Dos anotadores humanos capacitados que etiquetaron el sentimiento de 20.000 enunciados de centros de llamadas coincidieron con un kappa de Cohen de solo 0,605, en una escala donde 1,0 es la concordancia perfecta y 0 es el azar (investigadores de ConnexAI, IntechOpen 2026). Ese techo importa porque cada puntuación de sentimiento de un panel de análisis del habla se entrena y se evalúa con etiquetas como estas. Mientras tanto, los sistemas comerciales de reconocimiento de voz se equivocaron en entre el 16,5% y el 19,2% de las palabras en 50 conversaciones reales de centros de llamadas, frente a entre el 10,2% y el 11,62% en un benchmark telefónico estándar (Szymanski et al., Findings of EMNLP 2020), y el 49,8% de 1.104 empresas ya aplica análisis de interacciones sobre esas transcripciones (Metrigy, AI for Business Success 2025-26). Reunimos datos de Metrigy, de los informes de NICE y Verint ante la SEC, de benchmarks de habla publicados en EMNLP y LREC, por OpenAI y en arXiv, del NBER, del Reglamento de IA de la UE y de la Asamblea General de Illinois, además de varias otras fuentes primarias. Para el lado de la automatización del mismo sector (agentes de voz y de IA en lugar de análisis), consulta nuestras estadísticas de automatización de centros de contacto con IA de voz.
TL;DR
- El 49,8% de las empresas ya usa análisis de interacciones y otro 29,9% planea incorporarlo (Metrigy, AI for Business Success 2025-26).
- El 55% de los centros de contacto sigue haciendo el control de calidad en hojas de cálculo, frente al 65% un año antes (Scorebuddy y Call Centre Helper, diciembre de 2025).
- Tasa de error de palabras del ASR comercial en 50 conversaciones reales de centros de llamadas: 16,5% a 19,2% (Szymanski et al., Findings of EMNLP 2020).
- Whisper large-v2 comete un 17,6% de errores de palabras en llamadas telefónicas de CallHome, pero un 2,7% en habla leída de audiolibros (OpenAI, artículo de Whisper, 2022).
- En audio real de centros de llamadas con acentos africanos, Whisper-large-v3 obtuvo un 24,69% de WER y el mejor modelo un 13,45% (AfriSpeech-MultiBench, arXiv 2025).
- Los anotadores humanos coinciden en el sentimiento de los enunciados de centros de llamadas con un kappa de Cohen de 0,605 (investigadores de ConnexAI, IntechOpen 2026).
- Dos anotadores que evaluaron llamadas reales de clientes coincidieron con un ICC de solo 0,62 en valencia y 0,52 en activación (estudio CusEmo, arXiv 2023).
- Los modelos de sentimiento solo acústicos alcanzaron una exactitud ponderada del 54,23% en llamadas telefónicas, frente al 85,76% de los humanos (Chen et al., LREC 2020).
- Un asistente de IA elevó la productividad de los agentes de soporte un 14% y el sentimiento del cliente 0,18 puntos en una escala de -1 a 1 (NBER Working Paper 31161).
- Inferir las emociones de los empleados en el trabajo a partir de la voz está prohibido en la UE desde el 2 de febrero de 2025 (Reglamento de IA de la UE, Reglamento (UE) 2024/1689).
- Illinois fija indemnizaciones de $1.000 a $5.000 por infracción que involucre identificadores biométricos como las huellas de voz (740 ILCS 14).
1. Adopción: Análisis de Interacciones y Control de Calidad Automatizado
La cuestión de la adopción está medio resuelta. El 49,8% de 1.104 empresas ya usa análisis de interacciones (software que transcribe y explora llamadas, chats y correos electrónicos en busca de temas, frases de cumplimiento normativo y sentimiento), y otro 29,9% planeaba implementarlo durante el año (Metrigy, AI for Business Success 2025-26). Lo que ha cambiado es la descripción del puesto. El mayor grupo de quienes lo adoptan, el 46,2%, afirma ahora que el mayor valor es comparar el desempeño de los agentes de IA con el de los agentes humanos (análisis de Metrigy, 14 de mayo de 2025). El análisis del habla se está convirtiendo en el marcador de la automatización, no solo en una herramienta de coaching.
