La mujer de esta escena no existe. Es un boceto construido con las reglas de un centro de llamadas real, y todo lo que hace está permitido por ellas. Son las nueve de la mañana en una correduría de seguros en línea y sus auriculares emiten un clic. El sistema le entrega sin preguntar el primer contacto del día. Es un hombre que la noche anterior llegó a la pantalla de pago y después cerró la página. Puede intentar convencerlo o devolverlo a la cola compartida para otra persona. No ganaría nada si un compañero le vendiera la póliza, y la cola contiene una docena más como él.

Lo devuelve. No contará en su contra.

Qué cambió la correduría

El centro de llamadas es real, aunque su nombre no. Los autores de una nueva prepublicación lo llaman Platform X, un seudónimo mantenido bajo un acuerdo de confidencialidad. Es una correduría en línea autorizada, fundada en 2017, que vende pólizas de salud, enfermedades graves, accidentes y vida de decenas de aseguradoras. Sus agentes llaman a personas que abandonaron una compra a medio camino: unas diez mil llamadas por día laborable en la muestra estudiada. Un cliente que llegó a la pantalla de pago es un contacto caliente. Quien se fue antes es un contacto frío.

Hasta 2024, los contactos calientes y fríos compartían una cola, y el sistema daba el siguiente al agente que estuviera libre. El 28 de agosto de 2024, la empresa cambió la asignación. Un agente de voz de IA, que llamaba por las noches desde diciembre de 2023 y servía de apoyo durante el día desde junio de 2024, pasó a asumir los contactos fríos por defecto. Los humanos conservaron la prioridad sobre los calientes. La proporción de contactos fríos de la IA subió de menos del 25 % a más del 60 %. El razonamiento de la dirección, según el artículo, era sencillo: una IA cuyo costo por llamada es casi nulo puede trabajar contactos que a menudo no resultaban rentables para las personas, liberando a estas para los que sí pagan.

El artículo, de Xinyu Fu, Shulong Luo, Narayan Ramasubbu, Peng Shen, Xincheng Wang y Yucheng Wang, no tiene revisión por pares y se basa en esta única empresa. Su diseño es una discontinuidad en la regresión temporal: compara las llamadas de los 60 días anteriores al cambio con los 60 posteriores, 409 622 atendidas por humanos y 157 468 por la IA, en unas 13 000 jornadas de agente. Los autores dicen que no cambiaron remuneración, guiones, formación, evaluación ni contratación, y que el número de llamadas por jornada de agente no dio un salto en la fecha de corte.

Mejor trabajo, peores resultados

La asignación hizo lo que quería la dirección. En las tres primeras llamadas del día de un agente, la probabilidad de recibir un contacto caliente subió 23,4 puntos porcentuales. La mejora se desvanecía durante el turno y llegaba a cero en las últimas llamadas.

La conversión se movió en sentido contrario. En esas tres primeras llamadas, la proporción de contactos que acababan en venta cayó 4,5 puntos porcentuales, y 2,5 en las tres siguientes. A mitad del día no cambiaba y al final subía 3,4 puntos. Las ventas cayeron más donde más mejoraron los contactos.

Según los autores, los agentes cambiaron dos conductas. Devolvían más contactos a la cola, 8,1 puntos porcentuales más en las primeras tres llamadas, y hablaban alrededor de un 13 % menos en las que conservaban. Los agentes cobran un sueldo base modesto más comisiones que constituyen la mayor parte del salario neto; devolver un contacto no acarreaba penalización ni entraba en sus evaluaciones. No cambiaron ni los porcentajes de comisión ni la recompensa por venta.

La teoría del siguiente contacto

Las explicaciones anteriores de la IA en el trabajo, tal como las resumen los autores, esperan ganancias de distribuir tareas entre personas y máquinas según la ventaja comparativa, como sostuvieron Acemoglu y Restrepo en 2019, o de una IA que ayuda al trabajador, como en el estudio de atención al cliente de Brynjolfsson, Li y Raymond. Ninguna predice que entregar mejores tareas a los humanos empeore sus resultados. Los autores recurren a una idea de la economía de la búsqueda de empleo, en la que quien busca compara lo que tiene con lo que probablemente aparecerá. Stigler escribió sobre economía de la información en 1961, McCall sobre búsqueda en 1970, y Lippman y McCall revisaron el campo en 1976. Aplicada al centro de llamadas, la lógica es que un agente que espera un buen contacto después está menos dispuesto a esforzarse ahora con uno mediocre. La IA había elevado sus expectativas sobre toda la cola. El efecto debería ser más fuerte al principio del día, cuando quedan muchos contactos, y así fue.

