Cómo la IA de voz gestiona las partes más difíciles de una llamada real: árboles de IVR, detección de buzón de voz, interrupciones a media frase y escalado por precio mínimo

La mayoría de las demos de IA de voz parecen fantásticas porque evitan los cuatro momentos en los que las llamadas reales se desmoronan: el agente tiene que pulsar botones a través del IVR de otra persona, decidir en dos segundos si acaba de responder un humano o un buzón de voz, recuperarse cuando alguien le habla por encima sin perder el hilo, y mantener una línea de precio frente a un cliente que ha averiguado las reglas. Cada uno de estos es un problema de ingeniería independiente con su propio modo de fallo, y una plataforma que gestiona uno bien puede fallar estrepitosamente en los demás.

Este artículo repasa lo que realmente sucede debajo de cada uno de esos cuatro momentos: cómo es la arquitectura, dónde están los compromisos y qué números están viendo los equipos de producción en 2026. El detalle importa porque la diferencia entre un agente de demo y un agente de producción está casi por completo contenida en estos cuatro comportamientos.

La diferencia entre una llamada fácil y una difícil

Una llamada fácil es de un solo turno y acotada. Alguien hace una pregunta para la que el agente ha sido entrenado, el agente recupera la respuesta, la llamada termina. Una llamada difícil rompe al menos uno de esos supuestos: la conversación requiere que el agente realice una acción con consecuencias reales (tramitar un reembolso, transferir dinero, acordar un precio), el otro lado de la línea no es el interlocutor cooperativo que la demo asumía (un IVR, un buzón de voz, un cliente enfadado ejecutando un exploit), o la conversación necesita recuperarse de algo inesperado (una interrupción, una intención malinterpretada, un tercero que se une a la llamada).

Lo que separa a la IA de voz de nivel de producción de un prototipo pulido es si el sistema se diseñó para la segunda categoría desde el principio. Cada comportamiento de abajo —emisión de DTMF, detección asíncrona de contestador automático, gestión semántica de interrupciones, guardarraíles del lado del servidor— existe porque alguien lanzó un agente sin él y vio cómo un porcentaje medible de llamadas fallaba de una forma que el prompt no podía arreglar.

Pulsar botones en el árbol telefónico de otra persona

Cuando un agente de voz llama a una aseguradora, a un departamento de facturación de un hospital o a la línea de soporte de un proveedor, normalmente se topa con un menú de respuesta de voz interactiva antes de llegar siquiera a un humano. El agente tiene que escuchar el menú, decidir qué opción coincide con el propósito de la llamada, enviar el dígito de tono correcto y repetir hasta llegar a una persona, sin hablar en voz alta durante todo el proceso, porque la mayoría de los IVR ignoran la entrada de voz.

El matiz técnico que pilla desprevenidos a los desarrolladores nuevos es que los códecs de voz están diseñados para comprimir el habla humana y habitualmente tratan las frecuencias de doble tono de la pulsación de un dígito como ruido a descartar. Por eso un agente que "pulsa el 2" reproduciendo el audio de un tono sobre el medio de la llamada funcionará de forma intermitente, tendrá éxito en las pruebas y luego fallará en operadores de producción de maneras que parecen aleatorias. La solución es enviar el dígito fuera de banda como un evento de telefonía RFC 4733 en lugar de mezclarlo en el flujo de audio: un mensaje de señalización SIP que la pasarela de medios del IVR procesa directamente.

También hay un problema de sincronización que no es evidente en la documentación. Muchos IVR ignoran los dígitos enviados mientras el mensaje del menú todavía se está reproduciendo, y otros tienen un búfer que descarta una secuencia de dígitos que llega más rápido de lo que podría pulsar un pulgar humano. Un navegador de producción espera a que termine el mensaje, aguarda un momento, envía el primer dígito y luego hace una pausa entre los dígitos siguientes de una secuencia de número de socio o de cuenta, o hace otra pausa en el siguiente nivel del menú. Si esto se hace mal, el agente llegará al departamento equivocado aproximadamente un tercio de las veces en los IVR empresariales habituales.

El traspaso final es la parte que la mayoría de los equipos infravaloran. Cuando el IVR por fin conecta con un humano, el agente necesita descartar el contexto de navegación —las opciones de menú con las que estaba comparando, la máquina de estados de "estoy buscando facturación"— y cambiar a la conversación real que ha venido a tener. Bien hecho, el humano oye "Hola, llamo en nombre de Sarah Mitchell sobre la reclamación #74821", no a un agente confundido que todavía intenta interpretar el último mensaje del menú. Retell AI expone esto a través de una función press_digit que el agente invoca cuando se requiere un dígito, separada de la lógica de conversación que se ejecuta una vez que un humano descuelga.

