La IA de voz ya gestiona millones de llamadas, pero todavía falla en las palabras más importantes
La inteligencia artificial de voz ya no es una promesa de futuro para los centros de atención telefónica. En 2026, estas herramientas gestionan millones de llamadas al mes en sectores como la banca, la sanidad, las telecomunicaciones, la hostelería y el comercio. Sin embargo, siguen teniendo una debilidad crítica: pueden mantener una conversación aparentemente fluida y, al mismo tiempo, perder el nombre de un medicamento, una referencia alfanumérica o un número de seguimiento.
El problema afecta especialmente a las interacciones que se salen de los guiones previsibles. La IA suele responder correctamente a preguntas como el número de cuenta o el motivo general de la llamada, pero puede equivocarse cuando el cliente menciona un producto poco habitual, una reclamación concreta o una petición urgente.
El reconocimiento de voz sigue siendo el principal punto débil
La primera capa del problema está en el reconocimiento automático de voz, conocido como ASR por sus siglas en inglés. Esta tecnología convierte el audio de una llamada en texto para que el sistema pueda analizarlo y responder.
Los modelos actuales funcionan bien con expresiones frecuentes y vocabulario común. En cambio, tienen más dificultades con nombres propios poco habituales, términos médicos, acentos muy marcados, códigos de producto y cadenas de letras y números. Cuando el sistema no identifica una palabra con suficiente confianza, puede sustituirla por otra parecida o eliminarla de la transcripción.
En una conversación normal, un error de este tipo puede ser irrelevante. En un centro de atención al cliente, no siempre. Confundir un medicamento, perder una cifra de una póliza o interpretar mal una referencia de envío puede obligar a repetir toda la gestión y, en algunos casos, provocar una respuesta incorrecta.
Además, el error inicial se transmite al resto del sistema. El modelo de lenguaje, que es la parte de la IA encargada de interpretar la intención del usuario y generar una respuesta, trabaja sobre la transcripción producida por el ASR. Si esa transcripción ya contiene fallos, la comprensión semántica parte de una información incompleta.
El sistema puede entender la frase y perder el dato decisivo
Esta cadena de errores explica por qué algunas llamadas parecen funcionar hasta que aparece el detalle que realmente importa. El asistente puede reconocer que el cliente quiere consultar un tratamiento o revisar un pedido, pero no identificar correctamente el nombre del producto o el código asociado.
La situación es especialmente delicada en sectores regulados, como la sanidad y los servicios financieros. En estos entornos, no basta con detectar la intención general de la llamada: la IA debe capturar con precisión los datos que determinan la siguiente acción.
Las empresas están intentando reducir el problema mediante vocabularios especializados, listas de términos propios y sistemas capaces de pedir confirmación cuando detectan una palabra dudosa. Aun así, estas soluciones no eliminan por completo los fallos, sobre todo cuando el cliente habla rápido, hay ruido de fondo o utiliza una expresión que el sistema no esperaba.
El modo full-duplex mejora la naturalidad, pero añade latencia
Los sistemas de voz más avanzados ya utilizan conversaciones full-duplex. Este concepto significa que la IA puede escuchar y hablar al mismo tiempo, en lugar de esperar siempre a que el usuario termine para comenzar su respuesta. También permite gestionar interrupciones, pausas y cambios de turno de una forma más parecida a una conversación humana.
La tecnología está presente en algunos despliegues empresariales, pero no resuelve por sí sola la experiencia de uso. La IA debe interpretar lo que la persona está diciendo mientras la frase aún no ha terminado y decidir si debe responder, esperar o pedir una aclaración.
Ese proceso introduce latencia, es decir, el tiempo que transcurre entre el final de la intervención del usuario y el comienzo de la respuesta. Los sistemas más avanzados se mueven aproximadamente entre los 300 y los 800 milisegundos, mientras que en una llamada telefónica las pausas superiores a unos 200 milisegundos ya pueden percibirse como incómodas.
El efecto es más evidente en reclamaciones, conversaciones tensas o situaciones urgentes. Un silencio breve puede interpretarse como que la máquina no ha entendido la petición, está bloqueada o incluso ha perdido la conexión.
Modelos más pequeños y respuestas en streaming
La industria trabaja en dos vías principales para reducir esa demora. La primera consiste en utilizar modelos de lenguaje más pequeños y especializados en un sector concreto. Al tener menos posibilidades que analizar, pueden responder más deprisa y con un coste menor por llamada.
La segunda son las arquitecturas de streaming. En lugar de esperar a que el usuario termine toda la frase, el sistema empieza a procesar el contenido y preparar la respuesta mientras recibe el audio. Esta estrategia puede mejorar la velocidad, aunque también aumenta el riesgo de anticiparse demasiado o interpretar mal una frase incompleta.
Por ahora, ninguna de las dos técnicas mantiene de forma consistente una latencia inferior a los 200 milisegundos en entornos reales y con todo tipo de usuarios. Las demostraciones controladas pueden ofrecer una impresión más fluida que las llamadas con ruido, interrupciones y vocabulario imprevisible.
La adopción crece, pero el operador humano no desaparece
La IA conversacional ya ha pasado de los proyectos piloto a los despliegues en producción. Puede resolver reservas, consultas sobre pedidos, cambios de cita y preguntas frecuentes sin intervención humana cuando el escenario está bien definido.
Al mismo tiempo, muchas compañías combinan asistentes autónomos con herramientas de apoyo a los operadores. En estos casos, la IA transcribe la llamada en directo, sugiere respuestas, identifica el tono emocional del cliente y localiza información relevante para el agente.
La tendencia apunta, por tanto, a una convivencia de modelos: automatización completa para las gestiones sencillas y asistencia inteligente para los casos complejos. El objetivo no es únicamente que la voz artificial suene natural, sino que resuelva el problema sin aumentar la frustración del usuario.
La tecnología ya funciona en la mayoría de las interacciones habituales, pero todavía falla en una parte más pequeña y difícil de las llamadas. El inconveniente es que ese 20 o 30% de casos suele concentrar las situaciones más urgentes, sensibles o importantes para el cliente. Ahí es donde la IA de voz todavía tiene que demostrar que puede escuchar cada palabra que cuenta.
