Un agente de voz con IA no se evalúa solo por si “entiende” una frase aislada. En una llamada real, la calidad depende de decenas de decisiones pequeñas: cuándo empezar a escuchar, cómo saber que la otra persona ha terminado, qué hacer si interrumpe, cuánto esperar antes de responder, qué información confirmar y cómo devolver la conversación a una persona sin obligar a repetirlo todo. Una demo breve puede sonar convincente y, sin embargo, fallar cuando hay ruido, silencios, números dictados deprisa, cambios de tema o una transferencia urgente.
Esta guía se centra en la conversación telefónica como sistema. Explica la arquitectura conceptual de un agente, la gestión de turnos y solapamientos, la latencia percibida, la diferencia entre llamadas entrantes y salientes, la continuidad al transferir, y una forma de probar y medir el servicio con llamadas representativas. No es un catálogo de tareas telefónicas ni una estrategia completa de atención al cliente. Tampoco define una “recepcionista virtual”: su propósito es ayudar a diseñar y evaluar una interacción hablada que funciona de principio a fin.
Qué es un agente de voz IA en una llamada
En este contexto, un agente de voz IA es un sistema que participa en una conversación telefónica: recibe o inicia una llamada, procesa el audio, interpreta lo dicho con el contexto disponible y produce una respuesta hablada. Según el caso, también puede consultar información o solicitar una acción a otro sistema. La conversación es el centro; las acciones conectadas son complementos que dependen de integraciones concretas, permisos y configuración.
La llamada atraviesa varias capas que no siempre pertenecen al mismo proveedor. Una centralita, un operador o una pasarela recibe o cursa el audio; la capa de conversación determina cuándo hay voz, silencio o interrupción; el reconocimiento de voz produce una interpretación textual; un componente de diálogo resuelve qué hacer; y una síntesis de voz transmite la respuesta. A veces, estas funciones se ejecutan en un flujo por etapas. Otras arquitecturas trabajan con audio en tiempo real. En ambos casos existe una secuencia de entrada, decisión y salida, aunque los detalles de implementación varíen.
Conviene no reducir todo a “el modelo”. Si quien llama no puede oír bien, si el audio llega entrecortado o si el turno se cierra antes de tiempo, un modelo lingüístico excelente no arreglará la experiencia por sí solo. Si la respuesta tarda varios segundos, una respuesta correcta puede sentirse como un fallo. Y si el agente promete que ha reservado una cita cuando el calendario no confirmó la operación, la conversación puede sonar natural y aun así ser incorrecta.
Arquitectura conceptual: del audio a la respuesta
1. La capa telefónica
Antes de hablar de inteligencia, hay una llamada que debe llegar al destino correcto. La numeración, la centralita, el desvío, los horarios y las rutas determinan si el agente recibe una llamada y qué ocurre si no está disponible. En una implantación puede existir un número asociado al servicio, una línea ya existente con desvío o una extensión dentro de una centralita. La disponibilidad de un número dedicado, las grabaciones y las opciones de desvío dependen del servicio contratado y de su configuración: hay que confirmar cómo se resuelven en cada caso.
La conectividad también fija condiciones de audio. La red telefónica puede comprimir la voz, introducir ruido, recortar el comienzo de una frase o producir un pequeño retraso. Un problema que en una sala silenciosa no existe puede aparecer al llamar desde un vehículo, una oficina concurrida o una zona con cobertura débil. La prueba debe usar teléfonos, redes y lugares parecidos a los que emplearán las personas, no solo el micrófono limpio de un portátil.
2. Detección de voz y turnos
El agente debe distinguir voz, silencio y ruido, y estimar si la persona sigue hablando o ha terminado su turno. Este paso, a menudo llamado detección de actividad de voz o gestión de turnos, influye en dos errores opuestos. Si el sistema espera demasiado, la conversación parece lenta. Si interpreta una pausa corta como el final, empieza a responder mientras la persona aún está pensando o dictando un dato.
La señal de “fin de turno” no debería depender únicamente de un temporizador fijo. Una pausa después de “mi teléfono es…” probablemente indica que falta información; una pausa después de una respuesta completa puede significar que ya se puede continuar. El idioma, la velocidad, el hábito de la persona y la tarea cambian la interpretación. Es más robusto combinar el tiempo de silencio con señales lingüísticas y con el estado de la conversación, y permitir una pequeña corrección cuando el sistema se equivoca.