Saber si acaba de responder un humano o una máquina

Los primeros tres segundos tras conectar una llamada son los más decisivos de cualquier conversación saliente. Si respondió una persona y el agente espera demasiado, la persona dice "¿diga?" dos veces y cuelga. Si respondió un buzón de voz y el agente arranca con toda su apertura, la mitad del mensaje acaba cortado por el pitido, y el destinatario oye algo que suena confuso y mecánico cuando reproduce el mensaje más tarde.

El enfoque tradicional para distinguirlos, llamado detección de contestador automático o AMD, usa heurísticas acústicas: la duración del silencio inicial, la duración del saludo, la envolvente de energía del audio. Estos métodos se sitúan en algún punto del rango de precisión del 70 al 85 por ciento y producen una tasa de falsos positivos lo bastante alta como para que las campañas salientes de producción basadas en ellos desperdicien una parte significativa de las llamadas dejando mensajes en las líneas de personas reales.

La generación actual de AMD lee la transcripción en lugar de la forma de onda. Los saludos de buzón de voz se identifican literalmente —"ha llamado a", "deje su mensaje", "después de la señal"— y esa señal lingüística es mucho más fiable que las características acústicas que se parecen entre una pausa larga y un rápido "¿diga?". Una investigación publicada recientemente que usa una red neuronal recurrente sobre audio transcrito alcanzó más del 96 por ciento de precisión en el conjunto de prueba, con un camino hacia más del 98 por ciento al combinarse con una comprobación de detección de silencio.

Hay una cuestión de modo que importa más que la cuestión del modelo. El AMD síncrono espera un veredicto antes de conectar la llamada, lo que añade de tres a cinco segundos de silencio muerto que los humanos reales interpretan como una llamada robotizada y cuelgan. El AMD asíncrono conecta la llamada de inmediato, deja que un clasificador paralelo escuche durante el primer segundo o dos mientras el agente dice algo breve, y luego cambia el comportamiento según el veredicto: continúa la conversación si el veredicto es "humano" o pivota hacia un mensaje de buzón de voz preescrito si es "máquina". El asíncrono es lo que usan los despliegues de producción. La apertura está diseñada para que funcione con cualquier audiencia: "Hola, soy Maya" suena normal a un humano y da al clasificador margen para decidir antes de que el agente diga algo irreversible.

El coste de equivocarse en esto escala con el volumen. Una plataforma que procesa 40 millones de llamadas al mes —el ritmo actual de Retell AI a enero de 2026— convierte una tasa de falsos positivos del uno por ciento en 400.000 llamadas mal clasificadas. Ese es el número que empuja a los equipos de producción hacia infraestructura específicamente diseñada en lugar de la señal AMD que viene con su proveedor de telefonía.

Gestionar las interrupciones sin desmoronarse

Una conversación real no toma turnos de forma limpia. La gente interrumpe, se habla por encima, suelta un "ajá" mientras el otro todavía está hablando, cambia de idea a media frase y deja las cosas a medias sin terminar la idea. La IA de voz que trata cada sonido durante su propio turno como una interrupción —el comportamiento por defecto de la detección básica de actividad de voz— suena nerviosa y robótica. La IA de voz que ignora todo sonido durante su propio turno no puede ser interrumpida en absoluto, lo que se siente peor cuanto más se alarga la respuesta del agente.

El problema difícil no es detectar que la persona ha hablado. Es decidir, en un par de cientos de milisegundos, si lo que dijo fue una interrupción real que debería ceder la palabra o un backchannel —"vale", "de acuerdo", "ajá", "entendido"— que debería ignorarse para que el agente pueda seguir hablando. Si esto se hace mal en cualquier dirección, la llamada se siente rara de una manera que la persona no sabrá articular pero registrará sin ninguna duda.

El enfoque de producción ejecuta tres señales en paralelo durante la reproducción del agente. Un detector de actividad de voz en streaming vigila cualquier audio con voz. Una transcripción en streaming emite una transcripción parcial en aproximadamente 100 milisegundos desde que la persona habla. Un clasificador semántico lee esa transcripción parcial y decide si conlleva una intención accionable ("espera, ¿puedes volver atrás?") o solo ruido de reconocimiento. Solo las intenciones accionables activan la interrupción, que corta el flujo de texto a voz, descarta la respuesta a medio pronunciar y revierte el estado de la conversación para que el modelo de lenguaje responda a la nueva entrada en lugar del prompt que produjo la respuesta cortada.

