La mayoría de las demostraciones de agentes de voz se hacen con una sola persona llamando, una sala silenciosa y una conexión de red limpia. La producción no funciona así. Un lunes a las 9:00, tu agente podría estar atendiendo trescientas llamadas simultáneas, muchas desde redes móviles con pérdida de paquetes y algunas de clientes que lo interrumpen a mitad de frase. Las pruebas de carga permiten averiguar qué ocurre antes de que lo descubran tus clientes.
Hacer pruebas de carga de un agente de voz significa simular un volumen de llamadas, una concurrencia y unas condiciones de red realistas para medir si la latencia, la precisión y la estabilidad se mantienen bajo estrés de producción; no si el agente responde correctamente en una única llamada ideal. Es un ejercicio distinto de las pruebas funcionales, que comprueban si da la respuesta correcta. Las pruebas de carga comprueban si sigue dando esa respuesta, a la velocidad adecuada, cuando otras mil llamadas ocurren al mismo tiempo.
Por qué se omiten estas pruebas
Los proyectos de agentes de voz suelen definirse, construirse y aprobarse a partir de demostraciones funcionales: ¿gestiona bien el agente las veinte intenciones principales? Es un primer filtro razonable, pero también el único que muchos despliegues superan antes de ponerse en marcha.
La brecha puede aparecer semanas después del lanzamiento, no el primer día. La tasa prevista de cancelación de proyectos de IA agéntica necesita una fuente verificada: [DATO REQUERIDO]. Un agente que gestionó perfectamente 50 llamadas de prueba puede deteriorarse de formas que no aparecen en una demostración: la latencia aumenta hasta que los clientes cuelgan, el reconocimiento de voz pierde precisión con ruido de fondo real o el sistema se cae cuando el volumen supera lo que se había probado.
Nada de esto requiere un error de programación. Basta con el tipo de carga que una demostración nunca simula.
Qué mide realmente una prueba de carga
Una prueba de carga de un agente de voz debe aportar cifras sobre cuatro aspectos, cada uno asociado a un modo de fallo real.
Latencia de respuesta bajo concurrencia. ¿Cuánto tarda el agente en responder cuando es una de mil llamadas simultáneas, no la única? Importa la latencia P95: el tiempo de respuesta dentro del cual se sitúa el 95% de las interacciones; el 5% más lento lo supera. No es la media. Una demostración muestra la media. La producción deja al descubierto la cola de latencia.
Precisión del reconocimiento de voz con ruido. El audio de un centro de atención al cliente no es limpio. Los clientes llaman desde coches, almacenes y salas concurridas. La tasa de error de palabras debe probarse con ruido de fondo a niveles realistas, no solo con una grabación limpia de estudio.
Gestión de interrupciones y habla solapada. Los clientes reales interrumpen. Hablan por encima del agente, se corrigen a mitad de frase o empiezan a responder antes de que termine la pregunta. La prueba debe medir cómo se comporta el sistema cuando el habla se solapa, no solo cuando se respetan los turnos.
Estabilidad bajo carga máxima sostenida. ¿Puede el sistema mantener mil llamadas concurrentes durante una hora sin deteriorarse, perder llamadas ni recurrir silenciosamente a una respuesta alternativa peor? Esta prueba requiere infraestructura para simular la carga, no solo un guion.
Cómo construir una prueba de carga: 6 pasos
- Define el escenario de máxima carga antes de probar nada. Obtén el volumen real o previsto de llamadas en la hora más concurrida del día más concurrido, no la media diaria. Si no tienes datos históricos, usa el volumen previsto a escala en tu plan de negocio, no solo el volumen inicial.
- Simula llamadas concurrentes en ese pico, ni por encima ni por debajo. Probar 100 llamadas cuando tu pico es de 1.000 no permite evaluar el punto de fallo que importa. Usa una herramienta de pruebas de carga cuya concurrencia y capacidad telefónica estén verificadas para tu escenario. Un plan de pruebas con usuarios sintéticos no demuestra una concurrencia máxima concreta; no deduzcas la capacidad de carga a partir del volumen de conversaciones de una prueba.
- Introduce ruido realista, no audio limpio. Prueba la tasa de error de palabras con ruido de fondo que corresponda a tu canal. Define y documenta el nivel de ruido y la relación señal-ruido a partir de grabaciones representativas; no supongas que un único nivel sirve para todos los canales.
- Prueba las interrupciones como un escenario propio. Prepara llamadas en las que la persona sintética interrumpa, hable por encima del agente o responda antes de que termine la pregunta. Mide los errores de solapamiento por separado de la latencia de turnos sin interrupciones: son fallos distintos con causas distintas.
- Mantén la carga durante un periodo sostenido, no solo un pico. Un pico de cinco minutos indica si el sistema arranca bajo carga. Una prueba sostenida de una hora en la concurrencia máxima indica si se mantiene. Registra si aumentan la latencia, las tasas de error o las llamadas perdidas a medida que avanza la prueba.
- Evalúa el resultado contra un umbral definido antes de la prueba, no después. Decide qué latencia P95, tasa de error de palabras y resultado de estabilidad son aceptables antes de ver las cifras. Sin un umbral acordado, cada resultado se convierte en una negociación.