3. Reconocimiento, contexto y decisión
La voz se transforma en una representación que el agente puede procesar. En esa etapa importa más que una transcripción parezca impecable en pantalla. Lo decisivo es que se preserve la intención y que los datos sensibles para la tarea se confirmen antes de usarse. Un apellido, una matrícula, un número de pedido o una dirección de correo pueden transcribirse de varias maneras. Si el valor afecta al resultado, el agente debe repetirlo de forma comprensible y pedir validación, no fingir certeza.
La capa de diálogo usa lo oído, el turno actual y el historial pertinente para elegir una respuesta. Puede decidir preguntar algo, responder desde información autorizada, llamar a una herramienta disponible, esperar, aclarar una ambigüedad o transferir. La memoria debe tener propósito: mantener el contexto de esa llamada no significa conservar indefinidamente el audio ni reutilizar datos para cualquier otra finalidad.
4. Generación y reproducción
Una vez elegida la respuesta, el sistema la formula y la convierte en audio. La síntesis, el ritmo, la pronunciación de siglas y números, la duración de las frases y la claridad de los mensajes afectan a la comprensión. Una voz cálida puede mejorar la comodidad, pero los adornos, las risas automáticas o el exceso de entusiasmo también pueden ser inadecuados. En una llamada de servicio, suele ser más importante que el agente se entienda, hable con concisión y no simule emociones que no puede sostener.
Diseñar turnos que respeten la conversación
Un turno es el intervalo en que una persona habla y el sistema escucha, o viceversa. En el teléfono no hay gestos ni contacto visual suficientes para coordinarse. Los interlocutores usan pausas, entonación, respiraciones y frases de cierre para señalar que han terminado. El agente necesita combinar señales y ofrecer a la persona una manera sencilla de corregirlo: “Perdona, te he interrumpido. Continúa, te escucho”.
Una intervención puede reunir varios datos y objetivos. Si el agente responde solo al primer elemento, puede pasar por alto el motivo principal. Conviene escuchar la unidad completa, resumir lo relevante y preguntar únicamente por la información que falte.
El sistema necesita una política para los turnos incompletos. Si la persona empieza una frase y se detiene, el agente puede esperar un intervalo razonable. Si el silencio se prolonga, puede preguntar si sigue ahí, pero sin insistir repetidamente. Si la respuesta no se entiende, debe decir qué necesita repetir: “No he captado los últimos cuatro dígitos” es más útil que “No te entiendo”. Si no oye nada, puede ofrecer repetir la última pregunta y, después, una salida clara o transferencia, según la configuración del servicio.
Preguntar, confirmar y no volver a preguntar
Una pregunta debe tener una finalidad. Antes de solicitar un nombre, teléfono o referencia, el agente debería saber por qué lo necesita y si la empresa ya dispone de ese dato de forma legítima y fiable. Recoger información “por si acaso” añade fricción y puede aumentar la cantidad de datos tratados sin mejorar la conversación. Si un número ya se ha dicho correctamente, repetir la petición hace que el agente parezca desatento.
Las confirmaciones se reservan para los puntos donde equivocarse tiene consecuencias. Un código corto puede repetirse en bloques; una fecha puede expresarse con día y mes; una reserva puede resumirse con lugar, hora y nombre. Para una respuesta meramente informativa, pedir una confirmación después de cada frase sería molesto. Para una operación no reversible, como cancelar o enviar una solicitud, conviene confirmar qué se va a hacer antes de ejecutarla y comprobar el resultado después.
Interrupciones, solapamientos y silencios
Interrumpir no es necesariamente un error del usuario. En las llamadas reales la gente rectifica, añade una condición o cambia de asunto cuando recuerda algo. El agente debe tener una política de barge-in —la posibilidad de que la persona interrumpa la voz sintética— que permita detener la respuesta sin perder la conversación. Si el sistema sigue hablando por encima de quien llama, crea una experiencia de monólogo y quizá oculte el dato que debía escuchar.