El proceso de control de calidad (QA) que el análisis pretende reemplazar sigue siendo sorprendentemente manual. Una encuesta patrocinada por un proveedor halló que la dependencia de las hojas de cálculo para el QA bajó del 65% al 55% interanual, y que el 44% de los centros de contacto expresó un fuerte interés en la puntuación automatizada o en tiempo real (Scorebuddy y Call Centre Helper, What Contact Centers Are Doing Right Now, diciembre de 2025). La base de proveedores es concentrada y grande: NICE reportó ingresos totales en 2025 de $2.945,4 millones, frente a $2.735,3 millones, con los ingresos de la nube al alza un 12,8%, y pagó una contraprestación final total de $887,3 millones por la empresa de IA conversacional Cognigy (NICE Form 20-F del año fiscal 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Empresas que ya usan análisis de interacciones | 49,8% de 1.104 empresas | Metrigy, AI for Business Success 2025-26 |
| Empresas que planean implementar análisis de interacciones durante 2025 | 29,9% | Metrigy, AI for Business Success 2025-26 |
| Quienes adoptan análisis y consideran que su mayor valor es comparar la eficacia de los agentes de IA con la de los agentes humanos | 46,2% (el grupo más grande) | Análisis de Metrigy, mayo de 2025 |
| Centros de contacto que usan hojas de cálculo para el control de calidad, este año frente al anterior | 55% frente a 65% | Encuesta de Scorebuddy y Call Centre Helper, diciembre de 2025 (patrocinada por un proveedor) |
| Centros de contacto con fuerte interés en la puntuación de calidad automatizada o en tiempo real | 44% | Encuesta de Scorebuddy y Call Centre Helper, diciembre de 2025 (patrocinada por un proveedor) |
| Organizaciones clientes de NICE y clientes de Fortune 100 | Más de 25.000 organizaciones en más de 150 países, incluidas 85 de las Fortune 100 | NICE Form 20-F, año fiscal 2025 |
| Clientes de Fortune 100 de Verint y países atendidos | Más de 80 de las Fortune 100, en más de 175 países | Verint Form 10-K, año fiscal terminado el 31 de enero de 2025 |
| Ingresos de Verint procedentes de su negocio de suscripción | Aproximadamente 80% | Verint Form 10-K, año fiscal terminado el 31 de enero de 2025 |
Nota de contexto: circulan ampliamente cifras según las cuales los equipos de QA manual revisan solo “del 1% al 3%” o “menos del 5%” de las llamadas, pero todas las versiones que encontramos remitían a blogs de proveedores o a citas imposibles de verificar, así que las excluimos. Ninguna encuesta pública independiente de 2025 o 2026 informa de la proporción de llamadas revisadas por humanos frente a las puntuadas por máquinas. El Verint Form 10-K también informa de que cerca del 72% de sus ingresos procedió de América.
2. Precisión de la Transcripción en Audio Real de Llamadas
Toda puntuación de sentimiento basada en texto parte de una transcripción, y el audio de llamadas espontáneo y de banda estrecha (8 kHz) está entre los audios cotidianos más difíciles que enfrenta un reconocedor. La tasa de error de palabras (WER) es la proporción de palabras que el sistema sustituye, omite o inserta en comparación con una transcripción humana. Tres sistemas comerciales obtuvieron entre 16,5% y 19,2% de WER en 50 conversaciones reales de centros de llamadas, frente a entre 10,2% y 11,62% en el benchmark telefónico Switchboard (Szymanski et al., WER we are and WER we think we are, Findings of EMNLP 2020). Los autores señalan que los mejores resultados publicados en Switchboard rondan el 5%, de modo que las llamadas reales tuvieron una tasa de error de entre tres y cuatro veces la que sugieren los benchmarks más citados (16,5 / 5 = 3,3 y 19,2 / 5 = 3,84). Datos más recientes disponibles para sistemas comerciales con audio privado de centros de llamadas: Szymanski et al., 2020; no encontramos ninguna repetición pública de esta prueba con grabaciones reales de llamadas y los motores comerciales actuales.