Los autores también probaron explicaciones rivales. Una era que los agentes simplemente reducían el ritmo, con pausas más largas entre llamadas. No encuentran esa diferencia en las posiciones iniciales. Otras abordaban cambios en la composición de clientes y plantilla, y el aprendizaje en el trabajo. Consideran que la explicación del valor de reserva encaja mejor, con una salvedad propia: la reasignación y la duración de las llamadas solo explican una parte modesta de la caída de conversión, así que el efecto de «conducta» se interpreta mejor como todo lo que los agentes hicieron de otra manera, no como prueba de esas dos conductas exclusivamente.

Contar lo ganado

Las cuentas son donde el artículo se vuelve incómodo. En el modelo de los autores, ordenar mejor los contactos calientes eleva su rendimiento un 0,58 %, mientras el cambio de conducta lo reduce un 17,6 %, unas treinta veces más. La conversión de contactos calientes bajó del 4,4 al 3,7 %. En todas las llamadas humanas cayó del 3,2 al 2,9 %. Los autores resumen el efecto diario sobre el rendimiento humano como cercano a cero, frente a esa caída en los propios contactos calientes.

Los totales de la empresa parecen mejores de lo que son. Los humanos realizaron un 31,8 % menos de llamadas tras el cambio y la IA unas cuatro veces y media más. Las conversiones por cada 50 llamadas humanas subieron un 6,3 %, pero el artículo lo atribuye a reasignar el volumen, porque el denominador se redujo más deprisa que el numerador. Por día, los humanos perdieron 50,5 conversiones de contactos calientes y la IA recuperó 7,7 en fríos, una proporción de aproximadamente siete a uno. Son cálculos de los autores con sus propios datos; atribuyen el patrón a la asignación, no lo presentan como un veredicto sobre la decisión empresarial.

Los autores no concluyen que las empresas deban dar peores tareas a los humanos o retirar la IA. Proponen escalonar la entrega de contactos calientes a lo largo del día o intercalar trabajo de menor valor, de modo que la siguiente llamada no parezca mucho mejor que la actual. En su modelo, recuperar el ritmo de contactos calientes previo a la expansión elevaría las conversiones por llamada alrededor del 13,5 %, con un intervalo del 10,5 al 16,6 %. La cifra procede de una calibración, no de un experimento, y los autores enumeran las preguntas abiertas: si el efecto se mantiene con una cola escasa, en la tramitación de siniestros o la moderación de contenido, o donde los trabajadores no pueden devolver tareas.

La mañana corriente

De vuelta al boceto de la mujer en su escritorio, todavía inventada. A las diez ha devuelto cuatro contactos y conservado dos, y ambas llamadas terminaron antes de lo que habría permitido un año atrás. En el boceto no se siente perezosa. Siente que espera al bueno, porque la última hora le ha mostrado cuántos hay. El artículo no puede decir qué pensaba ningún agente. Solo puede afirmar que, entre las llamadas medidas, los mejores contactos del día fueron los que más fácilmente se dejaron ir.

Referencias

  • Acemoglu, D., & Restrepo, P. (2019). Artificial intelligence, automation, and work. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 197-236). University of Chicago Press.
  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
  • Fu, X., Luo, S., Ramasubbu, N., Shen, P., Wang, X., & Wang, Y. (2026). When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition. arxiv.org
  • Lippman, S. A., & McCall, J. J. (1976). The Economics of Job Search: A Survey. Economic Inquiry, 14(2), 155-189.
  • McCall, J. J. (1970). Economics of Information and Job Search. Quarterly Journal of Economics, 84(1), 113-126.
  • Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.