompra de los comerciantes, probamos primero esta infraestructura de IA con nuestros propios tickets. Este enfoque centrado en la resolución nos ayudó a alcanzar una tasa de resolución superior al 90 % y a identificar y reembolsar de inmediato las solicitudes que cumplían los requisitos.
Imagina que un agente de compras adquiere la talla equivocada en nombre de alguien. ¿Qué tendría que ocurrir entre ese agente, el comerciante y Seel para resolver el error, y quién debería hacerse responsable del resultado?
El comprador no debería tener que hacer de árbitro. Independientemente de quién haya cometido el error, la solución es la misma: un cambio o un reembolso rápidos.
Hay tres elementos que lo hacen posible. El pedido debe dejar constancia de quién lo realizó y siguiendo qué instrucciones, para que se pueda rastrear la decisión del agente. En segundo lugar, la política de devoluciones del comerciante debe poder leerse automáticamente, para que un agente pueda aplicarla. En tercer lugar, alguien debe respaldar el resultado antes de determinar quién tuvo la culpa.
Ahí es donde interviene Seel. Asumimos la responsabilidad financiera. Si el pedido estaba protegido, primero se compensa al comprador y después se determina a quién corresponde la responsabilidad. Si un agente de compras con IA pide la talla equivocada en nombre de alguien, el comprador debería tener la misma vía para resolver el problema que si hubiera hecho el pedido personalmente, siempre que se haya añadido la protección adecuada al finalizar la compra y que el problema esté cubierto por ella. Respaldamos económicamente los resultados que cubrimos. El comprador no debería tener que hacer de árbitro para decidir si se equivocó él o su agente.
Tu equipo afirma que la IA acelera el 80 % del volumen de tickets de atención al cliente de Seel. ¿Qué significa «acelerar» en la práctica, qué proporción se resuelve sin intervención humana y qué indicadores muestran si los clientes reciben realmente un mejor servicio?
Significa que la IA se encarga de las tareas que antes ralentizaban a una persona: leer el caso, consultar los datos del pedido y del transportista, comprobar las políticas del vendedor y, en la mayoría de los casos, completar la resolución. La IA se ocupa de esas tareas en el 80 % del volumen de tickets que recibimos. En total, resolvemos más del 99 % de los casos de atención al cliente, mientras que en el sector se suele hablar de entre el 60 y el 70 %.
Pero la tasa de cierre, por sí sola, puede ocultar un mal servicio: un bot que desvía las consultas de los compradores queda muy bien en un panel de control. Por eso hacemos un seguimiento de indicadores como la tasa de reapertura de tickets, la tasa de escalamiento a un agente humano y la satisfacción del cliente. La rapidez importa en esos momentos que frustran a los compradores. Cambiar una dirección de envío suele implicar una cadena de correos electrónicos entre sistemas de pedidos y de gestión logística independientes. Nuestros agentes lo hacen en cuestión de minutos.
El indicador que más me importa es si el comprador vuelve a comprar. En toda nuestra red, el 69 % de los compradores recurrentes protegió su primer pedido.
Te has descrito como «a favor de los agentes, pero no de poner todo en piloto automático». ¿Qué decisiones reservas deliberadamente para las personas y cómo reconoce tu sistema que un caso aparentemente rutinario requiere criterio humano?
Pilotar automáticamente significa que nadie está supervisando. Queremos que los agentes hagan la mayor parte del trabajo y que las personas tomen las decisiones que requieren criterio.
Dejamos tres tipos de decisiones en manos de las personas: todo lo que establece políticas, los casos en los que una decisión equivocada sería costosa de revertir y los casos tan inusuales que la respuesta que dicta la regla podría no ser la más justa. La IA se ocupa de los casos rutinarios dentro de esos límites y no puede ampliar sus propias atribuciones. Si una acción no ha sido autorizada, o un caso requiere aprobación adicional o un tratamiento especial, se deriva directamente a una persona.
El sistema no se limita a considerar el tipo de solicitud, sino que también tiene en cuenta el contexto: el riesgo, la urgencia, la frustración del cliente y la sensibilidad de la política aplicable. Los casos de alto riesgo se derivan a personas, mientras que los casos sensibles desde el punto de vista de las políticas pueden requerir una verificación adicional antes de actuar. Esos umbrales se configuran para cada vendedor y flujo de trabajo, en lugar de expresarse como un importe en dólares o una puntuación de confianza universales. Por ejemplo, una solicitud de envío urgente o de un pago superior puede quedar fuera de las atribuciones autónomas de la IA.
Tu investigación sobre los compradores sugiere que muchos consumidores de la generación Z todavía quieren que una persona intervenga para resolver sus problemas. ¿Qué has aprendido sobre cómo diseñar una atención al cliente con IA que genere confianza, sobre todo cuando los clientes quieren impugnar una decisión o hablar con una persona?
La generación Z es la más cómoda con la IA y también la que antes se da cuenta de que una empresa la usa para evitar atenderla. En nuestro informe de 2026 sobre los hábitos de compra de la generación Z, el 49 % dijo que preferiría resolver un problema con una persona. Aun así, quiere que sea rápido: el 87 % de los compradores espera que un problema se resuelva en un plazo de dos a tres días.
Lo que hemos aprendido es que la confianza depende de que haya una salida, no del bot. Cuando los compradores saben que pueden comunicarse con una persona, les parece bien dejar que la IA se ocupe de las cosas. Cuando la IA se convierte en una barrera, la confianza se desploma, aunque la respuesta sea correcta.