La latencia de extremo a extremo importa aquí porque todo se acumula. El intercambio de turnos humano natural se sitúa en el rango de 200 a 300 milisegundos. Cualquier cosa por debajo de 700 milisegundos se percibe como conversacional; por encima de 900 milisegundos, la gente lo nota y se desengancha. La latencia de respuesta de ~600ms publicada por Retell AI —medida desde la última palabra de la persona hasta la primera palabra del agente— proviene de la reciente actualización del modelo de intercambio de turnos que recortó otros 150 milisegundos del bucle, y es lo que hace que la recuperación se sienta natural en lugar de disculpándose. El agente no dice "lo siento, no lo he entendido". Retoma el hilo donde la persona lo redirigió y sigue adelante.

Hay una pieza más que es fácil pasar por alto. Cuando la persona interrumpe, el agente tiene que rastrear lo que se dijo y lo que quedó sin decir. Si el agente estaba a mitad de citar un precio cuando la persona lo cortó para preguntar por la garantía, el agente necesita recordar que la cotización del precio quedó incompleta y ofrecerse a retomarla. Esta continuidad del estado de la conversación es la diferencia entre un agente que se recupera y un agente que pierde el hilo.

Mantener una línea de precio frente a un cliente que sabe que es IA

La negociación es donde los guardarraíles basados en prompts fallan de forma más visible. Un prompt de sistema que dice "no descuentes por debajo de 899 $" funciona para el 95 por ciento de los clientes que nunca lo ponen a prueba. El cinco por ciento restante —el cliente que interpreta una llamada de gerente, el cliente que afirma que un representante anterior ya aprobó un número diferente, el cliente que simplemente hace la misma pregunta de quince maneras distintas— son exactamente los que presionan con más fuerza, y el modelo de lenguaje acabará por ceder.

La solución arquitectónica es sacar el precio del prompt por completo y ponerlo detrás de una llamada a función. El agente puede hablar libremente sobre precios en la conversación, pero en el momento en que intenta comprometerse con un número, el compromiso pasa por una función propose_price que comprueba el valor propuesto contra un mínimo del lado del servidor ligado al SKU y al segmento de cliente. La función rechaza cualquier cosa por debajo del mínimo antes de que el número se pronuncie siquiera. El mínimo vive en código que el modelo de lenguaje no puede ver, lo que significa que no se puede razonar para sortearlo, inyectar mediante prompt ni convencer para bajar el valor.

El mismo patrón gestiona los problemas relacionados: límites de autoridad de reembolso en soporte, límites de aprobación de descuentos en retención, mínimos de plan de pago en gestión de cobros, y flujos de trabajo de llamada a tres donde el agente está al teléfono con un cliente y una aseguradora simultáneamente. En cada caso, la regla es la misma: cada acción comprometida pasa por una función con validación del lado del servidor, y cualquier cosa que no supere la validación o bien reintenta dentro del rango permitido o escala a un humano. La investigación de seguridad de IA de voz de Gladia llama a este patrón "líneas rojas codificadas: reglas que viven fuera del modelo y se aplican a nivel de orquestación", y es el único enfoque que sobrevive a usuarios adversarios que saben que están hablando con una IA.

Hay un beneficio de segundo orden que vale la pena nombrar: esta arquitectura también evita compromisos alucinados. Un agente de voz sin acciones controladas por funciones puede prometer con confianza un reembolso del que la empresa no tiene registro, citar una fecha de entrega que ningún sistema respalda realmente, o acordar una devolución de llamada que nunca se programa. Con la capa de funciones en su sitio, cada compromiso que hace el agente es algo que un sistema realmente ha aceptado. Las tasas de alucinación de la IA de voz en la investigación publicada caen de una base del 27 por ciento a menos del 5 por ciento una vez que este tipo de guardarraíl está en su sitio, que es la diferencia entre un agente que es útil y uno que crea más trabajo de limpieza del que ahorra.

¿Cuándo es el escalado la respuesta correcta?

Una IA de voz construida para llamadas difíciles tiene un presupuesto definido para las llamadas que no va a resolver. El despliegue de Medical Data Systems funciona con una tasa de transferencia a humano del 30 por ciento en cobros entrantes, lo que significa que siete de cada diez llamadas se resuelven sin una persona, y las tres restantes están diseñadas para escalar limpiamente con la transcripción completa y el historial de llamadas a función adjuntos. Su CIO lo ha descrito públicamente: la plataforma "ahora gestiona el 100 % de las llamadas entrantes con solo una tasa de transferencia del 30 %, escalando sin esfuerzo y cobrando ~280.000 $ al mes sin sacrificar la confianza del paciente".

