Skip to main content
Cuando termina una llamada, un análisis con IA puede evaluar la transcripción. Puede puntuar el sentimiento de quien llama, decidir si la llamada cumplió un criterio de éxito y extraer campos estructurados como un número de devolución de llamada, un ID de pedido o una respuesta de sí/no. El resultado está disponible en Historial, la API pública y MCP.

​
Qué produce el análisis

Para cada llamada analizada, el resultado puede incluir:
  • Sentiment — positive, neutral o negative (sentimiento general de quien llama).
  • Success — true / false (o null cuando la evaluación de éxito está desactivada), más una breve razón que explica el veredicto.
  • Data — un mapa de los campos estructurados que definiste, indexado por nombre de campo.
  • Analysis time — cuándo se produjo el resultado.
Usa los filtros de sentimiento y éxito en Historial, o GET /api/v1/calls?sentiment=&success=, para encontrar rápidamente las llamadas correspondientes.
El análisis se ejecuta después de la llamada y nunca afecta a la conversación en curso. Si no está disponible, la llamada y su transcripción permanecen sin cambios y no se muestra ningún resultado.

​
Configurar el análisis

Abre la tarjeta Analysis del asistente y activa las partes que necesites. Todo es opcional; una configuración vacía significa que no se ejecuta ningún análisis.
1

Sentimiento

Activado de forma predeterminada. Desactívalo si no necesitas el sentimiento por llamada.
2

Criterio de éxito

Activa Success y describe, en lenguaje sencillo, cómo es una llamada exitosa — por ejemplo, «La persona que llama reservó una cita» o «La persona que llama confirmó su dirección de entrega». El resultado contiene un valor booleano más una razón.
3

Campos estructurados

Añade los campos que quieras extraer. Cada campo tiene un name (snake_case, único), un type (string, number, boolean o enum) y una description que explica qué extraer (máx. 500 caracteres), y — para enum — una lista de choices. Se intenta extraer todos los campos siempre; no hay ningún control en el editor para hacer que uno sea opcional, aunque el indicador required de la API sigue existiendo en el esquema.

​
Ejemplo de configuración

Un calls.analysis resultante se ve así:

​
Usar los resultados del análisis

  • History filters — filtra la lista de llamadas por sentimiento y éxito para encontrar, por ejemplo, todas las llamadas negativas que no tuvieron éxito.
  • API pública — toda llamada en GET /api/v1/calls y GET /api/v1/calls/{id} incluye analysis, sentiment y success. Filtra la lista con ?sentiment=negative y ?success=false.
  • MCP — los mismos campos de la llamada se exponen mediante las herramientas list_calls / get_call de MCP.
Volver a ejecutar el análisis de una llamada pasada — History → Re-evaluate — sobrescribe el sentimiento, el éxito y los campos extraídos guardados con un resultado nuevo. Consume créditos adicionales al ritmo History re-evaluate del espacio de trabajo; las tarifas actuales están en la página de uso.

​
Cuadros de puntuación de AI QA

Los AI QA scorecards (Beta) puntúan cada llamada terminada según tu propia lista de comprobación de calidad — un resultado independiente y complementario al análisis de sentimiento/éxito/campos anterior. Se configuran en la misma pestaña Analysis & QA que el análisis posterior a la llamada.
1

Activar los cuadros de puntuación

Desactivados de forma predeterminada. La tarjeta solo aparece una vez que las Beta features están activadas para el espacio de trabajo en Settings → Workspace, y activarla requiere un plan que incluya los cuadros de puntuación de AI QA.
2

Definir un umbral de aprobación

Una puntuación global de 0 a 100; una llamada aprueba en cuanto alcanza o supera este valor.
3

Añadir hasta 20 criterios

Cada criterio tiene un nombre, un peso (cuánto cuenta en la puntuación global) y una fuente:
  • LLM judge — la IA revisora lee la transcripción y puntúa el criterio a partir de una descripción en texto libre que tú escribes. Cuesta una evaluación adicional por criterio.
  • Reuse success — reutiliza el indicador de éxito del análisis de esta llamada (sí = 1, no = 0), sin coste adicional.
  • Reuse sentiment — reutiliza el sentimiento del análisis de esta llamada (positivo = 1, neutro = 0,5, negativo = 0), sin coste adicional.
Los resultados aparecen en History, en la vista de detalle de la llamada. Los cuadros de puntuación se configuran igual que el análisis — desde el editor del asistente, PATCH /api/v1/assistants/{id} o la herramienta MCP update_assistant.
Esto es distinto de la herramienta AI Quality Assurance a nivel de cohorte, que ejecuta un paquete de control de calidad que tú eliges contra un lote de llamadas pasadas, bajo demanda. Los cuadros de puntuación se ejecutan automáticamente, por llamada, en cuanto esta termina.

​
Configurar mediante la API

Usa PATCH /api/v1/assistants/{id} o la herramienta MCP update_assistant para actualizar mediante programación las mismas opciones de análisis. Una configuración vacía significa que el análisis no se ejecuta. Consulta la referencia de la API para conocer el esquema de la solicitud.

​
Convertir una llamada real en una prueba de simulación

En una llamada terminada, dentro de History, usa Create Simulation Test. Famulor prepara una persona, un guion y criterios de éxito a partir de la transcripción y el análisis, y luego abre el panel de Simulations del asistente para su revisión. La misma acción está disponible como:
  • POST /api/v1/assistants/{id}/tests/from-call con { "call_id": "…" } (assistants:write; Simulations debe estar incluido en el plan)
  • la herramienta MCP create_assistant_test_from_call
Al hacer clic en una línea de la transcripción en Historial, la grabación salta a ese momento.