¿Qué es el AMD (detección de contestadores automáticos)?

La detección de contestadores automáticos —abreviada universalmente como AMD, por sus siglas en inglés— es la tecnología del marcador saliente que determina, en los primeros segundos de una llamada conectada, si contestó una persona real o un sistema de buzón de voz. Según esa clasificación, el marcador envía la llamada a un agente (persona real) o la gestiona automáticamente (contestador: normalmente dejando un mensaje de voz pregrabado o colgando).

El AMD parece sencillo, pero es uno de los componentes con más consecuencias de cualquier sistema de llamadas salientes. Su precisión controla directamente dos métricas de negocio críticas: la utilización de los agentes (cuánto tiempo pasan hablando con personas reales) y la tasa de contacto (cuántas conversaciones en vivo genera su campaña por hora). Unos pocos puntos porcentuales de precisión del AMD pueden traducirse en miles de conversaciones perdidas o ganadas por semana en una operación mediana.

Cómo funciona el AMD tradicional

El AMD tradicional —el enfoque estándar en los marcadores salientes desde hace más de dos décadas— se basa en el análisis de la señal de audio aplicado a los primeros instantes tras conectarse la llamada. Hay dos técnicas principales:

Análisis de energía y duración

Cuando se conecta una llamada, el sistema de AMD empieza a analizar la forma de onda del audio. Mide dos cosas: cuánto dura el segmento de habla inicial y el patrón de energía de esa habla. El supuesto de partida es que los saludos humanos son cortos —"¿Hola?", "¿Sí?", "Dígame"—, normalmente de menos de 1.5 segundos, seguidos de una pausa en la que la persona espera una respuesta. Los saludos de buzón de voz, en cambio, suelen ser más largos (3-10 segundos de habla continua) y sin pausa natural, porque el saludo es un monólogo pregrabado.

El sistema aplica un umbral de decisión: si el habla continúa más allá de una duración configurada sin pausa, clasifica la llamada como contestador. Si el habla es corta y va seguida de silencio, la clasifica como persona real.

Detección por pitido

La segunda técnica tradicional busca el tono característico —el "pitido"— que marca el final del saludo de un buzón de voz y el inicio del periodo de grabación. Cuando el sistema detecta un tono que coincide con la frecuencia y la duración esperadas de un pitido de buzón de voz (normalmente un tono de 1 kHz de 0.5-1 segundo), clasifica la llamada como contestador.

La detección del pitido se diseñó originalmente como una confirmación secundaria tras el análisis de energía. En algunos sistemas antiguos se convirtió en el método de detección principal. La llamada se retenía en un búfer de detección hasta que se oía un pitido (contestador) o vencía un tiempo de espera (se asumía persona real).

Por qué falla la detección tradicional del pitido

El AMD tradicional se diseñó para un panorama telefónico que ya no existe. Varios cambios estructurales han hecho que la detección basada en el pitido y en la energía sea cada vez menos fiable:

Pitidos distintos según el operador

El supuesto de que todos los sistemas de buzón de voz reproducen un pitido estandarizado tras el saludo ya no es válido. Google Voice usa un patrón de tono distinto al del buzón de voz tradicional de los operadores. Algunos proveedores de VoIP omiten el pitido por completo y simplemente empiezan a grabar tras una pausa. Los sistemas de buzón de voz visual de los smartphones modernos pueden no reproducir ningún pitido, porque el esquema de saludo y grabación se ha sustituido por una interfaz visual. Los sistemas de buzón de voz de los operadores de Oriente Medio, el sur de Asia y África usan frecuencias, duraciones y patrones de tono distintos a los de Norteamérica o Europa.

Diversidad de saludos

La detección basada en la energía supone que un habla larga equivale a contestador y un habla corta a persona. Pero ese supuesto falla en muchas situaciones reales. Algunas personas contestan con saludos largos —"Hola, habla John, estoy en mi escritorio, ¿en qué puedo ayudarle?"—, que se clasifican como contestador. Algunos sistemas de buzón de voz usan saludos predeterminados muy cortos del operador —"Por favor, deje un mensaje"—, que se clasifican como persona. En los mercados multilingües, las convenciones de saludo varían según el idioma y la cultura. Los saludos en árabe, por ejemplo, incluyen con frecuencia fórmulas más largas ("As-salamu alaykum wa rahmatullahi wa barakatuh") que pueden superar el umbral de duración y provocar un falso positivo.

