Llamadas de agentes: cuando la IA llama a tu servicio de atención al cliente

Llamadas de agentes: cuando la IA llama a tu servicio de atención al cliente

Un agente llamante es una IA autónoma que marca tu número de servicio en nombre de una persona o de otro sistema, navega por tu IVR y mantiene una conversación completa. A diferencia de una llamada automática (robocall), no sigue un guion fijo: se adapta, y es precisamente por eso que los patrones de detección convencionales no logran identificarla. Si gestionas una línea de entrada en 2026, asume que una parte creciente de tus llamadas ya no proviene de humanos.

La respuesta corta para los responsables de operaciones es que no puedes bloquear a los agentes llamantes de forma masiva sin bloquear también las solicitudes legítimas de los clientes. El enfoque viable es contar con un agente de entrada que identifique a los llamantes artificiales, los dirija por su propio camino y los atienda de forma estructurada, en lugar de enviarlos a la misma cola que a los llamantes humanos. Para eso se crearon precisamente el Famulor Flow Builder y las herramientas durante la llamada.

Qué es un agente llamante y en qué se diferencia de una llamada automática

El punto de partida para este debate es una publicación de Gabe Regan, vicepresidente de Human Engagement en Reality Defender, que Biometric Update cubrió en julio de 2026. Regan describe un cambio que muchos centros de contacto aún no han tenido en cuenta: la infraestructura se diseñó para llamantes humanos con ocasionales pruebas de bots, no para agentes de IA autónomos que operan a gran escala.

Regan cita una previsión de Gartner que indica que, para 2029, la IA resolverá de forma autónoma alrededor del 80 por ciento de las consultas comunes de atención al cliente sin intervención humana. Su punto central es que una parte sustancial de esas interacciones no consistirá en empresas que despliegan IA para responder llamadas, sino en sistemas de IA que realizan las llamadas ellos mismos.

Una llamada automática es una operación de marcado masivo con audio pregrabado. Se bloquea ante preguntas de seguimiento, estructuras de IVR inusuales o cualquier cosa que se desvíe del camino esperado. Un agente llamante, por el contrario, escucha el menú IVR, selecciona la opción correcta, responde correctamente a las preguntas de seguridad y mantiene una conversación adaptativa con quienquiera que esté al otro lado, ya sea humano o IA. Nada en el patrón de interacción marca la llamada como no humana, porque estos sistemas se construyeron específicamente para evitar activar esas alertas.

Por qué la detección de fraude convencional falla con los agentes llamantes

La detección de fraude en centros de contacto funciona clásicamente basándose en anomalías de comportamiento: horarios de llamada inusuales, autenticación fallida, navegación errática por el IVR o números de rangos sospechosos. Regan explica por qué esas señales no sirven contra los agentes llamantes. Estos llaman desde números que superan la validación del operador, navegan por los menús IVR a velocidad normal, seleccionan la opción correcta al primer intento y responden a las preguntas de seguridad con información precisa. No fallan en la autenticación y no generan actividad inusual en la cuenta.

Esto no es coincidencia, sino un diseño intencionado. Cualquiera que cree un agente que complete tareas de forma fiable para su usuario, inevitablemente lo optimizará para los mismos patrones de comportamiento que utiliza la detección de fraude.

La consecuencia práctica: las reglas basadas en el comportamiento ya no son suficientes para decidir cómo gestionar una llamada. Esa decisión debe tomarse antes, antes de que la llamada llegue a la cola.

Los cuatro tipos de llamantes que llegan a tu cola en 2026

Ayuda dejar de dividir el flujo de llamadas de forma binaria entre humano y bot, y trabajar en su lugar con cuatro categorías que requieren un tratamiento diferente. Este es el punto operativo que enfatiza Regan: un humano que llama para resolver una disputa de facturación es una solicitud de servicio. Un agente de IA que navega por el mismo IVR y llega a la misma cola consume capacidad sin generar una interacción de servicio humana.

El segundo tipo es el caso interesante. Un cliente cuyo asistente llama para comprobar una fecha de entrega tiene una solicitud totalmente legítima, solo que en formato legible por máquina. Bloquea a ese llamante y bloquearás al cliente. Trátalo como a un humano y desperdiciarás tiempo de conversación en cortesías y bucles de confirmación que una máquina no necesita.

