La IA de voz es mucho más que automatizar conversaciones

Pregúntale a un grupo de directivos qué significa para ellos la «IA de voz» y la mayoría describirá lo mismo: un chatbot de voz o un agente de IA que responde a las llamadas de los clientes, entiende qué necesita cada persona y resuelve el problema o lo deriva a un agente humano.

Ese es el producto que presentan principalmente la mayoría de los proveedores del sector. Sin embargo, la interfaz de voz basada en IA es solo una parte de un ecosistema más amplio que genera valor para la empresa. En realidad, hay otras tres capas que son igual de importantes y que deben funcionar correctamente para que la IA de voz pueda cumplir su potencial de mejorar la experiencia del cliente y reducir los costes empresariales.

La confusión es comprensible si tenemos en cuenta la evolución reciente de esta tecnología. Durante años, «IA de voz» y «bot de voz» se han utilizado indistintamente. Desde el principio, el caso de uso siempre ha sido el mismo: automatizar la resolución de los problemas por los que los clientes llamaban. Sin embargo, los primeros problemas de experiencia del cliente, provocados por experiencias rígidas basadas en guiones, silos de datos de clientes y voces artificiales que sonaban robóticas, hicieron que las marcas empezaran a desconfiar de ambos términos.

Ahora bien, la tecnología subyacente ha evolucionado y se ha diversificado hasta tal punto que la calidad de la conversación en el punto de contacto final entre la máquina y la persona que llama es solo una pieza del rompecabezas.

En nuestro informe conjunto, Omdia prevé que el mercado norteamericano de software de IA de voz alcanzará los 37.000 millones de dólares para finales de 2026, con un crecimiento anual del 13,3%. Parte de esta inversión corresponde a los propios agentes de voz, pero una parte significativa no.

En este artículo analizamos en detalle los cuatro pilares de una plataforma de IA de voz eficaz y explicamos el papel fundamental que desempeña cada uno. Nuestro objetivo es ayudar a las empresas que están considerando invertir en una solución de IA de voz a tomar una decisión de compra informada y preparada para el futuro, basada en datos y análisis sólidos.

1. El agente de voz: la parte que se lleva toda la atención

Hace diez años, muchos analistas del sector predijeron que los bots de voz gestionarían la mayoría de las llamadas de atención al cliente en cuestión de pocos años. Los primeros sistemas funcionaban asociando cada posible solicitud del cliente con un conjunto de palabras clave. Así, si una persona formulaba una pregunta de una manera diferente a la prevista por los desarrolladores, el sistema podía quedarse atrapado en un bucle, pedirle que repitiera la pregunta o transferir la llamada sin resolver el problema. El procesamiento se realizaba por etapas:

• Conversión de voz a texto.
• Análisis del texto para identificar entidades e intenciones.
• Decisión sobre la acción que debía ejecutarse.
• Conversión del texto nuevamente a voz.

Cada etapa añadía latencia, haciendo que las conversaciones se parecieran más a un intercambio por radio que a una conversación humana natural. Además, el proceso podía desviarse fácilmente: si una persona cambiaba de tema a mitad de una frase o hacía una segunda pregunta antes de resolver la primera, normalmente el sistema dejaba de entender qué necesitaba.

Los grandes modelos de lenguaje solucionaron gran parte de estos problemas. Un agente de IA basado en ellos puede identificar lo que quiere una persona sin necesidad de seguir un guion predefinido, mantener una conversación aunque cambie de tema e incluso gestionar una interrupción a mitad de una respuesta sin perder el contexto de la solicitud. Muchas plataformas modernas de IA de voz procesan el audio directamente, lo que aporta mayor fluidez y permite crear una experiencia conversacional más natural.

La latencia también se ha reducido lo suficiente —a menudo por debajo de medio segundo— como para que la interacción se parezca más a hablar con una persona que con una máquina. Algunos sistemas pueden incluso detectar frustración o urgencia en la voz de quien llama y adaptar su tono y ritmo en consecuencia, en lugar de seguir un guion a una velocidad fija independientemente de cómo suene la persona.