Variabilidad de la red

Las llamadas internacionales, los puentes VoIP-RTC y los traspasos entre redes móviles introducen latencia variable y degradación de la calidad del audio. La pérdida de paquetes puede crear huecos en el flujo de audio que parecen las pausas entre segmentos de habla humana. El jitter puede alargar o acortar la duración aparente del habla. La transcodificación de códecs puede alterar las características de frecuencia de los pitidos. Todos estos efectos añaden ruido a la señal en la que se basan los algoritmos de AMD tradicionales para clasificar.

El problema del saludo predeterminado del operador

Muchos operadores, sobre todo en mercados emergentes, reproducen un saludo predeterminado cuando el abonado no ha grabado uno personal. Estos saludos suelen ser cortos, están locutados por un profesional y se parecen mucho a una persona real contestando. El AMD tradicional no tiene forma de distinguir entre "La persona a la que llama no está disponible", dicho por un saludo predeterminado del operador, y "Hola, soy Sarah", dicho por una persona real: ambos son frases cortas y claras seguidas de una pausa.

Cómo funciona el AMD con IA

El AMD con IA aborda el problema de clasificación de una forma fundamentalmente distinta. En lugar de analizar las características de la señal de audio (duración, energía, frecuencia), transcribe los primeros segundos de habla y clasifica el contenido semántico de lo que se dijo.

Este es el proceso, paso a paso:

Paso 1: Captura del audio. Cuando la llamada se conecta y empieza a fluir el audio, el sistema de AMD captura los primeros 2-4 segundos de habla del interlocutor.

Paso 2: Transcripción de voz a texto. El audio capturado se procesa con un modelo de reconocimiento de voz que lo convierte en texto. Este modelo debe admitir el idioma que se habla, un requisito crítico para las operaciones multilingües.

Paso 3: Clasificación del texto. Un modelo de clasificación analiza el texto transcrito y determina si el contenido coincide con patrones propios de respuestas humanas o de saludos de buzón de voz.

Observe la diferencia entre cómo suele sonar cada tipo de respuesta una vez transcrita:

• Patrones de persona real: "Hello?" / "Yes?" / "Speaking" / "Who is this?" / "Alo?" (turco) / "Haan bolo" (hindi) / "Naam" (árabe): respuestas cortas, interrogativas y de expectativa.
• Patrones de buzón de voz: "The person you are calling is not available. Please leave a message after the tone." / "Hi, you've reached [nombre]. I can't take your call right now..." / "Al-shakhs alladhi tattasil bihi ghayr mutah..." (saludo predeterminado de operador en árabe): mensajes más largos, declarativos e informativos.

Paso 4: Puntuación de confianza y decisión. El clasificador devuelve una puntuación de confianza. Si la confianza supera el umbral configurado, la clasificación se aplica de inmediato. Si está por debajo del umbral, el sistema puede capturar más audio antes de tomar una decisión final. Este enfoque escalonado reduce tanto los falsos positivos como la latencia de detección.