Por eso diseñamos pensando en tres aspectos:
- Rapidez, para resolver los problemas antes de que causen frustración
- Una explicación clara y sencilla cada vez que la IA dice que no
- Y la posibilidad de derivar el caso a una persona en un solo paso, para que esta vea de inmediato todo el historial y el comprador no tenga que repetirse.
Cuando los agentes pueden emitir reembolsos, modificar pedidos o actuar en distintos sistemas de los vendedores, los errores tienen consecuencias económicas. ¿Cómo controlan los permisos, evitan acciones duplicadas o no autorizadas y reconstruyen lo ocurrido cuando algo sale mal?
Cada agente recibe los permisos que necesita para su trabajo, y nada más. Limitamos esos permisos a los flujos de trabajo específicos que el vendedor ha aceptado. Usamos cuentas específicas o tokens de API, independientes de las identidades de los empleados, para que el vendedor pueda modificar, suspender o revocar el acceso en cualquier momento.
Para las acciones de mayor riesgo, como los reembolsos cuantiosos, podemos configurar una revisión humana o umbrales basados en importes y reglas que se ajusten a los requisitos del vendedor. Darle a un agente acceso a un sistema no debería significar otorgarle un mandato sin límites.
Registramos cada acción del sistema, indicando cuándo ocurrió, qué se hizo y qué la desencadenó. Si algo sale mal, ese registro nos permite investigar junto con el vendedor, ayudar a revertir la acción y ajustar las reglas después.
Con 1-Click Resale, los agentes crean anuncios, fijan precios y coordinan ventas en varios mercados en línea. ¿Cómo validan las descripciones y los precios de los productos, y evitan que un artículo se venda dos veces cuando las actualizaciones de los mercados se demoran?
Nuestro servicio de reventa se encarga de las tareas que los vendedores suelen querer evitar. Revisa la foto del comprador para comprobar el estado del artículo, le asigna un precio según el mercado, crea el anuncio y lo retira cuando se vende.
Las descripciones parten de los datos que ya tenemos. Como el artículo procede de un pedido hecho a un vendedor, el servicio trabaja a partir del registro del producto original. Para fijar el precio, se parte de lo que realmente se ha pagado por artículos comparables y se ajusta según el estado. El comprador confirma la cotización antes de que sigamos adelante, y nuestro equipo se encarga del anuncio y de completar los datos que falten.
El objetivo es facilitar la reventa para que los compradores puedan recuperar el valor de los artículos que ya no quieren, incluso una vez vencido el plazo de devolución
¿Qué desafíos operativos los llevaron a abrir Seel’s LLM Gateway y cómo eligen los modelos para distintas tareas en función de la fiabilidad, la latencia y el costo? ¿Evalúan la economía por llamada al modelo o por resultado satisfactorio para el cliente?
Primero lo creamos para nosotros. Desarrollar Seel Agencies para gestionar nuestros propios flujos de trabajo nos enseñó que la IA a gran escala exige disciplina a la hora de elegir los modelos. Necesitábamos escalabilidad, fiabilidad, acceso a los mejores modelos y una economía unitaria predecible, así que creamos la infraestructura necesaria. Los comerciantes estaban experimentando el mismo aumento gradual de los costos, modelo por modelo y solicitud por solicitud, así que abrimos la plataforma a otros.
Asignamos los modelos según la tarea. Extraer el número de un pedido de un correo electrónico no requiere el mismo modelo que resolver un problema complejo de varios pasos. LLM Router evalúa la complejidad de la solicitud y la asigna a uno de los modelos que el cliente haya autorizado. Los clientes eligen entre rendimiento, ahorro o un equilibrio entre ambos. Así pueden decidir cuánto quieren ahorrar en las tareas más sencillas.
La fiabilidad y la latencia también deben responder bien ante la carga de trabajo real. Recomendamos probar la calidad, el tiempo de respuesta y el costo antes de adoptar una asignación de modelos más agresiva. Para flujos de trabajo complejos o tareas que exigen una coherencia estricta, los clientes pueden mantener un modelo específico en lugar de usar la asignación automática.
LLM Router cobra por el uso de los modelos, no por cada resultado satisfactorio para el cliente. Con el enrutamiento inteligente, se factura según la tarifa del modelo que se ejecuta. Seel asume el costo de evaluar la complejidad de la solicitud para tomar esa decisión de enrutamiento.
Para los fundadores que crean empresas de IA, ¿qué les ha enseñado Seel sobre la diferencia entre una demostración impresionante y un servicio en el que los clientes puedan confiar? ¿Qué pruebas debería exigir un comerciante antes de confiar una función empresarial completa a una agencia de IA?
Una demostración muestra que el sistema funciona una vez. Un servicio demuestra que sigue funcionando en el caso número diez mil, a las 2 de la madrugada, cuando la API del transportista no funciona y el comprador está enfadado. El verdadero desafío nunca fue el modelo, sino los datos deficientes, los sistemas que no coinciden y saber cuándo la IA no debería actuar.
Los comerciantes deberían pedir pruebas, no demostraciones. ¿Qué proporción de los casos resuelve la agencia de principio a fin? ¿Cuáles son sus tiempos de resolución y sus tasas de recompra, más allá de la reducción de tickets? Cuando se equivoca, ¿quién paga, con qué rapidez y se puede ver exactamente lo que hizo? Y ¿cuántas personas hacen falta para gestionarla?
Gracias por esta excelente entrevista. Los lectores que quieran saber más sobre las agencias de IA, los servicios posventa y la automatización del comercio electrónico pueden visitar Seel.