Pruebas de carga y auditoría: preguntas distintas, ambas necesarias
Las pruebas de carga responden a una pregunta: ¿rinde el agente bajo estrés simulado antes de salir a producción? Son necesarias, pero incompletas: una simulación, por realista que sea, sigue siendo una simulación.
| Aspecto | Pruebas de carga | Auditoría independiente |
|---|---|---|
| Cuándo se ejecutan | Antes del despliegue o en cada versión, con una frecuencia acordada | De forma continua sobre conversaciones de producción, más pruebas programadas con usuarios sintéticos |
| Qué miden | Rendimiento bajo condiciones sintéticas de máxima carga | Interacciones reales y comportamiento del agente en escenarios sintéticos autorizados |
| Quién evalúa | Normalmente el equipo que construyó el agente | Un tercero independiente |
| Qué detectan | Fallos de latencia, reconocimiento de voz y estabilidad bajo estrés | Brechas de cumplimiento, alucinaciones y desviaciones de comportamiento a lo largo del tiempo |
| Qué no pueden detectar | Casos reales fuera del guion de prueba | Sucesos fuera de la evidencia revisada, escenarios no probados o comportamiento futuro |
Un agente de voz puede superar todas las pruebas de carga y fallar en producción, porque aparecen casos que ningún guion anticipó: un cliente que menciona tres temas distintos en una frase, un acento poco representado en los datos de entrenamiento o una actualización del modelo que cambia silenciosamente un patrón de respuesta. La prueba de carga comprueba la resistencia al volumen. No demuestra que el agente se identifique como IA, como exige el artículo 50 del EU AI Act desde el 2 de agosto de 2026 salvo que la naturaleza artificial de la interacción sea evidente, ni que siga comportándose como el primer día.
Preguntas frecuentes
¿Cómo estimo el consumo de créditos para las pruebas y la supervisión de agentes de voz?
El consumo suele calcularse por interacción analizada. La estimación depende del volumen mensual previsto y de si haces pruebas antes del despliegue, con un conjunto fijo de llamadas simuladas, o supervisas producción de forma continua, con un consumo que crece con el volumen real. Pide una tarifa por cada 1.000 interacciones al volumen esperado antes de firmar y comprueba los límites de cualquier oferta «ilimitada».
¿Qué fallos hay que probar antes de desplegar agentes de voz de IA en soporte?
Como mínimo: latencia bajo concurrencia máxima, precisión del reconocimiento de voz con ruido realista, gestión de interrupciones y estabilidad bajo carga sostenida. Por separado, comprueba si el agente se identifica como IA y completa la derivación cuando el cliente pide una persona.
¿Se pueden ejecutar estas pruebas en un entorno dedicado para salud o servicios financieros?
Depende del proveedor y del despliegue acordado. Verifica la ubicación de los datos, los controles de acceso, la conservación y las garantías contractuales con tus equipos jurídicos y de seguridad. Un entorno dedicado no demuestra por sí solo el cumplimiento de HIPAA, de la regulación financiera o del RGPD; confirma su disponibilidad antes de asumirla.
¿Qué evidencia debe mostrar un proveedor en los primeros 30 minutos de una prueba?
Pide un resultado sobre tus datos de llamadas, no una demostración preparada: latencia P95, tasa de error de palabras con ruido y un fallo señalado con su transcripción. Acuerda primero el alcance y los registros disponibles; no interpretes ese plazo como un compromiso de entrega.
¿Son lo mismo las pruebas de carga y las de regresión?
No. Las pruebas de carga evalúan el rendimiento bajo concurrencia y estrés en un momento concreto. Las de regresión comprueban si una nueva versión del modelo, un cambio de instrucciones o una actualización de la base de conocimiento rompe algo que antes funcionaba. Ambas importan y ninguna sustituye a la auditoría continua de producción: los patrones de uso y los casos excepcionales siguen cambiando.
Lecturas relacionadas
- Auditoría de agentes de IA conversacionales
- Observabilidad de IA frente a auditoría independiente
- Buen gobierno de agentes de IA
Las pruebas de carga comprueban si tu agente de voz puede resistir el lunes a las 9:00. No demuestran qué dijo a los clientes la semana pasada ni cómo se comportará el próximo trimestre. Lexic Compass audita de forma independiente los agentes de IA con un Trust Score de cuatro pilares: Integridad y seguridad (30%), Buen Gobierno (30%), Fiabilidad operativa (20%) y Confianza en la experiencia (20%). Combina auditoría continua de producción y pruebas del agente con usuarios sintéticos por chat web, WhatsApp o teléfono. Un plan completo o una prueba dirigida a un pilar o escenario requiere autorización escrita; los recorridos autenticados usan cuentas de prueba que tú proporcionas y las comprobaciones de fidelidad de las llamadas a herramientas necesitan el registro de tu plataforma. Una prueba sin fallos aporta evidencia sobre ese escenario, no una garantía. Para ver qué encuentra un Flash Audit en 72 horas, solicita un Flash Audit.