Los agentes de voz basados en IA han demostrado ser muy eficaces. Pensemos, por ejemplo, en una universidad estadounidense que conectó un asistente de voz basado en IA con su sistema de gestión de datos de estudiantes. De este modo, las preguntas habituales sobre matriculación y fechas límite de pago se responden inmediatamente utilizando los datos reales de la cuenta del estudiante, en lugar de información genérica. Cuando la consulta es más compleja, la llamada se deriva a un miembro del personal que ya puede consultar el historial del estudiante, sin necesidad de comenzar la conversación desde cero. Durante los periodos de matriculación y las fechas límite de pago, cuando el volumen de llamadas alcanza sus niveles máximos, el asistente de IA evita que el equipo de soporte se vea desbordado.

En este escenario, la interfaz de voz parece ser la protagonista y es lo que la mayoría de las empresas imagina cuando piensa en adoptar «IA de voz». Pero es solo una pieza del rompecabezas. El resto de lo que abarca la IA de voz es igual de importante y, a menudo, es independiente del proveedor cuyo agente gestione las llamadas.

2. Conectividad: la parte que hace posibles las conversaciones

Actualmente, la mayoría de las plataformas de agentes de IA de voz son muy buenas manteniendo conversaciones. Sin embargo, ninguna de ellas opera una red telefónica. Conseguir que esa conversación llegue a una llamada real de forma fiable, a escala y en los países donde se encuentran los clientes es un problema diferente.

Cada vez más empresas lo resuelven manteniendo la plataforma de IA que han elegido y conectándola a un operador de voz mediante SIP Trunking o streaming mediante WebSocket.

Sin embargo, este enfoque puede generar problemas posteriormente. El mercado de plataformas de agentes de IA evoluciona con tanta rapidez que otro proveedor podría resultar más adecuado en un futuro cercano. Para una empresa cuya infraestructura telefónica está vinculada a un único proveedor de IA, cambiar de plataforma implicaría reconstruir esa infraestructura cada vez. Esto supone nuevas integraciones, nuevas pruebas y nuevos puntos de fallo, precisamente durante un periodo en el que el cambio debía servir para ahorrar tiempo.

Una empresa que mantiene su telefonía separada de su plataforma de IA puede probar un nuevo proveedor de agentes, compararlo con el que ya utiliza y cambiar de plataforma sin modificar la red telefónica. En un mercado donde el modelo líder puede cambiar cada pocos meses, esta separación funciona como una póliza de seguro. La conectividad también determina a través de qué canal llega la IA de voz a los clientes, no solo qué plataforma de IA responde.

Un ejemplo al que hace referencia Omdia es el de un gran aeropuerto europeo que integró un agente de IA de voz en WhatsApp, permitiendo a los viajeros llamar para consultar actualizaciones y retrasos de vuelos u obtener indicaciones desde una aplicación que ya tienen abierta. Todo ello mediante WhatsApp Business Calling, en lugar de una línea telefónica tradicional.

Esta diferencia es más importante de lo que puede parecer. Una solución que requiriera una llamada telefónica convencional podría disuadir a cualquier viajero preocupado por los costos del roaming internacional, es decir, a una gran parte de los pasajeros de un aeropuerto internacional.

El propio agente funciona sobre una infraestructura cloud estándar. El motivo por el que el servicio puede mantener su rendimiento durante los periodos de mayor actividad, sin fallar ante una avalancha de llegadas, es que está construido sobre una infraestructura diseñada para ampliar y reducir su capacidad en función de la demanda, en lugar de depender de un sistema telefónico fijo dimensionado para un día promedio. La capa de conectividad también permite abordar casos de uso relacionados con hacer que los servicios de voz sean más accesibles.

Whispp demuestra cómo puede aplicarse la conectividad incluso cuando no existe ningún agente de IA conversacional. La compañía desarrolló una tecnología de IA de audio a audio en tiempo real que convierte instantáneamente una voz susurrada en un habla clara y natural, proporcionando a personas con tartamudez o afecciones como la parálisis de las cuerdas vocales una forma de hablar por teléfono con confianza.