AMD con IA vs. AMD tradicional: comparación

Dimensión	Tradicional (pitido/energía)	Con IA (clasificación de la transcripción)
Método de detección	Análisis de la señal de audio: duración, energía, frecuencia del pitido	Transcripción de voz a texto seguida de clasificación del contenido semántico
Soporte de idiomas	Independiente del idioma en teoría, pero ajustado a los patrones de saludo en inglés y a los pitidos de los operadores de EE. UU. y Reino Unido	Requiere modelos de transcripción específicos por idioma; la precisión aumenta con la cobertura de idiomas
Precisión en llamadas en inglés	Razonable en líneas fijas de EE. UU. con buzón de voz estándar del operador. Se degrada en VoIP, móviles y saludos no estándar.	Precisión sistemáticamente mayor, porque la clasificación se basa en el significado y no en las características del audio
Precisión en llamadas en otros idiomas	Deficiente. Los umbrales de duración y energía calibrados para los patrones de saludo en inglés producen altas tasas de falsos positivos en árabe, hindi, turco y otros idiomas con convenciones de saludo distintas.	Alta precisión cuando el modelo de transcripción admite el idioma de destino. Los patrones de saludo de cada idioma se aprenden por separado.
Tasa de falsos positivos	5-15% según el mercado y la combinación de operadores	Por debajo del 3% en condiciones de piloto interno en los idiomas admitidos
Variación del buzón de voz entre operadores	Sensible a las diferencias entre operadores. La frecuencia, la duración y la presencia del pitido varían. Requiere ajuste manual continuo.	Prácticamente inmune a la variación entre operadores, porque el sistema clasifica el contenido y no los patrones de tono
Latencia de detección	1-3 segundos (espera al umbral de duración del habla o al pitido)	2-4 segundos (espera a tener habla suficiente para transcribir y clasificar)
Adaptación	Ajuste manual de umbrales por parte del equipo de operaciones	Ajuste por tenant mediante ciclos de feedback de los agentes: los agentes pueden marcar clasificaciones erróneas que sirven para ajustar el modelo

Por qué importa la precisión del AMD: las cuentas de los falsos positivos

El impacto en el negocio de la precisión del AMD suele subestimarse porque las tasas de error parecen pequeñas en porcentaje. Pero aplicadas al volumen de llamadas de una campaña saliente típica, los porcentajes pequeños se convierten en cifras absolutas grandes.

Veamos un ejemplo concreto:

Supongamos una operación de marcado predictivo de 50 agentes con turnos de 8 horas. Cada agente gestiona aproximadamente 150 llamadas conectadas al día. En conjunto, el equipo conecta unas 7,500 llamadas al día. De ellas, aproximadamente el 35% llega a una persona real (2,625 llamadas) y el 65% llega a un buzón de voz o no es productiva por otros motivos (4,875 llamadas).

Ahora considere la tasa de falsos positivos, es decir, la tasa a la que el AMD clasifica por error a una persona real como buzón de voz y cuelga la llamada:

• Con una tasa de falsos positivos del 10% (típica del AMD tradicional en llamadas en otros idiomas distintos del inglés): se cuelga a 263 personas reales al día. En un mes laboral de 22 días, son 5,786 conversaciones en vivo perdidas. Cada una de ellas era una persona que contestó el teléfono, oyó un breve silencio y se encontró con que le colgaban.
• Con una tasa de falsos positivos del 5% (AMD tradicional en llamadas en inglés bien ajustado): se cuelga a 131 personas reales al día. Al mes: 2,882 conversaciones perdidas.
• Con una tasa de falsos positivos del 3%: se cuelga a 79 personas reales al día. Al mes: 1,738 conversaciones perdidas.

La diferencia entre esas dos tasas es de 4,048 conversaciones en vivo adicionales al mes para el mismo equipo, la misma lista y las mismas horas. Las tasas anteriores son cálculos ilustrativos, no referencias de proveedores: pida a cualquier proveedor, incluidos nosotros, cifras medidas sobre un tráfico parecido al suyo. En un entorno de cobranza, donde cada contacto con la persona correcta tiene un valor de recuperación medible, o en un entorno de ventas, donde cada conversación tiene un valor de pipeline, el impacto en los ingresos es considerable.

Y el coste no se limita a las conversaciones perdidas. Cada falso positivo es un contacto negativo con la marca: una persona que descolgó el teléfono y a la que le colgaron. En los sectores regulados, un exceso de llamadas abandonadas puede desencadenar investigaciones de cumplimiento. En los mercados donde las quejas de los consumidores llevan al bloqueo de números, los falsos positivos aceleran el deterioro de la reputación del identificador de llamada.