El coste oculto: métricas distorsionadas

El efecto que Regan describe como más insidioso no es la llamada individual, sino el cambio gradual en la composición del volumen de llamadas entrantes. El tiempo medio de gestión aumenta, el rendimiento de la cola disminuye y las tasas de respuesta caen. Eso parece un problema de capacidad o de habilidades, y se trata como tal, con personal adicional o formación. La causa real permanece invisible.

Un ejemplo concreto: un proveedor de servicios públicos con 40 empleados y unas 9.000 llamadas al mes observa cómo su tiempo medio de gestión sube de 4:10 a 4:50 minutos en un solo trimestre. Eso supone más de 100 horas de trabajo adicionales al mes. Sin una clasificación del tipo de llamante, no hay forma de saber si el motivo son solicitudes más complejas, procesos más débiles o una cuota creciente de llamantes automáticos. Con la clasificación, la pregunta se responde en cinco minutos.

Una matización importante: los llamantes automáticos no son intrínsecamente caros. Se vuelven caros cuando los atiendes con una gestión diseñada para humanos. Un agente llamante que obtiene un número de seguimiento en un intercambio estructurado de 40 segundos cuesta menos que cualquier llamada humana. La misma llamada dirigida a través de una cola de espera y un agente humano cuesta muchas veces más. La decisión reside en el enrutamiento, no en el bloqueo.

Manual: diseñando tu agente de entrada para tráfico de agente a agente

La buena noticia: si ya utilizas un agente de entrada basado en IA, la parte difícil ya ha pasado. Adaptarse a los llamantes automáticos es una tarea de configuración, no una migración de plataforma. Seis pasos en un orden lógico:

1. Clasifica antes de enrutar. Establece en el primer paso de la conversación si estás tratando con un humano o con una máquina. Reality Defender aboga por la detección acústica de voces sintéticas (artefactos de compresión, anomalías de frecuencia, firmas de generación) antes del enrutamiento. Una pregunta directa durante la conversación funciona como complemento: "¿Llamas por ti mismo o en nombre de un asistente?". Los agentes honestos responden con precisión.
2. Un camino separado, no una cola compartida. Construye una rama dedicada para los llamantes automáticos en el Flow Builder. Frases cortas, sin bucles de cortesía, sin audio de relleno, retorno directo de datos. Eso ahorra tiempo a ambas partes.
3. Privilegios mínimos para herramientas durante la llamada. Separa las acciones de lectura de las de escritura. Un llamante automático puede consultar el estado de un envío, pero los cambios de dirección, cancelaciones o pagos deben pasar por un paso de verificación adicional. La documentación sobre herramientas personalizadas durante la llamada cubre cómo definir el alcance de las herramientas de forma limpia.
4. Verificación reforzada en umbrales claros. Define cuándo es obligatoria una confirmación adicional: cambios en datos maestros, operaciones de pago o cualquier cosa por encima de una cantidad establecida. Ese umbral debe estar en el prompt y en la definición de la herramienta, no en la cabeza del agente.
5. Mantén disponible la escalada a humanos. Mantén una ruta de transferencia clara. Cuando la clasificación es incierta o hay una operación sensible pendiente, debe haber un humano en el proceso. Las mejores prácticas para asistentes describen cómo funcionan las transferencias sin perder el contexto.
6. Registra el tipo de llamante en tus informes. Registra la clasificación como un campo en el registro de llamadas y envíalo a tu CRM mediante webhook. Solo entonces podrás desglosar el tiempo medio de gestión (AHT), la contención y el coste por llamada según el tipo de llamante, y basar las decisiones de capacidad en datos en lugar de en suposiciones.

Tres escenarios concretos

Tienda online con 5.000 pedidos al mes. Una parte creciente de las consultas de estado proviene de los asistentes de los clientes. El agente de entrada los reconoce, entrega el número de seguimiento y la fecha de entrega en una sola frase y finaliza la llamada tras 35 segundos. Las solicitudes de devolución, por el contrario, requieren confirmación a través del número registrado.

Corredor de seguros con 15 nuevas consultas al día. Aquí, el llamante automático suele ser un asistente de comparación que consulta detalles de tarifas. El agente facilita los términos disponibles públicamente de forma estructurada, pero rechaza cualquier información sobre pólizas existentes sin verificación a través de un segundo canal.

Empresa municipal de servicios con 9.000 llamadas al mes. Las lecturas de contadores enviadas por asistentes pasan por un camino corto y estructurado, que incluye una comprobación de plausibilidad del valor reportado. Los cambios de tarifa y de datos bancarios están cerrados a los llamantes automáticos y se transfieren a un humano sin excepciones.