Aquí no hay ningún agente respondiendo preguntas. Whispp necesitaba interceptar una llamada en curso y sustituir en tiempo real la voz de la persona que llama por una versión generada por IA. Se trata de un problema de conectividad que se resuelve mediante streaming WebSocket hacia la red de un operador.

3. IA de CPaaS: la parte que convierte las llamadas de voz en datos

Una vez que una llamada está en curso, no importa qué agente la gestione. Sin embargo, el audio adquiere un valor adicional una vez que termina la llamada. Una transcripción puede convertirse automáticamente en un resumen, utilizarse para analizar el sentimiento o emplearse en comprobaciones de cumplimiento para garantizar que una determinada comunicación obligatoria o una parte concreta del guion se haya transmitido correctamente. Esto es especialmente importante en sectores regulados, como los servicios financieros o la sanidad, donde es necesario verificar a escala que se han cumplido los requisitos de cumplimiento normativo.

Los datos sobre sentimiento y temas extraídos de las transcripciones pueden agregarse automáticamente a partir de miles de llamadas, en lugar de limitarse a la pequeña muestra que un equipo humano de calidad puede revisar manualmente. Esto significa que los centros de contacto pueden medirse de forma continua, en lugar de someterse a auditorías ocasionales, lo que aporta beneficios reales en términos de productividad y mejora continua.

En las llamadas salientes realizadas mediante IA de voz, la capa de CPaaS también desempeña un papel fundamental en el éxito de las campañas de ventas o recobro, gracias al uso de sistemas de detección automática que distinguen entre una persona real y un buzón de voz.

Esta tarea se ha vuelto más difícil debido a la desaparición de los pitidos que tradicionalmente indicaban que una llamada había sido respondida por un sistema automático y a que los teléfonos actuales pueden filtrar las llamadas antes de que una persona las responda.

Una detección precisa puede marcar la diferencia entre una campaña que se amortiza por sí sola y otra que consume su presupuesto hablando con buzones de voz y sistemas de filtrado de llamadas.

Nada de esto está exento de riesgos, por lo que la seguridad y la privacidad forman parte de esta capa y no deben considerarse elementos independientes. Los datos de voz incluyen tanto datos personales como datos biométricos, y una transcripción puede contener la misma información sensible que un registro escrito.

El cifrado, la autenticación verificada y el cumplimiento de normativas como el RGPD en Europa o HIPAA en el sector sanitario estadounidense no son complementos opcionales cuando una empresa empieza a extraer información de cada llamada, en lugar de limitarse a grabarlas para reproducirlas ocasionalmente.

4. Infraestructura: la parte que nadie nota hasta que falla

Por muy bien que funcionen las otras tres partes, la llamada en sí no ofrecerá una experiencia positiva si la calidad del audio es deficiente. Los agentes de IA, los motores de transcripción y los modelos de análisis de sentimiento funcionan peor en llamadas con ruido, jitter o una conexión degradada. Y los clientes perciben la diferencia, aunque no sepan identificar exactamente cuál es el problema.

La voz HD y la corrección en tiempo real de las llamadas que llegan a través de una conexión deficiente —algo que ocurre con frecuencia cuando una llamada pasa de un operador a otro antes de llegar al sistema de IA— permiten solucionar el problema en el propio audio, en lugar de obligar a todos los sistemas posteriores a compensarlo. Evaluar la calidad de una llamada según cómo la experimenta realmente una persona, en lugar de basarse únicamente en métricas de jitter y latencia, permite detectar problemas que esas métricas pueden pasar por alto. Una llamada puede obtener buenos resultados en todas las mediciones de red y, aun así, sonar mal para la persona que está al otro lado.

Los proveedores que operan su propia red tienen una ventaja real en este ámbito, ya que pueden integrar estas correcciones directamente en la infraestructura en lugar de añadirlas posteriormente como una capa independiente. Esto incluye predecir dónde pueden producirse problemas de tráfico antes de que provoquen la caída de una llamada, ajustar automáticamente la capacidad cuando aumenta el volumen de llamadas y recuperarse de un fallo sin que una persona tenga que detectarlo e intervenir.