El reto del AMD multilingüe

La precisión del AMD no es uniforme entre idiomas. Los sistemas de AMD tradicionales se diseñaron principalmente para mercados de habla inglesa, en concreto para operadores de EE. UU. y Reino Unido con sistemas de buzón de voz estandarizados. Cuando se implantan en otros mercados, su precisión se degrada considerablemente por varios factores:

Convenciones de duración del saludo. Los saludos formales en árabe pueden superar los 3-4 segundos de habla continua, lo que provoca fácilmente falsos positivos basados en la duración. Los saludos en hindi varían mucho según la región y el grado de formalidad. Los saludos en turco tienen patrones prosódicos distintos a los del inglés. Cada idioma tiene su propia duración y estructura de saludo "normal".

Sistemas de buzón de voz de los operadores. La implementación del buzón de voz varía según el país y el operador. Los operadores del CCG (Etisalat, STC, Ooredoo, du, Zain) tienen cada uno saludos predeterminados, patrones de tono y comportamientos distintos. Los operadores del sur de Asia (Jio, Airtel, PTCL, Jazz) también varían. Los operadores europeos (Vodafone, Orange, Deutsche Telekom) tienen sus propios patrones. Un sistema entrenado con el buzón de voz de AT&T y Verizon funcionará mal con du y Etisalat.

Alternancia de idiomas. En muchos mercados, los hablantes alternan entre idiomas dentro de un mismo saludo: inglés y árabe en el CCG, hindi e inglés en la India, urdu e inglés en Pakistán. El AMD tradicional no tiene ningún mecanismo para gestionar saludos en varios idiomas. El AMD con IA con transcripción multilingüe puede gestionar la alternancia de idiomas con naturalidad, porque clasifica el contenido sea cual sea el idioma en que se produjo.

En qué se diferencia el AMD con IA de DialerBee

DialerBee, desarrollado por BroadNet con 22 años de trayectoria en telecomunicaciones, aborda el AMD como un problema multilingüe desde el principio. Esto es lo que significa en la práctica:

Transcripción y clasificación en 11 idiomas. El AMD de DialerBee admite inglés, árabe, español, francés, alemán, italiano, turco, hindi, urdu, portugués e indonesio. Cada idioma cuenta con capacidad de transcripción propia y patrones de clasificación específicos. No es un único modelo en inglés aplicado a todas las llamadas: cada idioma lo gestionan modelos que conocen sus convenciones de saludo, los patrones de sus operadores y sus normas culturales.

La clasificación se basa en la transcripción y no en el pitido. En los idiomas admitidos, el AMD con IA de DialerBee alcanza tasas de falsos positivos inferiores al 3% en condiciones de piloto interno. Los resultados varían según la campaña, la calidad de la lista, el proveedor, la región, el ritmo y el flujo de trabajo. Esto supone una mejora significativa frente a las tasas de falsos positivos del 5-15% típicas de los sistemas tradicionales de detección del pitido, sobre todo en llamadas en idiomas distintos del inglés.

Ajuste por tenant. En un entorno multi-tenant (BPO que gestionan campañas para varios clientes, revendedores que atienden a varios clientes finales), el comportamiento del AMD puede ajustarse por tenant. Los ciclos de feedback permiten a los agentes marcar las llamadas mal clasificadas, y ese feedback sirve para ajustar el modelo de forma limitada a los patrones de tráfico de ese tenant concreto. Esto es especialmente valioso para operaciones que marcan hacia redes de operadores de nicho o mercados regionales concretos.

Sin dependencia del pitido. El AMD de DialerBee no depende de la detección del pitido en ninguna fase. La clasificación se basa por completo en el contenido transcrito del habla inicial. Esto lo hace inmune a las variaciones del pitido propias de cada operador que afectan a los sistemas tradicionales: sin pitido, pitido no estándar, pitido retrasado o varios pitidos dan como resultado la misma clasificación correcta, porque el sistema nunca necesitó el pitido.

Acciones de tipificación configurables. Cuando el AMD clasifica una llamada como contestador, los responsables de campaña pueden configurar la acción siguiente: colgar la llamada en silencio, dejar un mensaje de voz pregrabado (voicemail drop) o enrutarla a un flujo de IVR concreto. Estas acciones se configuran por campaña y por tenant, lo que da a las operaciones control total sobre cómo se gestionan las llamadas detectadas como contestador.