Los modelos abiertos más recientes muestran la misma brecha. Whisper large-v2 obtuvo un 2,7% de WER en LibriSpeech test-clean (audiolibros leídos), pero un 17,6% en CallHome y un 13,8% en Switchboard, ambos conjuntos de conversaciones telefónicas (OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision, 2022). El acento la amplía todavía más: en un pequeño conjunto privado de llamadas reales entre agentes y clientes con acentos africanos, los resultados fueron desde el 13,45% del mejor modelo hasta el 88,71% del peor (AfriSpeech-MultiBench, arXiv noviembre de 2025). Nuestras estadísticas de sesgo de acento y tasa de error de palabras cubren esa dimensión en profundidad.
| Métrica | Valor | Fuente |
|---|---|---|
| WER de tres sistemas comerciales de ASR en 50 conversaciones reales de centros de llamadas (8,5 horas de audio, 2,2 horas de habla) | 16,5% a 19,2% | Szymanski et al., Findings of EMNLP 2020 |
| WER de los mismos tres sistemas en el benchmark telefónico HUB’05 Switchboard | 10,2% a 11,62% | Szymanski et al., Findings of EMNLP 2020 |
| WER en centros de llamadas por dominio de negocio para el mejor sistema | 13,73% (seguros) a 20,95% (reservas de viajes) | Szymanski et al., Findings of EMNLP 2020 |
| WER en el habla del cliente frente al habla del agente, para el más débil de los tres sistemas | 20,99% frente a 17,83% | Szymanski et al., Findings of EMNLP 2020 |
| WER de Whisper large-v2 en habla leída de audiolibros (LibriSpeech test-clean) frente a llamadas telefónicas de CallHome frente a llamadas telefónicas de Switchboard | 2,7% frente a 17,6% frente a 13,8% | OpenAI, artículo de Whisper, 2022 |
| WER de NVIDIA Conformer-CTC large frente a wav2vec2-large-960h en llamadas telefónicas de CallHome | 11,3% frente a 34,8% | OpenAI, artículo de Whisper, 2022 (tabla comparativa) |
| WER en audio real de centros de llamadas con acentos africanos: mejor modelo frente a Whisper-large-v3 frente a GPT-4o Transcribe | 13,45% frente a 24,69% frente a 23,20% | AfriSpeech-MultiBench, arXiv noviembre de 2025 |
| Proporción de un conjunto de evaluación de centros de llamadas transcrito con ASR (618 enunciados) que contiene errores de transcripción | 42,6% (263 muestras) | Investigadores de ConnexAI, IntechOpen 2026 |
Nota sobre valores atípicos: la brecha entre agente y cliente no es universal. En el mejor de los tres sistemas comerciales, el WER del cliente y el del agente fueron casi idénticos (16,48% frente a 16,49%), de modo que el lado del cliente es más difícil para algunos motores, no para todos. Los errores también difieren en naturaleza de los errores de benchmark; nuestras estadísticas de alucinaciones en el reconocimiento de voz tratan las palabras inventadas, que una puntuación de WER por sí sola no distingue.
3. Sentimiento en Texto de las Transcripciones de Llamadas: Concordancia Humana y Precisión de las Máquinas
La cifra incómoda del análisis de sentimiento es la línea base humana. Dos anotadores que etiquetaron 20.000 enunciados de centros de llamadas (banda ancha, seguros y otros sectores) coincidieron con un kappa de Cohen de 0,605 (investigadores de ConnexAI, Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen 2026). El kappa corrige la concordancia bruta por el azar: 1,0 es la concordancia perfecta y 0 es lo que produciría el azar por sí solo. Cualquier cifra de “precisión del sentimiento” de un proveedor se evalúa contra etiquetas que los propios humanos suelen discutir.