Un sonido de fondo también puede parecer una interrupción. Si cualquier ruido corta la respuesta, el agente se detendrá constantemente; si nunca se detiene, ignorará a la persona. Ajuste la sensibilidad al entorno y compruebe que, tras el corte, escucha la frase nueva en vez de retomar una respuesta obsoleta.
Hay interrupciones que cambian la prioridad. Si el agente está leyendo un horario y la persona dice “no, es urgente”, debe ceder el turno, detectar que hay una excepción y activar la ruta definida para ese escenario. En un centro sanitario, por ejemplo, el sistema no debe interpretar síntomas ni aconsejar sobre salud. Ante una urgencia o síntomas, debe derivar a personal humano o seguir el protocolo del centro; el flujo telefónico no sustituye el criterio clínico ni los servicios de emergencia.
El silencio también tiene varios significados: la persona busca un dato, espera a que el agente siga, no ha oído la pregunta o ha dejado el teléfono. No se debe llenar cada pausa con palabras. Un silencio corto puede ser necesario para pensar o consultar una agenda. Si el agente necesita tiempo para una búsqueda, conviene decirlo con transparencia —“Voy a comprobarlo; puede tardar un momento”— y regresar con el resultado o una alternativa. Si el proceso supera lo razonable, debe ofrecer la opción de continuar con una persona o recibir seguimiento, si existe esa posibilidad.
Cómo recuperarse de una interrupción
La recuperación debe evitar dos extremos: continuar como si no hubiera pasado nada o empezar toda la conversación de nuevo. El agente puede reconocer el corte, conservar el dato que ya se entendió y preguntar solo lo que falta. Si una persona corrige el número de pedido, el sistema debe reemplazar el valor anterior y evitar utilizarlo en una consulta. Si hay dudas, debe repetir el dato vigente (“De acuerdo, el número correcto termina en 72”) antes de avanzar.
En las pruebas conviene marcar qué interrupciones han sido gestionadas correctamente: corte oportuno de la voz, escucha de la intervención, actualización del estado de conversación y respuesta coherente. Una métrica como “porcentaje de llamadas en las que hubo barge-in” no basta para valorar calidad; interesa revisar si el agente cedió cuando correspondía y si volvió a la tarea sin repetir preguntas ni ejecutar acciones con información desactualizada.
Latencia: cuánto tarda en responder y qué se está midiendo
En una llamada, la latencia no es un solo número. Puede incluir el tiempo de transmisión de la voz, el final de turno, la transcripción, la generación de una respuesta, una consulta externa y el comienzo del audio sintetizado. La espera que percibe la persona va desde que termina de hablar hasta que oye una respuesta útil. Un panel que mida solo el tiempo de inferencia de un modelo no describe necesariamente esa experiencia de extremo a extremo.
La recomendación ITU-T G.114 trata el tiempo de transmisión unidireccional y sus efectos en la comunicación de voz; es una referencia para entender el retardo de red, no un umbral que por sí solo certifique una conversación con IA fluida. La latencia total del agente también depende de detección de turno, proveedores, códecs, colas y llamadas a herramientas. Por eso, en vez de prometer un valor universal, conviene medir la distribución real en llamadas y descomponerla para localizar dónde se origina la espera. ITU-T G.114: tiempo de transmisión unidireccional.
Para medir de forma coherente, registre al menos: el instante en que termina la persona, el instante en que se inicia la respuesta audible y el momento en que llega una acción externa, si existe. Distinga la mediana de los casos lentos; una media general puede ocultar que una de cada veinte llamadas se queda esperando. Informe percentiles y cortes por proveedor, tipo de flujo, hora, región y calidad de red, siempre con cautelas por tamaño de muestra. Compare llamadas con la misma tarea y entorno.
Una conversación necesita estado, no solo un guion
Un guion lineal presupone que todo el mundo responde en el orden esperado. En la práctica, una persona puede contestar una pregunta antes de que se formule, añadir un dato no solicitado o preguntar algo distinto. Para mantener la conversación, el agente necesita un estado mínimo: qué objetivo se intenta resolver, qué información está confirmada, qué falta, qué acción está pendiente y qué restricciones aplican. El estado ayuda a elegir la siguiente pregunta y a evitar solicitudes redundantes.