Los disparadores que activan esos escalados son los mismos cuatro comportamientos cubiertos arriba, solo que en modo de fallo: la función de precio mínimo rechazó tres ofertas seguidas, el clasificador AMD devolvió "incierto" dos veces en una devolución de llamada, la navegación del IVR no logró llegar a un humano tras cinco niveles de menú, la capa de recuperación de interrupciones detectó tres colisiones de turnos en 30 segundos. Cada uno es una señal definida, no una percepción, y cada uno enruta la llamada a un humano que retoma donde se detuvo el agente en lugar de empezar desde cero. La transferencia asistida es lo que hace que la parte de IA se sienta como una ventaja inicial en lugar de una llamada desperdiciada.

El despliegue de Sunshine Loans es el dato inverso: cuando el agente puede resolver la llamada, debería hacerlo. Su equipo gestiona más de 700.000 solicitudes mensuales con el abandono cayendo del 20-30 por ciento hasta el 5-6 por ciento, porque quienes llaman ya no se topan con buzones de voz o colas de espera durante el volumen máximo. El 75-80 por ciento de las llamadas que se resuelven por completo sin un humano son llamadas que una versión anterior del mismo negocio habría enviado al buzón de voz o habría tenido que reforzar con personal para gestionar.

Qué vigilan los equipos de producción tras el lanzamiento

Las métricas que importan para el rendimiento en llamadas difíciles no aparecen en un panel genérico. La tasa de contención (llamadas resueltas por completo por el agente) y la tasa de transferencia (llamadas que se traspasan a un humano) son necesarias pero no suficientes: te dicen si el agente terminó la llamada, no si la terminó correctamente. Las métricas de diagnóstico que capturan los cuatro modos de fallo de arriba son distintas.

Para la navegación de IVR, la métrica correcta no es la tasa de conexión sino la tasa de finalización de tareas por destino de IVR: con qué frecuencia el agente llegó al departamento previsto en cada árbol telefónico único que marca, segmentado por operador. Una caída en esta métrica en un número específico suele ser un problema de fiabilidad de DTMF, no un problema de prompt. Para la detección de buzón de voz, la métrica correcta es la tasa de falsos positivos (humanos clasificados erróneamente como máquinas) rastreada por separado de la tasa de falsos negativos, porque el coste de cada dirección es diferente y el ajuste correcto depende de la campaña. Para la gestión de interrupciones, la métrica correcta es la tasa de falsas interrupciones —respuestas del agente cortadas por un backchannel que debería haberse ignorado— que es más difícil de aflorar que el total de interrupciones pero predice la frustración de quien llama mucho mejor. Para el comportamiento de línea de precio y límites de aprobación, la métrica correcta es la tasa de cumplimiento de políticas medida mediante muestreo de transcripciones contra las reglas reales del lado del servidor, no leyendo las promesas del agente al pie de la letra.

La capa de análisis posterior a la llamada de Retell AI puntúa cada transcripción en dimensiones como estas en lugar de la muestra del dos por ciento que puede revisar el QA humano, que es lo que hace que las métricas sean accionables al volumen al que operan los despliegues serios. El lanzamiento de 2025 de Retell Assure fue más allá, automatizando el propio bucle de QA: la plataforma monitoriza las llamadas de IA de voz y aflora candidatos a mejora sin que un humano revise las interacciones al azar. A 40 millones de llamadas al mes, esa es la única forma en que salen las cuentas.

Preguntas frecuentes

¿Puede la IA de voz navegar cualquier sistema de IVR de forma fiable?

Puede navegar de forma fiable la mayoría de los IVR de tono conformes a los estándares cuando los dígitos se envían como eventos de telefonía SIP fuera de banda en lugar de mezclados en el audio. Las excepciones son los IVR que requieren un pitido antes de aceptar la entrada, los IVR con tiempos de espera muy cortos entre menú y dígito, y los IVR que mezclan DTMF con entrada hablada obligatoria. Los equipos de producción prueban contra los árboles telefónicos específicos que necesitan marcar antes del lanzamiento y añaden lógica de reintento por IVR para los casos límite persistentes.

¿Cómo de precisa es la detección de buzón de voz en las llamadas salientes de IA de voz?