Dentro de ese techo, los modelos funcionan bien con texto limpio y tropiezan en la clase que más importa. Con instrucciones de anotación completas, un LLM abierto de 32.000 millones de parámetros coincidió con el estándar de referencia humano el 91% de las veces en tres clases, pero su F1 macro (el promedio de los F1 por clase, que penaliza ignorar las clases poco frecuentes) fue de 0,79. La verdadera prueba de esfuerzo es la salida del ASR: en llamadas de producción transcritas por máquina, el mismo enfoque alcanzó un F1 macro de 0,74 con enunciados individuales y de 0,86 cuando veía una ventana de seis turnos. El contexto contó más que el tamaño: en las mismas pruebas, un modelo Qwen3 de 4.000 millones de parámetros obtuvo un F1 macro de 0,78, mientras que su hermano de 32.000 millones de parámetros obtuvo 0,56. En el corpus telefónico Switchboard, la distribución de las etiquetas muestra por qué lo “neutro” domina los paneles: el 52,6% de los segmentos eran neutros (Chen et al., A Large Scale Speech Sentiment Corpus, LREC 2020).
| Métrica | Valor | Fuente |
|---|---|---|
| Concordancia entre dos anotadores humanos sobre el sentimiento de 20.000 enunciados de centros de llamadas (kappa de Cohen) | 0,605 | Investigadores de ConnexAI, IntechOpen 2026 |
| LLM abierto (Qwen2.5-32B-Instruct) con instrucciones completas frente al estándar de referencia humano, 3 clases de sentimiento, 8.750 muestras | 0,91 de exactitud, 0,79 de F1 macro | Investigadores de ConnexAI, IntechOpen 2026 |
| DistilBERT con ajuste fino frente a clasificador SVM, F1 macro en llamadas transcritas por humanos | 0,90 frente a 0,82 | Investigadores de ConnexAI, IntechOpen 2026 |
| LLM en transcripciones automáticas (ASR) de llamadas de producción: enunciado individual frente a ventana de contexto de seis turnos, F1 macro | 0,74 frente a 0,86 | Investigadores de ConnexAI, IntechOpen 2026 |
| Exactitud media de los anotadores humanos individuales frente a la etiqueta mayoritaria, llamadas telefónicas de Switchboard (49.500 segmentos, 140 horas) | Alrededor del 85% | Chen et al. (Google), LREC 2020 |
Nota de contexto: en el mismo capítulo, la clase negativa fue el punto débil incluso para el mejor clasificador (DistilBERT con ajuste fino alcanzó un F1 de 0,78 en sentimiento negativo frente a 0,94 en positivo), y el SVM se desplomó con las transcripciones automáticas, con un F1 macro de 0,25 en el habla del agente y de 0,46 en la del cliente. Las llamadas de producción transcritas por máquina también estaban sesgadas: 61% neutras, 30% positivas y 9% negativas. Un modelo que etiqueta todo como neutro parece preciso con esos datos, mientras pasa por alto al 9% de clientes enfadados.
4. Detección Acústica de Emociones: Lo Que Añade la Voz
El tono de voz es el argumento de venta de la “IA emocional”, pero en el benchmark de sentimiento en llamadas telefónicas Switchboard fue la señal individual más débil. Un modelo solo acústico alcanzó una exactitud ponderada del 54,23% en sentimiento de tres clases, frente al 85,76% de los humanos, y añadir texto la elevó al 65,65% (Chen et al., LREC 2020, que reporta las líneas base de Lu et al. 2019). La exactitud ponderada cuenta todos los segmentos por igual; la exactitud no ponderada promedia las tres clases, de modo que el 39,63% no ponderado del modelo acústico queda apenas unos 6 puntos por encima del 33,3% que obtendría una conjetura al azar (39,63 - 33,33 = 6,3). Datos más recientes disponibles de un benchmark público de sentimiento en llamadas telefónicas que compare los tres tipos de entrada: corpus de sentimiento Switchboard, LREC 2020.
Las llamadas reales de atención al cliente son aún más difíciles de etiquetar. En un centro de llamadas francés de viajes de negocios (el estudio CusEmo), dos anotadores que evaluaron de forma continua la emoción de los clientes alcanzaron una correlación intraclase (ICC, una puntuación de concordancia de 0 a 1) de 0,62 para la valencia (qué tan positiva o negativa) y de 0,52 para la activación (qué tan activada o calmada) (End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations, arXiv 2023). La concordancia del mejor modelo con esas evaluaciones (CCC, coeficiente de correlación de concordancia, donde 1 es perfecto) fue de 0,699 para la valencia y de 0,508 para la activación, después de informarle de cuán empático era el agente. En otras palabras, el estado de ánimo del cliente es más fácil de leer cuando el modelo también oye al agente. Para los usos clínicos de la misma tecnología, consulta nuestras estadísticas de precisión del reconocimiento de emociones en el habla.
