IA generativa para las llamadas grabadas de un bróker: transcribir y buscar en tus propios servidores o comprar un producto de cumplimiento normativo

Según MiFID II, una empresa de servicios de inversión de la UE tiene que grabar las llamadas sobre órdenes de clientes y sobre sus propias operaciones, conservar las grabaciones durante cinco años y revisarlas periódicamente. La IA generativa puede convertir esas grabaciones en texto, resúmenes y un índice de búsqueda, de modo que un revisor puede ir directamente al momento relevante de una llamada sin escuchar horas de audio. Puedes comprarlo como parte de un producto de grabación para cumplimiento normativo, o ejecutar modelos abiertos en tus propios servidores para que las grabaciones nunca salgan de tus sistemas. En cualquier caso, la grabación de audio sigue siendo el registro oficial, y una persona debería escucharla antes de actuar a partir de una transcripción, porque los modelos de voz a veces escriben palabras que nadie dijo.

¿Qué exigen las normas de la UE a un bróker con las llamadas grabadas?

El artículo 16(7) de MiFID II, la directiva de la UE sobre servicios de inversión, dice que los registros de una empresa de servicios de inversión deben incluir las conversaciones telefónicas y las comunicaciones electrónicas relativas, como mínimo, a dos cosas: las operaciones que la empresa realiza por cuenta propia, y la recepción, transmisión y ejecución de órdenes de clientes. Esto incluye las llamadas destinadas a dar lugar a una operación, aunque al final no se realice ninguna. Las empresas deben informar a los clientes de antemano de que esas llamadas se graban.

La copia en línea del artículo publicada por la ESMA, la autoridad de valores y mercados de la UE, dice que estos registros «se conservarán durante un período de cinco años», y hasta siete años si lo pide el supervisor de la empresa. También deben entregarse al cliente afectado si lo solicita. Todas las fuentes de este artículo se consultaron el 2 de noviembre de 2026.

El artículo 76 del Reglamento Delegado (UE) 2017/565 de la Comisión establece los detalles. Para un proyecto de IA importan estas partes:

• Para comprobar que se cumplen las normas de grabación y de conservación de registros, las empresas «supervisarán periódicamente los registros de las operaciones y órdenes sujetas a estos requisitos, incluidas las conversaciones pertinentes», y esa supervisión «se basará en el riesgo y será proporcionada»
• Los registros deben conservarse en un formato «que no permita alterar ni eliminar el registro original», y deben ser «fácilmente accesibles»
• Las empresas «garantizarán la calidad, exactitud y exhaustividad de los registros de todas las grabaciones telefónicas»

Por tanto, una transcripción generada por un modelo es una forma de encontrar cosas en la grabación, y nunca debería sustituir ni modificar el audio.

¿Qué puede hacer la IA generativa con las grabaciones?

Dos tipos principales de modelo hacen el trabajo. Un modelo de reconocimiento de voz convierte el audio en texto, y un modelo de lenguaje, el tipo de modelo que hay detrás de los asistentes de chat, trabaja con ese texto. Junto con algunas herramientas más pequeñas, pueden:

• Escribir una transcripción con una marca de tiempo en cada línea, para que un revisor pueda saltar a ese momento del audio
• Marcar quién habla. Esto se llama diarización y suele requerir un modelo aparte
• Resumir una llamada en unas pocas líneas que indiquen, por ejemplo, el instrumento, el importe y lo que pidió el cliente
• Permitir que el personal de cumplimiento busque en todas las llamadas por palabras exactas o por significado, por ejemplo para encontrar todas las llamadas en las que se prometió a un cliente una rentabilidad sobre una inversión, con independencia de las palabras utilizadas
• Seleccionar llamadas para que las revise una persona, con reglas que redacta el equipo de cumplimiento

Ninguno de los dos modelos debería decidir si una llamada incumplió una norma. OpenAI publica una ficha de modelo para Whisper, su modelo abierto de reconocimiento de voz: un documento que describe para qué sirve el modelo y en qué se queda corto. La ficha desaconseja su uso «en ámbitos de alto riesgo, como los contextos de toma de decisiones, donde los fallos de precisión pueden provocar fallos notables en los resultados». Una conclusión sobre un cliente o un empleado debería venir de una persona que haya escuchado la llamada.