Integración con el marcado predictivo. La precisión del AMD influye directamente en la eficacia del marcación predictiva. Cuando el AMD filtra correctamente las conexiones con buzones de voz, el algoritmo predictivo recibe una señal más limpia sobre las tasas de conexión reales y puede ajustar el ritmo con más precisión. Un AMD deficiente introduce datos erróneos en el algoritmo predictivo y provoca pérdidas de eficiencia en cascada. La estrecha integración entre el AMD con IA de DialerBee y su motor de marcado predictivo hace que ambos sistemas se refuercen mutuamente.

Preguntas frecuentes

¿Qué significa AMD en un call center?

AMD son las siglas en inglés de Answering Machine Detection (detección de contestadores automáticos). Es el componente de un marcador saliente que determina si una llamada conectada llegó a una persona real o a un sistema de buzón de voz. La clasificación se produce en los primeros 2-4 segundos tras conectarse la llamada y determina si la llamada se envía a un agente o se gestiona automáticamente.

¿Qué precisión tiene la detección de contestadores automáticos?

La precisión varía mucho según la tecnología y el mercado. El AMD tradicional por detección del pitido suele alcanzar un 85-95% de precisión en llamadas en inglés de EE. UU. con buzón de voz estándar del operador, pero baja al 80-90% en llamadas en otros idiomas, números móviles y líneas VoIP. El AMD con IA basado en transcripción y clasificación logra una precisión mayor; el AMD con IA de DialerBee funciona con clasificación basada en la transcripción. Los resultados varían según la campaña, la calidad de la lista, el proveedor, la región, el ritmo y el flujo de trabajo.

¿Cuál es la diferencia entre AMD y detección de buzón de voz?

Los términos suelen ser intercambiables. "Answering Machine Detection" (detección de contestadores automáticos) es el término estándar del sector que usan los proveedores de marcadores, los ingenieros de telecomunicaciones y la normativa de cumplimiento. "Detección de buzón de voz" es un término más coloquial que significa lo mismo. Algunos sistemas distinguen entre "contestador automático" (un dispositivo físico) y "buzón de voz" (un servicio alojado por el operador), pero en el uso actual el AMD abarca ambos.

¿El AMD provoca un retraso antes de que la persona oiga al agente?

Sí. El AMD necesita un breve periodo de análisis del audio antes de poder clasificar la llamada. El AMD tradicional suele tardar 1-3 segundos. El AMD con IA suele tardar 2-4 segundos. Durante ese tiempo, la persona que contestó puede oír un breve silencio antes de que la conecten con un agente. Este "retraso del AMD" es un compromiso conocido: ventanas de detección más cortas significan una conexión más rápida con el agente pero menos precisión, mientras que ventanas más largas mejoran la precisión pero alargan el silencio que percibe la persona. Los sistemas modernos optimizan este equilibrio con umbrales de confianza escalonados: las clasificaciones de alta confianza se aplican rápido y los casos ambiguos reciben más tiempo de análisis.

¿Se puede desactivar el AMD?

Sí. La mayoría de los marcadores, incluido DialerBee, permiten desactivar el AMD por campaña. Con el AMD desactivado, cada llamada conectada se envía directamente a un agente, haya contestado una persona o un contestador. Esto elimina por completo los falsos positivos, pero implica que los agentes gestionarán manualmente las conexiones con buzones de voz: escuchar el saludo, reconocer que es un contestador y colgar. Para campañas de bajo volumen, campañas de marcado en vista previa o campañas en las que cada intento de contacto es de alto valor, desactivar el AMD puede ser la opción adecuada.

¿Cómo gestiona el AMD con IA las llamadas en las que nadie habla?

Cuando la llamada se conecta pero no se detecta voz dentro del tiempo de espera configurado (normalmente de 3 a 5 segundos), el sistema aplica una clasificación de respaldo. Esto puede ocurrir cuando una persona contesta y espera en silencio, cuando se conecta un fax o cuando un operador reproduce silencio antes de un mensaje del sistema. La mayoría de las operaciones configuran el respaldo para enviar la llamada a un agente (asumiendo que es más probable una persona en silencio que una máquina en silencio), pero se puede configurar por campaña según las prioridades de la operación y las características de la lista que se marca.