Ética & sociedad Aurelian procesa 9.635 llamadas y resuelve el 30 % sin operadores humanos
Centros de emergencia en EE. UU. y España usan IA para triaje, traducción y transcripción, reduciendo volumen 30 % y mejorando tiempos. Claves para la migración NG112 en LatAm.
La saturación de las líneas de emergencia ya no es una anécdota operativa; es una crisis estructural. En Estados Unidos, los centros 911 reciben 240 millones de llamadas al año y el 64 % no son emergencias reales, según datos de la startup Aurelian. Paralelamente, la tasa de vacantes roza el 25 % y 8 de cada 10 nuevos despachadores renuncian antes de dos años, atrapados en turnos de 12 a 16 horas alternando crisis vitales con quejas de ruido vecinal.
Ante ese cuadro, la inteligencia artificial ha dejado de ser piloto para convertirse en infraestructura operativa. La Administración Nacional de Telecomunicaciones (NTIA) de EE. UU. acaba de publicar una ficha técnica que valida cuatro casos de uso en producción: desvío de llamadas no urgentes, devolución automática de cuelgues, geofencing para aislar picos geográficos y traducción-transcripción en tiempo real.
Resultados medibles, no promesas
En el condado de Monterey (California), el sistema de IA procesó 9.635 llamadas en abril de 2024: 2.920 (30 %) se resolvieron sin intervención humana, la eficiencia global subió entre 7 % y 10 % y el coste mensual no supera 1.000 dólares según volumen. En Orleans Parish (Nueva Orleans), la herramienta aplicada a accidentes de tráfico redujo tiempos de respuesta y eliminó horas extra. En Jefferson County (Colorado), la misma capa tecnológica sirve para entrenar operadores con escenarios virtuales.
La startup Aurelian —nacida de un pivot de reserva de salones— atiende ya 5 millones de estadounidenses diarios en una docena de condados (Snohomish, Chattanooga, Kalamazoo) y cerró una Serie A de 14 millones de dólares liderada por NEA. Compiten Hyper (6,3 M $ semilla) y Prepared (2019), mientras Motorola Solutions y Axon integran transcripción y traducción en sus suites de despacho.
El salto clínico: priorización médica predictiva
En España, el grupo BDSLab (ITACA-UPV) junto al SESCV (112 Comunidad Valenciana) ha desplegado un modelo que predice riesgo vital, demora aceptable y jurisdicción cruzando motivo de llamada, datos clínicos, texto del operador y contexto. La IA sugiere prioridad y la compara con la del operador humano; si discrepa, escala la revisión sanitaria. La herramienta corre sobre la plataforma Omda CoordCom, lo que demuestra que la integración con legacy es viable.
¿Qué cambia para América Latina?
La región migra hacia NG112/NG911 (redes IP, multimedia, datos de sensor). Tres implicaciones directas para directores de C5/C4, secretarías de seguridad y CIOs públicos:
1. Costo de entrada bajo: el modelo pay-per-call de Monterey (≤ 1.000 USD/mes) cabe en presupuestos municipales que no absorben CAPEX de grandes vendors propietarios. 2. Brecha lingüística resuelta: la traducción instantánea (5-10 min vs. segundos) cubre comunidades indígenas, migrantes y turísticas sin contratar intérpretes 24/7. 3. Soberanía del dato y *vendor lock-in: la arquitectura UPV-Omda demuestra que se puede inyectar IA above-the-stack* sin reescribir el CAD. Las licitaciones deberían exigir APIs abiertas y cláusulas de portabilidad de modelos.
El riesgo no es tecnológico: es comprar black boxes que dentro de tres años no se puedan auditar ni migrar. La NTIA y NENA (asociación EE. UU.) insisten en mantener al humano en el lazo y exigir explainability antes de firmar.
¿Está su pliego de condiciones listo para exigir que la IA explique por qué priorizó esa llamada y no la otra?
