IA de voz en call centers: el 20-30% de llamadas falla

La IA de voz ya atiende millones de llamadas: el problema es dónde falla

El 55% de las empresas ya tiene agentes de voz con IA en producción y el 92% los usa o planea usarlos en los próximos dos años, según el tercer informe anual State of International Voice for the Contact Center de AVOXI y Metrigy (septiembre de 2026). La IA de voz dejó de ser una demo: hoy es infraestructura de atención al cliente.

El detalle incómodo es el que expone la entrevista de WWWhat's New con Shawn Wen, CEO de PolyAI, y Alex Gay, CEO de Otter.ai: esos sistemas siguen fallando justo en las palabras que más importan. No en el "sí, mi número de cuenta es…". En "el problema es con el Lyrica de 150 mg" o "el número de seguimiento es XK7421-B".

Para un founder, la distancia entre un bot que resuelve el 80% de las consultas y uno que arruina el 20% crítico no es un tema técnico. Es churn, es costo de escalar a un humano y es reputación.

¿Por qué el reconocimiento de voz falla justo en las palabras clave?

El reconocimiento automático de voz (ASR) se entrena con lenguaje común. Nombres propios poco frecuentes, terminología especializada, referencias alfanuméricas y acentos marcados quedan fuera de ese vocabulario. Cuando la confianza del modelo cae por debajo del umbral, el sistema tiene dos salidas y ninguna es buena: adivina o ignora ese fragmento del audio.

PolyAI lo documentó con un número concreto. Según CMSWire, el modelo de transcripción gpt-4o-transcribe baja su tasa de error por palabra del 7,8% al 6,9% cuando se le entrega el contexto de la conversación. Un punto porcentual parece poco. En un número de reclamación o en la dosis de un medicamento, es la diferencia entre resolver la llamada y derivarla a un humano.

La segunda capa del problema es semántica. El modelo de lenguaje que interpreta la transcripción trabaja sobre una secuencia que puede tener errores silenciosos. Si el ASR convierte "Lyrica 150" en "Lirika ciento cincuenta", el razonamiento posterior parte de una premisa falsa y no hay forma de recuperarlo sin volver a preguntar.

La latencia: el umbral que el cliente sí percibe

Los mejores sistemas de IA de voz operan hoy con latencias de entre 300 y 800 milisegundos desde que el usuario termina de hablar hasta que la IA responde, según la entrevista de WWWhat's New. El problema es que en una llamada telefónica el umbral de incomodidad ronda los 200 milisegundos: por encima de eso, el silencio se lee como pausa incómoda o como línea caída.

El dato de referencia viene del lado humano. SiliconANGLE reporta que la pausa natural entre dos personas que conversan es de 200 a 300 milisegundos y que esa cadencia se mantiene estable entre idiomas y regiones. El mismo medio reporta que el modelo Dialog-RSN-1 de PolyAI opera entre 280 y 500 ms, mientras que GPT-realtime-2.1 de OpenAI suele responder entre 860 y 1.900 ms.

Del lado de las arquitecturas tradicionales —las que encadenan transcripción, modelo de lenguaje y síntesis de voz— los números son peores. TechTimes publica que la latencia P50 de esos sistemas va de 800 milisegundos a 2 segundos en condiciones óptimas, y que el enrutamiento de la red telefónica suma entre 80 y 150 ms adicionales.

Full-duplex: hablar y escuchar a la vez no resuelve todo

Los sistemas full-duplex —capaces de escuchar y generar audio al mismo tiempo, sin los turnos rígidos del diálogo tradicional— existen y están en producción en algunos despliegues de PolyAI. Pero introducen un desafío nuevo: la IA tiene que razonar sobre lo que el cliente dice mientras todavía lo está diciendo.

Ahí aparece el cuello de botella real. La velocidad de razonamiento de los modelos actuales genera una latencia que el usuario percibe como "la máquina va lenta". En llamadas de alta emoción —una reclamación, una urgencia médica— ese silencio deteriora la percepción de calidad incluso cuando la respuesta final es correcta.

¿Qué está haciendo la industria para cerrar la brecha?

Hay dos frentes. El primero son modelos más pequeños y especializados por dominio, que razonan más rápido porque tienen menos espacio de búsqueda. El segundo son arquitecturas de streaming, donde el modelo empieza a generar la respuesta antes de recibir la oración completa del usuario. Ninguno de los dos alcanzó todavía los 200 ms de forma consistente en producción.

