Lo que pasa entre el tono y la primera frase
La llamada llega por la red telefónica y entra en una cadena de tres tratamientos que se relevan sin interrupción. El reconocimiento de voz convierte la voz en texto sobre la marcha, sin esperar a que la frase termine. El modelo de lenguaje lee ese texto, lo contrasta con las instrucciones que has escrito y decide qué responder o hacer. La síntesis vocal devuelve esa respuesta en voz. Todo vuelve a empezar en cada turno de palabra.
Lo que hace el intercambio natural o penoso está en el retardo entre el final de tu frase y el principio de la suya. Por debajo de un segundo, la conversación parece una conversación. Por encima de dos, quien llama cree que la línea se ha cortado y empieza a repetir, lo que lanza un nuevo análisis y alarga aún más el silencio. Un proveedor que no sabe darte ese retardo probablemente no lo ha medido.
El cuarto elemento es invisible y decide lo demás: la detección de fin de habla. Es la que juzga si has terminado tu frase o si estás tomando aire. Ajustada corta, la máquina te interrumpe. Ajustada larga, deja un silencio incómodo tras cada frase. Es el ajuste que más claramente distingue dos productos construidos sobre las mismas piezas.
1
Descuelgue
La llamada entra por la red telefónica.
2
Reconocimiento de voz
La voz se convierte en texto, sobre la marcha.
3
Modelo de lenguaje
El texto se contrasta con tus instrucciones y se decide una acción.
4
Síntesis vocal
La respuesta vuelve a ser voz.
| Retardo | Lo que percibe | Lo que hace |
|---|---|---|
| Menos de un segundo | Nada anormal | Sigue hablando |
| Uno a dos segundos | Un silencio perceptible | Duda, a veces repite |
| Más de dos segundos | Un silencio que parece un corte | Repite, o cuelga |
Repetir relanza el análisis desde el principio. Más allá de dos segundos, el retraso se alimenta solo.
- Síntesis en flujo
- ≈ 0,5 s
- Síntesis por lotes
- ≈ 4 s
Medido en nuestra propia configuración de agente, no en un panel de mercado. Esa diferencia es la que descartó el modo por lotes: es inutilizable al teléfono. Una cadena en cascada, donde tres piezas se relevan, añade otro segundo o dos frente a un modelo de audio de extremo a extremo.
Centralita IA, callbot, voicebot, IVR: qué designan estas palabras
Un sistema de respuesta de voz interactiva es el más antiguo de los cuatro y el único que no comprende nada. Lee un menú, espera una tecla o una palabra de una lista cerrada, y encamina. Su fuerza es la previsibilidad, su debilidad es que pide a quien llama que se clasifique solo en categorías que descubre en el momento de llamar.
Callbot y voicebot designan lo mismo en el uso corriente, un programa que mantiene una conversación. El primer término viene de la atención al cliente, el segundo de la voz, y nada los separa de verdad. Algunos proveedores hablan más bien de agente de voz, que sigue siendo la misma categoría de producto. Estas palabras describen una técnica, no un uso.
Centralita con IA describe el uso más que la técnica: lo que se vende es la atención de las llamadas de una empresa, con sus horarios, sus servicios, su agenda y sus reglas de transferencia. La diferencia no es cosmética. Un voicebot genérico sabe conversar; una centralita sabe quién eres, qué vendes y a quién pasar la llamada cuando no sabe responder.
| Término | Comprende una frase libre | Actúa en una herramienta | Al final de la cadena |
|---|---|---|---|
| Respuesta de voz interactiva | No, una tecla o una palabra de una lista cerrada | No | Encamina y luego buzón de voz |
| Callbot, voicebot | Sí | Variable según el producto | Responde y luego toma un mensaje |
| Agente de voz | Sí | Variable según el producto | Misma categoría, otra etiqueta |
| Centralita con IA | Sí | Sí: agenda, horarios, reglas de la empresa | Pone la cita, o pasa la llamada |
Callbot y voicebot designan lo mismo: el primer término viene de la atención al cliente, el segundo de la voz.