Un ejemplo sencillo es una consulta de horario. El agente puede responder con el horario publicado y terminar. Si la persona quiere una cita, el objetivo cambia; ahora hacen falta disponibilidad, datos necesarios y confirmación de reserva. El sistema debería separar el hecho conocido —el horario general— de la acción que necesita comprobar en un calendario. Si no hay una integración confirmada con ese calendario, no debe decir que la cita está reservada. Puede explicar la limitación y ofrecer el siguiente paso previsto por la empresa.
El contexto debe tener fronteras. Una conversación telefónica no autoriza al agente a inferir datos sensibles ni a usar información no relacionada con la petición. La empresa debe determinar qué contenido está aprobado, qué herramienta puede consultar el sistema, qué datos devuelve y en qué momento se eliminan o conservan. Cuando la respuesta depende de información actualizada, el agente debe consultar la fuente configurada; no debería improvisar usando información desfasada de una base de conocimiento estática.
Llamadas entrantes y salientes no son el mismo problema
Entrantes: responder a una intención no siempre prevista
En una llamada entrante, la persona decide cuándo llama y puede empezar por cualquier punto. A veces explica el motivo de inmediato; a veces pregunta si ha llamado al lugar correcto o solicita una persona. El saludo debería identificar al servicio con claridad, indicar que se trata de una IA cuando corresponda y hacer una pregunta abierta que no imponga un menú. La transparencia sobre la interacción con IA tiene relevancia regulatoria: el Reglamento europeo de IA contempla que quien despliega sistemas destinados a interactuar directamente con personas les informe, salvo que resulte evidente por las circunstancias y el contexto. La obligación debe interpretarse dentro del Reglamento y de las excepciones aplicables; una voz realista no es razón para ocultar que se trata de IA. Reglamento (UE) 2024/1689, artículo 50.
Las llamadas entrantes suelen requerir una ruta para personas que no encajan en las opciones previsibles. El agente puede pedir una aclaración, responder con información disponible o transferir. La salida debe estar accesible sin que quien llama tenga que repetir “persona” diez veces. Si no hay agentes humanos disponibles, el sistema debería explicar qué opción queda realmente: dejar un mensaje, solicitar una llamada posterior o volver a intentarlo dentro del horario. No debe prometer una transferencia si no puede efectuarla.
Salientes: propósito, identidad y permiso
Una llamada saliente añade una obligación de contexto: por qué se contacta a la persona y quién realiza la comunicación. La conversación debe comenzar identificando de forma comprensible la empresa y el propósito, y ofrecer una salida clara si la persona no desea continuar. No es adecuado disfrazar una campaña como si fuera una llamada personal espontánea. Para llamadas comerciales, el artículo 66.1.b de la Ley General de Telecomunicaciones reconoce el derecho a no recibir llamadas no deseadas con fines comerciales; la Circular 1/2023 de la AEPD concreta criterios y bases posibles con condiciones. Además, la propia ley diferencia las llamadas automáticas sin intervención humana, para las que existe una regla específica de consentimiento previo en el artículo 66.1.a. La licitud depende del caso, la finalidad, la base aplicable y las circunstancias; antes de poner una campaña en marcha, la empresa debe validarlo con asesoramiento competente. Ley 11/2022, General de Telecomunicaciones y Circular 1/2023 de la AEPD.
Una campaña saliente necesita controles: verificar destinatarios y finalidad, respetar bajas y oposiciones, limitar intentos y definir el tratamiento del buzón. El agente debe dejar de insistir ante una oposición. La capacidad técnica de marcar no autoriza cualquier contacto; valide el proceso antes del despliegue.
Transferir una llamada sin perder el hilo
La transferencia es una transición conversacional y telefónica. El sistema debe detectar por qué no puede seguir, elegir el destino correcto si existe esa opción y preparar a la persona que recibe la llamada. Como mínimo, la persona que llama no debería tener que reconstruir desde cero todo lo que ya explicó. Un resumen breve puede incluir el motivo, datos confirmados, preguntas pendientes y el compromiso que se ofreció. Debe excluir información innecesaria y no convertir una hipótesis del agente en un hecho confirmado.