La detección moderna de contestador automático basada en transcripción se sitúa en el rango de precisión del 95 al 98 por ciento con latencia inferior a tres segundos, comparada con el 70 al 85 por ciento de las heurísticas tradicionales de energía y silencio que vienen con la mayoría de los proveedores de telefonía. El techo de precisión depende de si ajustas para falsos positivos (tratar humanos reales como máquinas, lo que te cuesta la conversación) o falsos negativos (tratar máquinas como humanos, lo que deja un mensaje confuso), y el compromiso correcto varía según el tipo de campaña.

¿Qué necesita la IA de voz para gestionar las interrupciones de forma natural?

Tres cosas ejecutándose en paralelo: un detector de actividad de voz que vigila el sonido durante la reproducción del agente, una transcripción en streaming que emite una transcripción parcial en unos 100 milisegundos, y un clasificador semántico que distingue una interrupción real de un backchannel como "ajá". Sin la tercera capa, el agente o bien ignora las interrupciones genuinas o cede ante cada respiración y reconocimiento, ambos de los cuales se sienten mal en la llamada.

¿Cómo se evita que los clientes negocien por debajo de un precio mínimo?

Saca el mínimo del prompt de sistema y ponlo en una función del lado del servidor que el modelo de lenguaje no puede ver. El agente puede discutir precios libremente, pero cada cotización comprometida pasa por una función que valida contra el mínimo antes de que el número se pronuncie. Este es el único patrón que sobrevive a usuarios adversarios: los guardarraíles basados en prompts se filtran bajo presión sostenida, los guardarraíles controlados por funciones no.

¿Qué latencia necesita la IA de voz para sentirse como una conversación real?

Por debajo de 700 milisegundos de extremo a extremo, medido desde la última palabra de quien llama hasta la primera palabra del agente. Por encima de 900 milisegundos, la gente nota el hueco y empieza a desengancharse. Retell AI publica ~600ms de latencia como cifra de producción medida en sus 40 millones de llamadas mensuales, que se sitúa cómodamente por debajo del umbral conversacional y deja margen para la latencia de llamada a función encima.

¿Qué ocurre cuando la IA de voz no puede resolver una llamada?

Se activa un disparador de escalado definido y la llamada se enruta a un humano con la transcripción completa, el historial de llamadas a función y el sentimiento detectado adjuntos. Los despliegues de producción definen estos disparadores de forma explícita: guardarraíl rechazado dos veces, veredicto de AMD incierto dos veces, navegación de IVR fallida más allá de un umbral de profundidad, cliente que pidió un humano, sentimiento que cayó por debajo de un mínimo. El humano retoma la llamada sabiendo ya lo que se discutió, que es la diferencia entre una transferencia asistida y empezar de nuevo.

¿Merece la pena esta arquitectura para volúmenes de llamadas más pequeños?

Los guardarraíles controlados por funciones y el AMD asíncrono se vuelven esenciales a cualquier volumen donde las llamadas adversarias o las tasas de buzón de voz no sean triviales, típicamente cualquier cosa por encima de unos pocos cientos de llamadas al día. Por debajo de eso, los modos de fallo son reales pero el recuento absoluto es lo bastante pequeño como para que el QA humano pueda detectarlos a posteriori. La capa de gestión de interrupciones importa desde la primera llamada independientemente del volumen, porque cada persona que llama la experimenta.

Ponerlo en práctica

Los cuatro comportamientos de arriba son cómo se ve la IA de voz de producción debajo de la conversación. Construirlos desde cero son aproximadamente de seis a doce meses de ingeniería: gestión de medios WebRTC, negociación de códecs, señalización SIP para DTMF, un pipeline de transcripción en streaming, un clasificador semántico de interrupciones, la capa de orquestación de llamadas a función, y las herramientas de QA posterior a la llamada que hacen que todo el conjunto sea mejorable. La mayoría de los equipos que lo intentan acaban lanzando las partes fáciles y descubriendo las difíciles en producción.

El camino más corto es usar infraestructura donde estos comportamientos ya están en su sitio. Las plataformas que ahora operan a más de 40 millones de llamadas al mes —siendo Retell AI el punto de referencia público— existen porque el coste de equivocarse en estos cuatro comportamientos, a escala, es lo que la mayoría de los proyectos de IA de call center subestiman. Si quieres oír cómo suena realmente esta arquitectura en una llamada telefónica real, puedes poner en marcha un agente de prueba en retellai.com con 10 $ de créditos gratuitos y enrutar una llamada a través de tu propio número para probar los comportamientos de interrupción, IVR y precio mínimo sobre algo real en lugar de leer sobre ellos.