Lo que una centralita con IA sigue fallando
El ruido sigue siendo el primer obstáculo. Una llamada hecha desde una obra, desde la carretera o desde una sala de restaurante en pleno servicio degrada el reconocimiento de voz antes incluso de que entre en juego el modelo de lenguaje, y ninguna instrucción bien escrita rescata una palabra que no se ha oído. Los acentos regionales y extranjeros plantean el mismo problema, con una desigualdad real según los idiomas.
Vienen después los nombres propios, y en una recepción están por todas partes: un apellido, una calle, el nombre de una empresa. Una palabra ajena al vocabulario corriente se transcribe de forma aproximada, y la cita acaba a nombre de alguien que no existe. Los buenos productos hacen deletrear y releen en voz alta; es feo, es lento, y es el único método que aguanta.
Quedan las peticiones que salen del perímetro. Una reclamación, una situación personal difícil, una pregunta cuya respuesta no se ha escrito: la máquina no adivina, y no debe intentarlo. El comportamiento esperado es que lo diga y aplique tu regla. Una respuesta inventada sobre un asunto sensible cuesta más que una llamada sin tratar.
Cuatro familias de fallo, y el remedio de cada una.
- Ruido ambiente, en una obra, al borde de una carretera o en sala durante el servicio. El reconocimiento se cae antes incluso de que entre el modelo de lenguaje. Remedio: ninguno por software, hay que llamar desde un sitio más tranquilo.
- Acentos regionales y extranjeros, con una calidad que varía realmente de un idioma a otro. Remedio: un modelo de reconocimiento entrenado con voz telefónica, no con voz de estudio.
- Nombres propios, apellido, calle o empresa. Una palabra fuera del vocabulario corriente se transcribe mal y la cita lleva el nombre de alguien que no existe. Remedio: hacer deletrear y luego releer en voz alta.
- Peticiones fuera de perímetro, reclamación o pregunta cuya respuesta no está escrita en ninguna parte. Remedio: decirlo y aplicar la regla de transferencia. Nunca inventar.
Cuándo vuelve el mando a una persona, y cómo
Tres situaciones desencadenan el paso a una persona, y se ajustan de antemano. Quien llama lo pide, expresamente o insistiendo. La petición sale del perímetro escrito. O la máquina ha fallado dos veces seguidas al comprender, que es el umbral a partir del cual quien llama cuelga por su cuenta.
Hay dos formas de ceder el paso, y no tienen el mismo coste para ti. La transferencia directa hace sonar un número que tú indicas mientras quien llama espera; da por hecho que alguien descuelga, si no la llamada se cae. La toma de mensaje recoge el asunto, el número y el grado de urgencia, y tú devuelves la llamada. La primera es mejor cuando hay gente, la segunda cuando no la hay.
La pregunta que hay que hacer a un proveedor es la del repliegue: qué pasa si la transferencia falla. Una cadena que termina en un buzón de voz reproduce exactamente el problema que se quería resolver.
Tres situaciones desencadenan el paso a una persona. Se ajustan antes de la puesta en marcha, no tras la primera llamada fallida.
- 1 Quien llama lo pide, expresamente o insistiendo.
- 2 La petición sale del perímetro que has escrito.
- 3 La comprensión ha fallado dos veces seguidas, umbral a partir del cual quien llama cuelga por su cuenta.
| Forma | Lo que da por hecho | Cuándo preferirla |
|---|---|---|
| Transferencia directa | Que alguien descuelgue al otro lado, si no la llamada se cae | Cuando hay gente |
| Toma de mensaje | Que devuelvas la llamada, con el asunto y el número ya recogidos | Cuando no hay nadie |
Las dos se combinan: transferencia primero, mensaje si nadie descuelga tras un número de tonos que tú fijas.