La conversación puede ofrecer una transferencia directa o una transferencia asistida. En la primera, el agente conecta con el destino de inmediato. En la segunda, puede enviar contexto al equipo antes de conectar. La mecánica concreta depende de la centralita y la configuración. El estándar SIP REFER define un método que permite pedir a un destinatario que contacte con un recurso indicado y puede habilitar aplicaciones como la transferencia de llamada; que exista el estándar no garantiza que todos los proveedores, terminales o configuraciones ofrezcan la misma transferencia ni el mismo tratamiento del contexto. IETF RFC 3515, SIP REFER.
Hay que probar el fallo de transferencia con el mismo cuidado que el camino exitoso. ¿Qué escucha la persona si el destino comunica, no responde o está fuera de horario? ¿Se mantiene la llamada, vuelve al agente, se ofrece una alternativa o se registra una petición? ¿Qué sucede con una llamada interrumpida a mitad del traspaso? Una transferencia ciega que termina en una línea muerta convierte un caso detectado correctamente en una experiencia peor que una respuesta honesta.
El agente debe anunciar el traspaso de forma clara: “Voy a pasarte con el equipo de pedidos y les indicaré que llamas por la entrega del pedido terminado en 21”. No prometa que el equipo ya conoce toda la historia si solo va a enviar un resumen. Tras conectar, el sistema puede quedar en silencio o salir de la llamada, según el diseño. En cualquiera de los casos, la persona debe entender quién está hablando y qué debe hacer.
Calidad de voz: que se entienda importa más que el efecto
Evalúe la inteligibilidad, el volumen, los cortes y la pronunciación de cifras, siglas y nombres. En España conviene probar variedades del español presentes en la clientela y conversaciones de varios turnos, no solo frases preparadas. La voz debe sonar clara y adecuada, sin depender de efectos teatrales.
Los problemas de audio pueden confundirse con problemas de comprensión. Si el agente interpreta mal lo que dice alguien con una conexión deficiente, cambiar solo la respuesta generativa no resuelve la causa. Registre muestras de audio con criterios y permisos adecuados, anote si el fallo provino de la transcripción, el ruido, el fin de turno o el contexto y clasifique las repeticiones. Cuando se use una grabación para analizar llamadas, hay que determinar finalidad, base jurídica, información a las personas, acceso, seguridad y retención conforme al caso. El Reglamento General de Protección de Datos exige, entre otros principios, tratamiento lícito, transparente, limitado a finalidades y minimizado; los datos tratados deben limitarse a lo necesario. Reglamento (UE) 2016/679, RGPD.
Cómo probar antes de poner el agente en producción
Antes de probar, defina qué cuenta como llamada correcta: intención, datos necesarios, respuestas aprobadas, acciones permitidas, excepciones, transferencia y cierre. Escriba también lo que el agente no debe hacer. Sin criterios previos, cada fallo se descubre con una persona usuaria.
Una matriz de pruebas útil combina distintos tipos de conversación y condiciones de audio. No hace falta ensayar miles de frases al principio, pero sí cubrir deliberadamente las variaciones de alto impacto:
- Una petición breve y clara, una explicación larga y una llamada que cambia de tema.
- Una pausa antes de responder, una interrupción del agente y una interrupción causada por ruido.
- Un número dictado dígito a dígito, una corrección de un dato y una pronunciación ambigua.
- Una consulta resoluble, otra fuera del contenido aprobado y una solicitud de hablar con una persona.
- Una acción que se completa, una herramienta que falla y una respuesta de la herramienta que llega tarde.
- Una transferencia disponible, otra sin respuesta y una llamada fuera de horario.
- Un tono emocionalmente delicado, una persona con prisa y una conexión con audio deficiente.
Probar los errores intencionadamente
Revise qué datos aparecen en transcripciones, qué proveedores reciben el audio, cuánto tiempo se conserva, quién puede escucharlo y cómo se atienden solicitudes de las personas. El RGPD exige protección desde el diseño y seguridad adecuada al riesgo; el proyecto debe revisar su flujo real y responsabilidades.