| Métrica | Valor | Fuente |
|---|---|---|
| Exactitud ponderada, sentimiento de 3 clases en llamadas telefónicas de Switchboard: modelo solo acústico frente a modelo acústico más texto frente a modelo con características de reconocimiento de voz frente a oyentes humanos | 54,23% frente a 65,65% frente a 70,10% frente a 85,76% | Chen et al. (Google), LREC 2020 |
| Exactitud no ponderada (promedio de clases), los mismos cuatro enfoques en el mismo orden | 39,63% frente a 54,59% frente a 62,39% frente a 84,61% | Chen et al. (Google), LREC 2020 |
| Colección de origen de CusEmo, de un centro de llamadas francés de viajes de negocios | 5.548 conversaciones, 375,39 horas | Estudio CusEmo, arXiv 2023 |
| Conversaciones de CusEmo con anotación de contexto; audio del cliente evaluado en emoción | 469 conversaciones; 13,15 horas | Estudio CusEmo, arXiv 2023 |
| Concordancia entre dos anotadores que evaluaron la emoción del cliente (ICC): valencia frente a activación | 0,62 frente a 0,52 | Estudio CusEmo, arXiv 2023 |
| Concordancia del mejor modelo con las evaluaciones humanas (CCC) al añadir la empatía del agente: valencia frente a activación | 0,699 frente a 0,508 | Estudio CusEmo, arXiv 2023 |
Nota de contexto: el corpus CusEmo es de uso exclusivamente interno y no se ha publicado, y solo 469 de las 5.548 conversaciones recibieron anotación de contexto. Los datos reales de emoción en centros de llamadas son escasos precisamente porque las grabaciones contienen datos personales, lo cual es una de las razones por las que la mayoría de las cifras de precisión publicadas proceden de pódcast, habla actuada o corpus telefónicos de hace décadas.
5. Resultados de Negocio Medidos
Los proveedores de análisis venden resultados, y la evidencia mejor controlada procede del texto, no de la voz. En un estudio con 5.179 agentes de atención al cliente y unos 3 millones de chats, un asistente conversacional de IA aumentó en promedio un 14% los problemas resueltos por hora y un 34% en el caso de los agentes novatos y de baja cualificación (Brynjolfsson, Li y Raymond, Generative AI at Work, NBER Working Paper 31161). El estudio midió el estado de ánimo del cliente con un clasificador de sentimiento basado en LLM (SiEBERT, que puntúa el texto de -1 a 1), lo que lo convierte en uno de los pocos grandes estudios de campo que usa el sentimiento automatizado como resultado y no como insumo.
Las métricas más blandas también se movieron: el sentimiento del cliente subió 0,18 puntos (media desviación estándar), las solicitudes de hablar con un gerente cayeron casi un 25% y el tiempo de gestión bajó 3,8 minutos. La resolución apenas cambió. Los compradores parecen creer que los datos pertenecen a la cúspide: casi el 84% de las empresas, y el 96,7% del grupo de éxito de Metrigy, dicen que los datos de interacción con clientes deberían formar parte de los paneles de desempeño ejecutivo (análisis de Metrigy, mayo de 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Aumento de productividad (problemas resueltos por hora) con un asistente conversacional de IA, 5.179 agentes | 14% en promedio | NBER Working Paper 31161, Brynjolfsson, Li y Raymond |
| Aumento de productividad para agentes novatos y de baja cualificación | 34% | NBER Working Paper 31161 |
| Cambio en el sentimiento medio del cliente (puntuación SiEBERT de -1 a 1) | +0,18 puntos, cerca de media desviación estándar | NBER Working Paper 31161 |
| Cambio en las solicitudes del cliente de hablar con un gerente (línea base de unos 6 puntos porcentuales) | Casi un 25% menos | NBER Working Paper 31161 |
| Cambio en el tiempo medio de gestión | 3,8 minutos menos, una caída del 9% | NBER Working Paper 31161 |
| Cambio en la tasa de resolución (línea base del 82%) | +1,3 puntos porcentuales, significativo solo al nivel del 10% | NBER Working Paper 31161 |
| Empresas que quieren datos de interacción en los paneles ejecutivos: todas las empresas frente al grupo más exitoso | Casi 84% frente a 96,7% | Análisis de Metrigy, mayo de 2025 |
Nota sobre valores atípicos: el sentimiento de los agentes en el estudio del NBER subió apenas 0,02 puntos, cerca del 1% de una desviación estándar, de modo que la mejora se notó en cómo escribían los clientes, no en cómo escribían los agentes. El estudio abarca el chat de texto de una sola empresa; no encontramos ningún estudio controlado de tamaño comparable sobre los resultados del análisis de llamadas de voz.