¿Lo aceptan quienes llaman?
La cuestión se plantea menos que antes y se plantea de otra forma. Lo que molesta no es hablar con una máquina, es esperar, repetir, navegar por un menú y acabar en un contestador. Una recepción automatizada que descuelga enseguida y pone una cita en cuarenta segundos se juzga por ese resultado, no por su naturaleza.
La transparencia, en cambio, no se negocia, y también te conviene. Una recepción que deja creer que se habla con alguien de tu equipo te expone a ti, no al proveedor que escribió la frase. El aviso se da al descolgar, en una frase corta, y la experiencia muestra que no hace colgar: lo que hace colgar es descubrirlo a mitad del intercambio.
La aceptación varía de todas formas según el oficio y según el motivo. Una reserva, un horario, una petición de aviso pasan sin fricción. Un asunto íntimo, un litigio o una noticia difícil piden una voz humana, y es una razón más para que la regla de transferencia esté escrita antes de la puesta en marcha, no después de la primera llamada fallida.
| Motivo de la llamada | Pasa sin fricción | Por qué |
|---|---|---|
| Reserva, cita | Sí | El resultado es inmediato y quien llama puede comprobarlo |
| Horario, dirección, disponibilidad | Sí | La respuesta es factual, nadie espera otra cosa |
| Petición de aviso | Sí | Quien llama conserva el control de lo que sigue |
| Reclamación, litigio | No | Quien llama quiere ser escuchado, no tramitado |
| Asunto íntimo, noticia difícil | No | La voz humana forma parte de la respuesta |
Las dos últimas filas son exactamente las que debe cubrir la regla de transferencia.
Del contestador a la centralita con IA: lo que ha cambiado
Durante mucho tiempo, una llamada no atendida tenía dos desenlaces: el buzón de voz o nada. Los dos valen lo mismo en la práctica, porque quien busca un profesional disponible no deja mensaje, marca el número siguiente. El IVR desplazó el problema sin tratarlo, añadiendo una espera antes del mismo silencio.
Lo que ha cambiado no es la voz sintética, que ya existía. Es la comprensión de una frase libre y la capacidad de actuar en una herramienta, casi siempre una agenda. Una recepción que pone realmente la cita durante la llamada suprime la devolución, y la devolución era donde se perdía la mitad de las peticiones.
Queda una continuidad que conviene tener presente: estos productos siguen siendo máquinas que aplican instrucciones. Su calidad depende de lo que escribas en ellas, de lo que releas y de lo que corrijas tras escuchar unas cuantas llamadas. Una recepción telefónica instalada y nunca revisada se degrada como se degradaría una instrucción colgada en la pared que nadie actualiza.
Preguntas frecuentes
- ¿Qué diferencia hay con un sistema de respuesta de voz interactiva?
- El IVR encamina sin comprender: lee un menú y espera una tecla o una palabra de una lista cerrada. Una centralita con IA recibe una frase libre, extrae la petición y actúa, poniendo una cita o pasando la llamada.
- ¿Qué pasa si dos personas llaman a la vez?
- Se atienden las dos. Es la diferencia más concreta con una recepción humana, donde el segundo espera y luego marca el número siguiente. El número de llamadas simultáneas depende de la configuración de tu línea, que conviene comprobar con el proveedor.
- ¿Hay que cambiar de número de teléfono?
- En la mayoría de los casos no. Basta un desvío desde tu línea actual, y tú decides su condición: enseguida, tras un número de tonos, o solo fuera de tu horario. La portabilidad sigue siendo posible, pero rara vez hace falta para empezar.
- ¿Cuánto tiempo lleva ponerla en marcha?
- La parte técnica cabe en un día. Lo que lleva tiempo es escribir las respuestas a las preguntas que de verdad te hacen, y luego escuchar las primeras llamadas para corregir. Cuenta con dos o tres revisiones en las primeras semanas antes de que la recepción esté a tu gusto.