En clínicas, pruebas y límites requieren especial cautela. No utilice un agente generalista para interpretar síntomas, asignar diagnósticos o decidir urgencias. Defina un protocolo aprobado por el centro que derive a personal humano ante urgencias o síntomas, e indique claramente qué puede y qué no puede gestionar el agente. El mismo principio aplica a cualquier sector con decisiones de alto impacto: automatizar la conversación no debe convertir una respuesta probabilística en asesoramiento profesional.
Medir la experiencia y el resultado con métricas útiles
El volumen de llamadas contestadas no dice si la conversación ayudó. Una llamada puede ser atendida y acabar sin respuesta, o transferida después de repetir los datos tres veces. La medición debería combinar indicadores de conversación, resultado operativo y riesgo. Conviene definir la fórmula antes del piloto, porque “resolución”, “transferencia” y “abandono” significan cosas distintas si cada equipo las etiqueta a su manera.
En conversación, se pueden observar la proporción de turnos que requieren repetición, cuántas interrupciones el agente gestiona correctamente, cuántas preguntas se repiten, cuántas respuestas se corrigen y cuánto tarda la persona en oír una contestación útil. Estas métricas muestran patrones, no explican automáticamente la causa. Una repetición puede deberse al reconocimiento de voz, al ruido o a una pregunta confusa. Por eso se revisan muestras representativas y se vincula cada problema con un momento concreto de la llamada.
En resultados, mida el objetivo que motivó el proyecto: información entregada con precisión, solicitud completada, cita efectivamente confirmada por el sistema correspondiente, llamada transferida al destino correcto o devolución de llamada registrada. No cuente como reserva una oferta de horario que no se guardó. Tampoco llame “contención exitosa” a cualquier llamada que no llegó a una persona. Defina qué condiciones deben cumplirse para clasificar el resultado como resuelto y compruebe una muestra manualmente.
Para las transferencias, observe el porcentaje que llega al equipo previsto, el tiempo hasta conectar, las llamadas que se cortan, el contexto que llega y si la persona vuelve a explicar el motivo. Para la experiencia, puede usar una pregunta breve posterior si tiene sentido y está configurada: “¿Has podido resolver lo que necesitabas?”. No conviene usar una puntuación subjetiva aislada como prueba de calidad. Debe leerse junto con el contenido de la llamada, las quejas y los resultados verificables.
Los promedios pueden ocultar fallos. Desglose por horario, intención, idioma, red y ruta de transferencia, con muestras suficientes y protección de los datos. Cambie una variable cada vez, documente la hipótesis y compare con una referencia; así podrá atribuir el resultado y revertir ajustes que empeoren la llamada.
Una evaluación equilibrada también incluye guardarraíles: llamadas donde se dio información incorrecta, operaciones no confirmadas, casos sensibles que no se derivaron, oposición ignorada, acceso indebido a grabaciones o transferencias fallidas. El objetivo no es maquillar una tasa de automatización alta; es entender qué puede asumir el agente con seguridad y en qué punto necesita ayuda humana. Un límite que activa una transferencia correcta es parte del diseño, no una derrota del sistema.
Ejemplo práctico: consulta de entrega con cambio de dirección
Con una integración de pedidos confirmada, el agente consulta el estado y aplica solo los cambios permitidos. Debe distinguir una petición de una operación completada. Si la herramienta falla o no permite modificar la entrega, lo explica y ofrece la ruta humana definida, sin asegurar que el cambio ya está hecho.
Supongamos que la persona interrumpe: “Espera, mejor déjalo en el punto de recogida de la calle Mayor”. El agente corta su respuesta, actualiza el destino solicitado y confirma la nueva instrucción. Si el sistema devuelve éxito, puede resumir el cambio y el plazo que efectivamente consta. Si devuelve un error o tarda demasiado, debe explicar que aún no está confirmado. Si hace falta transferencia, el resumen al empleado incluirá el número validado, el estado de envío y la petición de cambio, distinguiendo con claridad entre una petición pendiente y una modificación completada.
Este ejemplo ilustra por qué la naturalidad no es suficiente. La calidad se ve en la escucha del turno, la corrección de la interrupción, la confirmación de datos, la respuesta sincronizada con el sistema, el tratamiento de un posible fallo y la continuidad al transferir. La conversación puede sonar menos espectacular que una demo comercial y aun así ser mucho más confiable.