El movimiento más visible es el de los modelos audio-nativos. El 30 de julio de 2026, PolyAI presentó Dialog-RSN-1, un modelo que fusiona turn-taking, reconocimiento de voz, llamada a funciones y generación de respuesta en un solo LLM que razona directamente sobre el audio crudo de la llamada, según CMSWire. La compañía afirma que responde en menos de 300 milisegundos en producción y que lo entrenó sobre modelos base multimodales de pesos abiertos —evaluó Gemma, GPT-OSS, Qwen y Mistral— apuntando a un rango de 8B denso a 30B sparse sobre GPUs A100.

La competencia no se quedó quieta. TechTimes reporta que OpenAI abrió GPT-Live-1 a su API de desarrolladores a US$0,05 por minuto de capa de voz, con soporte nativo de telefonía, y PYMNTS reporta que Google empezó a desplegar Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking para agentes de voz en producción. Para equipos que autogestionan infraestructura, NVIDIA liberó VoiceChat-11B con pesos abiertos y unos 450 ms de latencia en turn-taking.

El precio por minuto ya es una decisión de arquitectura, no un detalle. Según el comparativo de TechTimes, ElevenLabs arranca en US$0,08 por minuto, Retell AI va de US$0,07 a US$0,31 según configuración y Hume AI cobra entre US$0,05 y US$0,07 por su interfaz de voz empática.

¿Cuánto falta para que no se note que es una IA?

La respuesta honesta de Shawn Wen es "más tiempo del que la mayoría espera". El benchmark correcto no es "¿suena natural?" sino "¿resuelve el problema del cliente sin frustrarlo?". En el 70-80% de los casos de uso habituales ya lo hace. En el 20-30% restante —los más complejos, urgentes o con vocabulario poco frecuente— todavía no.

Y ese 20-30% es, casi siempre, el que más importa para quien llama.

Qué significa esto para tu startup

• Mide tu propia tasa de error, no la del benchmark. El 7,8% de gpt-4o-transcribe es un promedio sobre lenguaje común. Tu negocio tiene su vocabulario: códigos de producto, referencias de pedido, nombres de cuentas o de medicamentos. Toma 100 transcripciones reales, cuenta cuántas palabras clave salieron mal y decide si ese número es tolerable antes de automatizar ese flujo.
• Diseña el traspaso a humano antes que el bot. Si el sistema falla en el 20-30% crítico, la única forma de que ese fallo no se convierta en churn es que la escalada sea inmediata y llegue con el contexto ya capturado. El informe de AVOXI y Metrigy señala que el 67% de las empresas que usan voz con IA lo hace para que sus agentes humanos se concentren en los casos complejos o empáticos, y solo el 17% reemplazó por completo a sus agentes de primer nivel.
• Pon atención al idioma antes que al acento. El mismo informe reporta que las limitaciones de speech-to-text en idiomas locales son una barrera citada por el 37% de las organizaciones, junto con las brechas de infraestructura telefónica o SIP. Si atiendes en español neutro y portugués, ese es un riesgo operativo concreto y no un detalle de producto.
• Compara por minuto, no por demo. Con la capa de voz entre US$0,05 y US$0,08 por minuto según plataforma, una operación de 50.000 minutos mensuales se mueve en un rango de miles de dólares al año. Modela el costo total —voz más razonamiento de backend— antes de comprometerte: TechTimes advierte que la elección de stack acumula costos de integración que después encarecen el cambio.

Conclusión

La IA de voz en atención al cliente ya pasó la etapa de la prueba de concepto: el 55% de las empresas la tiene en producción y los precios por minuto bajaron lo suficiente como para que el cálculo cierre. Lo que no cambió es la naturaleza del problema. El ASR sigue tropezando con el vocabulario que define cada negocio, y la latencia sigue por encima del umbral que hace que una conversación se sienta humana.

La lección para un founder no es esperar a que la tecnología madure. Es elegir con honestidad qué porcentaje de tus llamadas puedes automatizar hoy y construir el puente al humano para el resto. El 20-30% que la IA todavía no resuelve es, casi siempre, el que decide si un cliente vuelve.

Fuentes

• WWWhat's New (fuente original)
• CMSWire
• SiliconANGLE
• AVOXI y Metrigy, vía Yahoo Finance
• PYMNTS
• TechTimes