La misma lógica se aplica a nivel operativo, en el ámbito del soporte y no solo en el de la red. Cuando algo falla, la causa puede encontrarse en la red telefónica, en la plataforma de IA o en la lógica de la aplicación. Identificarla rápidamente es tan importante como haber construido correctamente el sistema desde el principio.

Una IA capaz de orientar a un equipo de soporte o ingeniería hacia la causa probable de un problema con mayor rapidez no es algo que el cliente vea directamente. Sin embargo, nota su ausencia cada vez que una solución tarda más de lo necesario o cuando un problema rutinario se convierte en horas de inactividad porque nadie pudo aislar rápidamente su origen.

Esta es también una de las razones por las que muchas inversiones en IA de voz no alcanzan los resultados esperados sin que exista una causa evidente. Una empresa puede adquirir un agente excelente y una sólida capa de conectividad y, aun así, obtener un resultado mediocre porque nadie comprobó si la calidad de las llamadas subyacente podía realmente soportar ambos elementos.

Cuatro capas, una decisión de compra

La encuesta de Omdia a compradores empresariales analizó los principales problemas que encuentran con sus sistemas de comunicación. La complejidad de las integraciones encabezó la lista, citada por el 43% de los encuestados. Le siguieron la falta de datos y análisis unificados (40%), la carga de gestionar múltiples proveedores (37%) y la experiencia de cliente inconsistente entre canales (37%). Las ineficiencias de costes ocuparon el siguiente lugar, con un 35%, mientras que las preocupaciones relacionadas con el cumplimiento normativo y la seguridad alcanzaron el 32%.

Si se leen como una lista, estas cifras parecen representar seis problemas diferentes. Sin embargo, vistas en conjunto, describen en gran medida el mismo problema manifestándose en distintos departamentos: una pila tecnológica de comunicaciones formada mediante la integración de demasiados proveedores.

Una empresa compra el agente a un proveedor, la conectividad a un segundo, la transcripción y la analítica a un tercero y la red al operador que ganó un proceso de contratación años atrás. El resultado es que acaba gestionando varias integraciones en lugar de una, varias relaciones de soporte en lugar de una y varios lugares donde se almacenan los datos de los clientes en lugar de uno. Este es el argumento práctico para considerar el agente, la conectividad, la IA de CPaaS y la infraestructura como una única decisión, en lugar de cuatro compras independientes.

Nadie tiene que adquirir los cuatro elementos de la misma empresa desde el primer día; de hecho, la mayoría de las empresas no lo hará. Pero asumir que el proveedor del agente ya cubre los otros tres elementos, cuando puede que no sea así, es precisamente lo que puede hacer que un proyecto termine enfrentándose a los problemas de integración que los encuestados por Omdia señalaron como su principal dificultad.

Entonces, ¿por dónde empezar?

La mayoría de las empresas comienza con una pieza, normalmente el agente, y amplía la solución a partir de ahí. Es una forma razonable de empezar, pero es importante tener en cuenta las otras tres capas desde el principio antes de elegir un socio tecnológico. Tomar una decisión basándose únicamente en el problema que existe hoy puede acabar generando un segundo proyecto de integración en el futuro, cuando aparezcan las carencias de conectividad o infraestructura.

Una prueba útil a la hora de evaluar a un proveedor es comprobar si puede ofrecer soporte actualmente en las cuatro áreas, incluso si la empresa solo tiene previsto invertir inicialmente en una de ellas. Un proveedor que solo puede ofrecer el agente no podrá ayudar cuando la conversación pase a aspectos como la conectividad, la obtención de insights o la calidad de las llamadas. Estos elementos deberían formar parte de los criterios de evaluación desde el principio.

Nuestro nuevo informe técnico conjunto con Omdia, Preparando tu inversión en IA de voz para el futuro, analiza en mayor profundidad estas cuatro áreas, junto con los datos del mercado y los casos prácticos completos mencionados anteriormente.