Criterios para decidir qué automatizar
Antes de desplegar, elija una llamada con propósito acotado y un final verificable. Una consulta informativa de horario suele ser más sencilla que resolver una reclamación con excepciones. Una cita requiere que la agenda permita comprobar disponibilidad y confirmar la reserva; una conversación que solo recoge una preferencia no debe presentarse como si hubiera cerrado una cita. Empiece por un flujo donde la empresa pueda explicar las reglas, identificar errores y facilitar una salida humana.
Evalúe si la conversación es repetible sin ser rígida. Si cada llamada exige juicio profesional, una lectura de documentación extensa o negociación abierta, quizá el agente solo deba clasificar el motivo y transferir. Si el coste de una respuesta equivocada es alto, reduzca el alcance y pida validación humana. Considere también volumen, horarios, calidad de telefonía, idioma, privacidad, actualizaciones de contenido y quién se hará responsable de revisar fallos después del lanzamiento.
La integración suele ser el punto donde una expectativa se convierte en proyecto técnico. Pregunte qué sistema se conectará, qué operaciones realizará, con qué permisos, qué pasa cuando no hay datos y quién mantiene la conexión. Agenda, pedidos, CRM y otras integraciones deben confirmarse según los sistemas del cliente y el alcance acordado. No dé por hecho que un agente puede acceder a cualquier software ni que una integración anunciada por un proveedor existe en todas las cuentas o configuraciones.
También hay que decidir qué no automatizar. Una reclamación compleja puede necesitar escucha humana. Un cliente que pide explícitamente a una persona debería tener una ruta clara. Una clínica debe derivar urgencias y síntomas según el protocolo del centro. Una solicitud fuera de horario puede convertirse en una petición de devolución, pero solo si la empresa tiene un proceso para atenderla. Estos límites deben aparecer en el flujo y en los criterios de aceptación antes de activar llamadas reales.
Errores habituales al diseñar agentes telefónicos
- Optimizar solo la voz de muestra. Se invierte en una voz convincente y se ignora la detección de turnos, los cortes de llamada o la calidad del audio real. Solución: probar tareas completas con interrupciones y ruido.
- Escribir un guion como formulario leído. El agente pide un dato por turno, incluso cuando la persona ya lo ha ofrecido. Solución: mantener estado conversacional y confirmar solo lo crítico.
- Confundir un silencio con una respuesta. El sistema cierra el turno demasiado pronto o habla sin dejar pensar. Solución: adaptar el criterio a la tarea y ensayar pausas naturales.
- Dar por hecho que una integración funcionó. La respuesta hablada afirma una reserva o cambio que el sistema externo rechazó. Solución: esperar confirmación técnica y comunicar el resultado real.
- Diseñar la transferencia como último recurso. No existe un destino, un mensaje de contexto ni una alternativa si el equipo no responde. Solución: probar el traspaso desde el principio, incluidos los fallos.
- Contar todas las llamadas automatizadas como resueltas. Se confunde “no transferida” con “problema resuelto”. Solución: definir resultados observables y validar muestras.
- Grabar sin una política clara. Se recopila audio sin propósito documentado, sin plazos y sin controles de acceso. Solución: revisar base jurídica, transparencia, minimización, seguridad y conservación del tratamiento concreto.
- Usar una llamada saliente para probar cualquier idea. La posibilidad técnica de marcar no basta para legitimar el contacto. Solución: revisar finalidad, base, consentimiento cuando corresponda y reglas específicas antes del piloto.
- Dejar que el agente improvise en salud. Se confunde una explicación amable con orientación clínica. Solución: no diagnosticar ni aconsejar; derivar ante urgencias o síntomas siguiendo el protocolo del centro.
Preguntas frecuentes sobre agentes de voz con IA
¿Puede interrumpirle la persona que llama?
Depende de cómo esté configurado el sistema y de la infraestructura telefónica. En una experiencia bien probada, la persona debería poder cortar una respuesta cuando necesita corregirla o cambiar de tema, y el agente tendría que detenerse y escuchar. La sensibilidad debe ajustarse para que ruido de fondo no cancele continuamente la voz y para que una intervención humana no quede ignorada. Pruebe interrupciones naturales, no solo una palabra clave dictada en una demo.