6. Regulación y Privacidad: Normas sobre Reconocimiento de Emociones y Ley de Huellas de Voz
La línea legal depende de las emociones de quién se leen y a partir de qué. Desde el 2 de febrero de 2025, el Reglamento de IA de la UE prohíbe los sistemas de IA que infieren las emociones de una persona en el lugar de trabajo, salvo por motivos médicos o de seguridad (Reglamento (UE) 2024/1689, artículos 5(1)(f) y 113). El Reglamento define el reconocimiento de emociones como una inferencia “sobre la base de sus datos biométricos”, y por eso las directrices de la Comisión consideran prohibido un centro de llamadas que use reconocimiento de voz para rastrear la ira de los empleados, pero fuera de la prohibición un centro que rastree las emociones de los clientes, y también fuera la inferencia a partir de texto escrito (directrices de la Comisión Europea sobre prácticas de IA prohibidas, 4 de febrero de 2025, ejemplos según el resumen de CMS, 10 de febrero de 2025). En la práctica, el sentimiento basado en transcripciones sobre los clientes es el diseño más seguro en Europa, y la puntuación del tono de voz de los agentes es el más arriesgado.
El considerando 44 del Reglamento justifica la prohibición señalando serias preocupaciones sobre la base científica del reconocimiento de emociones, y menciona su fiabilidad limitada, la falta de especificidad y la generalización limitada, las mismas debilidades que miden las puntuaciones de concordancia de las secciones 3 y 4. En Estados Unidos, la exposición más aguda es biométrica: Illinois considera la huella de voz un identificador biométrico, de modo que cualquier sistema que genere huellas de voz de los hablantes (por ejemplo, para autenticar a quien llama) queda sujeto a sus normas y a sus indemnizaciones por infracción (Ley de Privacidad de la Información Biométrica de Illinois, 740 ILCS 14).
| Métrica | Valor | Fuente |
|---|---|---|
| Fecha en que se aplica la prohibición de la UE de inferir emociones en el lugar de trabajo y en la educación (artículo 5(1)(f)) | 2 de febrero de 2025 | Reglamento de IA de la UE, Reglamento (UE) 2024/1689, artículo 113 |
| Multa máxima por usar una práctica de IA prohibida | EUR 35.000.000 o el 7% del volumen de negocio anual total mundial, la cifra que sea mayor | Reglamento de IA de la UE, artículo 99(3) |
| Situación de los sistemas de reconocimiento de emociones que no están prohibidos (por ejemplo, sobre clientes) | Incluidos entre los sistemas de IA de alto riesgo | Reglamento de IA de la UE, Anexo III, punto 1(c) |
| Fecha de aplicación general del Reglamento de IA de la UE según su publicación | 2 de agosto de 2026 | Reglamento de IA de la UE, artículo 113 |
| Centro de llamadas que usa reconocimiento de voz para rastrear emociones de los empleados, como la ira | Prohibido | Directrices de la Comisión Europea, febrero de 2025 |
| Centro de llamadas que usa reconocimiento de voz para rastrear emociones de los clientes | Fuera de la prohibición en el lugar de trabajo | Directrices de la Comisión Europea, febrero de 2025 |
| Indemnizaciones fijadas por ley en Illinois por infracción que involucre identificadores biométricos como las huellas de voz: negligente frente a intencional o temeraria | $1.000 frente a $5.000 | Illinois BIPA, 740 ILCS 14/20 |
| Fecha de entrada en vigor de la BIPA de Illinois y última enmienda | 3 de octubre de 2008; modificada por la Public Act 103-769, en vigor desde el 2 de agosto de 2024 | Asamblea General de Illinois |
Nota de contexto: las directrices de la Comisión no son vinculantes, y la interpretación autorizada corresponde al Tribunal de Justicia de la UE. El propio informe anual de NICE advierte que el Reglamento de IA es “aplicable gradualmente hasta agosto de 2026” y que las multas por incumplimiento “son significativas” (NICE Form 20-F del año fiscal 2025).