Errores comunes de implementación

• Bloqueo general de llamantes automáticos. Afecta a solicitudes legítimas de clientes y genera quejas que nadie relaciona con las reglas de bloqueo.
• Clasificación sin consecuencias. Detectar el tipo de llamante pero tratar a todos igual solo añade un campo al registro.
• Verificación en el lugar equivocado. Un desafío de seguridad al inicio de la llamada ralentiza a todo el mundo. Debe ir inmediatamente antes de la acción sensible.
• Sin alternativa de API. Si los mismos datos están disponibles a través de una interfaz documentada, el camino de la máquina debería indicarlo. Eso alivia el canal telefónico de forma permanente: Famulor ofrece las rutas para ello mediante más de 300 integraciones y webhooks.
• Configurar una vez y olvidar. Los agentes que llaman son cada vez más capaces. La lógica de clasificación debe formar parte de la revisión trimestral.

Conclusión

Los agentes llamantes ya no son un fenómeno marginal, sino un cambio previsible en la composición del volumen de llamadas entrantes. La respuesta equivocada es tratarlos como un problema de fraude y bloquearlos: eso atrapa solicitudes legítimas de clientes. La respuesta correcta es reconocerlos como un tipo de llamante distinto, ofrecerles un camino eficiente y proteger las acciones sensibles con una verificación adicional.

Famulor te permite modelar exactamente eso sin necesidad de un proyecto de desarrollo: clasificación dentro de la conversación, ramas separadas en el Flow Builder, permisos escalonados para herramientas durante la llamada y una transferencia limpia a humanos cuando sea necesario. Tu próximo paso concreto: toma tus tres solicitudes de entrada más comunes, define un camino corto para máquinas y un umbral de verificación para cada una, y constrúyelos en un agente de voz no-code. Una hora es suficiente para una primera prueba.

Preguntas frecuentes

¿Qué es un agente llamante?

Un agente llamante es una IA autónoma que marca un número de servicio en nombre de un usuario o sistema, navega por el IVR y mantiene una conversación adaptativa. A diferencia de una llamada automática, no sigue ningún guion fijo.

¿En qué se diferencia un agente llamante de una llamada automática?

Una llamada automática reproduce audio pregrabado y falla ante preguntas de seguimiento. Un agente llamante escucha el menú IVR, selecciona correctamente, responde a preguntas de seguridad y responde con flexibilidad a giros inesperados.

¿Por qué los sistemas de fraude convencionales no detectan a los agentes llamantes?

Porque se basan en anomalías de comportamiento. Los agentes llamantes marcan desde números validados, navegan por el IVR a un ritmo normal y superan la autenticación: producen exactamente las señales clasificadas como normales.

¿Debería simplemente bloquear a los llamantes automáticos?

No. Una parte de estas llamadas proviene de asistentes de clientes reales con solicitudes legítimas. Un camino de conversación corto y dedicado con permisos escalonados para acciones sensibles funciona mejor.

¿Cómo identifico a un llamante automático durante la llamada?

Dos métodos se combinan bien: el análisis acústico de voces sintéticas antes del enrutamiento y una pregunta directa en el primer paso de la conversación preguntando si la llamada se realiza en nombre de un asistente.

¿Distorsionan los agentes llamantes las métricas de mi centro de contacto?

Sí. El aumento del tiempo medio de gestión y el peor rendimiento de la cola parecen un problema de capacidad, pero pueden deberse a una cuota creciente de llamantes automáticos. Sin clasificación en el registro de llamadas, ambos no pueden separarse.

¿Qué acciones no debería poder activar un llamante automático?

Como regla general, cualquier cosa que implique escritura con impacto financiero o de identidad. Los cambios de dirección, datos bancarios, cancelaciones y pagos deben estar detrás de un paso de verificación adicional o gestionarse con un humano.

¿Con qué rapidez se puede implementar esto con Famulor?

Un primer camino suele llevar aproximadamente una hora. Añade un paso de clasificación en el Flow Builder, define la rama para máquinas, separa las herramientas de la llamada en lectura y escritura, y establece el umbral de verificación.

¿Esto se aplica también a WhatsApp y al chat web?

En principio sí, con diferentes señales. Los canales de texto carecen de análisis acústico, pero el ritmo, el formato y los patrones de uso son informativos. La lógica de clasificación, el camino separado y los permisos escalonados siguen siendo los mismos.