¿Cuánto puede tardar en contestar?
No hay un umbral único que sirva para todos los casos. La percepción depende de la red, del cierre del turno, de la transcripción, del razonamiento, de una consulta a sistemas y del comienzo de la voz. Mida de extremo a extremo cuánto espera la persona y cuántas respuestas se quedan en la cola lenta, además de registrar la latencia técnica por etapa. Una respuesta rápida pero equivocada no es mejor que una breve pausa explicada y una respuesta fiable.
¿Se pueden atender llamadas entrantes y realizar salientes?
Algunas soluciones pueden configurarse para ambos sentidos, pero son flujos distintos. La llamada entrante responde a una petición que inicia el cliente; la saliente debe identificar propósito y empresa, respetar las reglas aplicables y permitir que la persona termine el contacto. Antes de planificar una campaña, valide la normativa aplicable a la finalidad y a la forma de automatización. La capacidad de la plataforma para cursar una llamada no determina su licitud.
¿Es necesario grabar todas las llamadas?
No debe asumirse que toda llamada tiene que grabarse por defecto. La grabación contiene datos y requiere revisar finalidad, base jurídica, información, conservación, acceso y seguridad conforme al caso concreto. La AEPD explica la grabación como garantía para demostrar cumplimiento en el contexto específico de determinadas llamadas comerciales descrito en su FAQ y Circular. Esa pauta no debe generalizarse sin análisis a cualquier llamada. Si no es necesario conservar audio, valore alternativas de medición menos intrusivas.
¿Qué pasa si el agente no entiende?
Debe decir qué parte necesita aclarar, formular una pregunta breve y ofrecer una salida cuando el problema persiste. Puede repetir el último dato confirmado y preguntar por lo que falta. No debe inventar una respuesta ni asegurar que una acción se realizó si no obtuvo confirmación. Según el flujo, puede transferir, registrar una solicitud o explicar cómo continuar; la alternativa tiene que existir antes de activar el servicio.
¿Se puede conectar a una agenda o al CRM?
Solo si el sistema específico y el alcance de la implantación lo permiten. Hay que comprobar qué operaciones se necesitan, qué interfaz técnica existe, qué permisos y datos se usarán, y cómo se confirma una actualización. Consultar disponibilidad y reservar una hora son acciones distintas. Del mismo modo, leer un CRM y modificar un registro no son equivalentes. En cada proyecto, confirme las integraciones una por una y pruebe errores de conexión.
¿Puede usarse en una clínica?
Puede apoyar tareas administrativas si el centro define el alcance y la ruta de derivación, pero no debe aconsejar ni diagnosticar salud. Ante una urgencia o síntomas, el agente debe seguir el protocolo del centro y derivar a personal humano. La organización debe revisar privacidad, acceso, información a pacientes, grabaciones y los requisitos que correspondan a su actividad. La IA no sustituye el criterio profesional ni el sistema de respuesta urgente de la clínica.
Una conversación telefónica fiable se diseña y se verifica
Un agente de voz IA útil coordina telefonía, escucha, comprensión, respuesta, acciones y salida humana. Empiece con una conversación acotada, defina qué significa resolverla, pruebe interrupciones y fallos, y mida latencia y precisión. Amplíe solo cuando el piloto confirme que el flujo es comprensible y las excepciones funcionan.
Para valorar un caso, consulta la información sobre automatización con IA de Consultora Ahorro y su página pública de precios, sin asumir un importe o alcance no publicado. También puedes solicitar una conversación. Número dedicado, grabaciones, desvíos e integraciones dependen del servicio, la configuración y los sistemas confirmados.
Referencias y fuentes
- Reglamento (UE) 2016/679, Reglamento General de Protección de Datos (EUR-Lex).
- Reglamento (UE) 2024/1689, Reglamento de Inteligencia Artificial (EUR-Lex).
- Ley 11/2022, de 28 de junio, General de Telecomunicaciones (BOE).
- Circular 1/2023 de la Agencia Española de Protección de Datos (BOE).
- AEPD: ¿Cómo se garantizan mis derechos de protección de datos cuando recibo una llamada?.
- ITU-T Recommendation G.114, One-way transmission time.
- IETF RFC 3515: The SIP Refer Method.