Resumen: Precisión de la Detección de Sentimiento del Análisis del Habla en Centros de Llamadas en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Empresas que ya usan análisis de interacciones frente a las que planean implementarlo en 2025 | 49,8% frente a 29,9% (de 1.104) | Metrigy, AI for Business Success 2025-26 |
| Centros de contacto que aún usan hojas de cálculo para el control de calidad | 55% (frente a 65%) | Scorebuddy y Call Centre Helper, diciembre de 2025 |
| Ingresos totales de NICE en 2025 | $2.945,4 millones | NICE Form 20-F, año fiscal 2025 |
| WER del ASR comercial en 50 conversaciones reales de centros de llamadas | 16,5% a 19,2% | Szymanski et al., Findings of EMNLP 2020 |
| Los mismos sistemas en el benchmark telefónico Switchboard | 10,2% a 11,62% | Szymanski et al., Findings of EMNLP 2020 |
| WER de Whisper large-v2: habla leída de audiolibros frente a llamadas telefónicas de CallHome | 2,7% frente a 17,6% | OpenAI, artículo de Whisper, 2022 |
| WER en audio de centros de llamadas con acentos africanos: mejor modelo frente a Whisper-large-v3 | 13,45% frente a 24,69% | AfriSpeech-MultiBench, arXiv 2025 |
| Concordancia entre humanos sobre el sentimiento de enunciados de centros de llamadas (kappa de Cohen) | 0,605 | Investigadores de ConnexAI, IntechOpen 2026 |
| F1 macro de sentimiento por LLM en transcripciones de ASR: enunciado individual frente a contexto de seis turnos | 0,74 frente a 0,86 | Investigadores de ConnexAI, IntechOpen 2026 |
| Exactitud ponderada en sentimiento de llamadas telefónicas: solo acústico frente a acústico más texto frente a humano | 54,23% frente a 65,65% frente a 85,76% | Chen et al. (Google), LREC 2020 |
| Concordancia de los anotadores sobre valencia frente a activación del cliente en llamadas reales (ICC) | 0,62 frente a 0,52 | Estudio CusEmo, arXiv 2023 |
| Aumento de productividad con asistente conversacional de IA, todos los agentes frente a novatos | 14% frente a 34% | NBER Working Paper 31161 |
| Cambio en el sentimiento del cliente (escala de -1 a 1) y en las solicitudes de hablar con un gerente con ayuda de IA | +0,18 puntos; casi un 25% menos de solicitudes | NBER Working Paper 31161 |
| La prohibición de la UE de inferir emociones en el trabajo se aplica desde | 2 de febrero de 2025 | Reglamento de IA de la UE, artículo 113 |
| Centro de llamadas que usa reconocimiento de voz para rastrear emociones de los empleados frente a las de los clientes | Prohibido frente a fuera de la prohibición en el lugar de trabajo | Directrices de la Comisión Europea, febrero de 2025 |
| Multa máxima de la UE por prácticas de IA prohibidas | EUR 35.000.000 o el 7% del volumen de negocio mundial | Reglamento de IA de la UE, artículo 99(3) |
| Indemnización de Illinois por infracción biométrica, negligente frente a intencional | $1.000 frente a $5.000 | Illinois BIPA, 740 ILCS 14 |
Metodología y Fuentes
- Metrigy, The Value of Interaction Analytics (AI for Business Success 2025-26, 1.104 empresas) y análisis de Metrigy del mismo estudio, 14 de mayo de 2025: adopción, adopción prevista, principales casos de uso, actitudes ante los paneles.
- Scorebuddy y Call Centre Helper, What Contact Centers Are Doing Right Now, 11 de diciembre de 2025: encuesta sobre herramientas de QA, patrocinada por un proveedor; el tamaño de la muestra no se divulga en el comunicado.
- NICE Ltd, Form 20-F del año fiscal terminado el 31 de diciembre de 2025 (SEC EDGAR): ingresos, crecimiento de la nube, base de clientes, contraprestación por Cognigy, factor de riesgo del Reglamento de IA.
- Verint Systems, Form 10-K del año fiscal terminado el 31 de enero de 2025 (SEC EDGAR): base de clientes, países, peso de la suscripción, ingresos regionales.
- Szymanski et al., WER we are and WER we think we are, Findings of EMNLP 2020: ASR comercial en 50 conversaciones reales de centros de llamadas.
- Radford et al. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, 2022: WER de Whisper en LibriSpeech, CallHome y Switchboard.
- Ashungafac et al. (Intron Health), AfriSpeech-MultiBench, arXiv noviembre de 2025: WER en el dominio de centros de llamadas para 18 sistemas de ASR.
- Jordan, Fonseka, Stacey y Sitvaev (ConnexAI), Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen, 20 de junio de 2026: concordancia humana, precisión de sentimiento de LLM y clasificadores, robustez frente al ASR. Los autores trabajan para un proveedor de IA para centros de contacto.
- Chen et al. (Google), A Large Scale Speech Sentiment Corpus, LREC 2020 (LDC2020T14): etiquetas de sentimiento de Switchboard, exactitud humana, líneas base acústicas y de texto.
- End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations (CusEmo), arXiv 2023: corpus de emociones de un centro de llamadas real y resultados de los modelos.
- Brynjolfsson, Li y Raymond, Generative AI at Work, NBER Working Paper 31161: resultados de productividad, sentimiento, escalamiento y rotación.
- Reglamento (UE) 2024/1689 (Reglamento de IA de la UE), EUR-Lex: artículo 3(39), artículo 5(1)(f), artículo 99(3), artículo 113, Anexo III, considerando 44.
- Comisión Europea, Directrices sobre prácticas de IA prohibidas, 4 de febrero de 2025 y resumen de CMS de los ejemplos de centros de llamadas, 10 de febrero de 2025.
- Asamblea General de Illinois, Ley de Privacidad de la Información Biométrica, 740 ILCS 14: definición de huella de voz e indemnizaciones fijadas por ley.
- Nota sobre los datos: el estudio comercial de WER en centros de llamadas (2020), el artículo de Whisper (2022), las líneas base de sentimiento de Switchboard (2020) y el estudio CusEmo (2023) son los datos públicos más recientes disponibles para sus respectivas mediciones; no encontramos ninguna prueba pública más reciente de motores comerciales con grabaciones reales de llamadas, y los conjuntos de datos de centros de llamadas usados en esos artículos son privados. El capítulo de IntechOpen es incoherente en algunos puntos (su resumen cita 3.000 observaciones de sentimiento mientras que el cuerpo usa 8.750, y da un F1 de ASR de “alrededor de 0,76” en el resumen frente a un F1 macro de 0,74 y una exactitud de 0,76 en el cuerpo); usamos las tablas del cuerpo. El texto del artículo de CusEmo informa 0,657 y 0,434 para una configuración que su tabla indica como 0,667 y 0,499. El conjunto de centros de llamadas de AfriSpeech-MultiBench tiene solo 16 muestras (0,80 horas), y el artículo dice que se evaluaron tanto 18 como 19 sistemas. Los resultados del NBER proceden de chat de texto en una sola empresa, no de llamadas de voz. Metrigy describe el mismo resultado de adopción como 49,8% en un lugar y “solo la mitad” en otro. Las afirmaciones muy repetidas de que el QA manual cubre del 1% al 3% de las llamadas no pudieron rastrearse hasta una encuesta independiente y se excluyeron. El calendario del Reglamento de IA de la UE se cita tal como se publicó en el Diario Oficial; comprueba si hay modificaciones posteriores antes de basarte en la fecha del 2 de agosto de 2026 para las obligaciones de alto riesgo.
Última actualización: 27 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Metrigy publique su próximo estudio AI for Business Success y NICE presente su próximo Form 20-F anual.