La misma ficha de modelo advierte contra la transcripción de grabaciones de personas «tomadas sin su consentimiento». MiFID II obliga a las empresas a informar a los clientes de que las llamadas se graban. Si ese aviso cubre también la transcripción por un modelo es una cuestión para tu delegado de protección de datos.

Si el sistema marca llamadas de empleados, pregunta a tu abogado cómo se aplica el Reglamento de IA de la UE (AI Act). Su anexo III clasifica como de alto riesgo los sistemas de IA utilizados «para supervisar y evaluar el rendimiento y el comportamiento de las personas» en las relaciones laborales. Su artículo 5 prohíbe la IA que infiere las emociones de las personas en el trabajo, salvo por motivos médicos o de seguridad.

¿Qué precisión tienen las transcripciones?

La precisión depende del idioma, de la calidad de la línea telefónica y del vocabulario, como los nombres de instrumentos. La página del proyecto de Whisper dice que su rendimiento «varía mucho según el idioma». La ficha de modelo añade que la precisión es desigual entre acentos y dialectos, y que la salida «puede incluir textos que en realidad no se pronuncian en el audio de entrada (es decir, alucinación)».

Este tipo de texto inventado es poco frecuente. Un estudio de 2024 de Allison Koenecke y sus colegas envió en 2023 fragmentos cortos, de aproximadamente una frase cada uno, al servicio Whisper de OpenAI. Encontró que «aproximadamente el 1% de las transcripciones de audio contenían frases u oraciones enteras alucinadas». Estas frases inventadas aparecían con más frecuencia en hablantes que hacían pausas largas al hablar. Cuando los investigadores volvieron a procesar los fragmentos problemáticos en diciembre de 2023, muchos de los errores habían desaparecido y algunos seguían ahí. Una llamada contiene muchas frases, así que la probabilidad de que haya un error en algún punto de una llamada es mayor que en un solo fragmento.

En una llamada sobre una operación, los errores que salen caros están en las cifras, en los nombres de instrumentos y en si el cliente dijo comprar o vender. Prueba cualquier sistema con tus propias llamadas antes de confiar en él:

• Toma una muestra de llamadas recientes de distintas mesas, idiomas y líneas telefónicas, y encarga a personas que escriban transcripciones correctas de ellas
• Compara el texto del modelo con esas transcripciones, y cuenta los errores en importes, precios, nombres de instrumentos e instrucciones de compra o venta por separado del resto de errores
• Cuando una llamada haya dado lugar a una orden, comprueba el importe de la transcripción con la orden de tu sistema de trading
• Repite la prueba cada vez que cambien el modelo o su configuración

¿Deberíamos comprar un producto o ejecutar los modelos en nuestros propios servidores?

Los productos de grabación y archivo para cumplimiento normativo ya ofrecen transcripción y búsqueda. Uno de ellos es Smarsh: su página sobre grabaciones de voz dice que el producto puede «convertir automáticamente las llamadas en texto consultable» y enumera «resúmenes generados por IA, análisis de sentimiento, ocultación de datos sensibles y enriquecimiento de metadatos». Describe su tecnología como «nativa de la nube», es decir, construida para funcionar en la nube.

Es la opción más rápida si ya archivas las llamadas con un proveedor así y está permitido que el audio se procese en su nube. Antes de firmar, pregunta en qué países se procesan y se almacenan el audio y las transcripciones, si se usan para entrenar los modelos del proveedor y cómo puedes exportarlos todos si te cambias a otro proveedor.

Ejecutar los modelos por tu cuenta significa usar modelos abiertos en servidores que controlas. Un modelo abierto es aquel cuyo creador publica los archivos del modelo para que cualquiera pueda descargarlos y ejecutarlos. La página del proyecto de Whisper dice que su código y los pesos del modelo, los archivos que contienen lo que el modelo ha aprendido, se publican bajo la licencia MIT. El modelo large de Whisper necesita unos 10 GB de memoria de GPU, y su modelo turbo, más rápido, unos 6 GB. Eso cabe en una sola GPU de centro de datos, un procesador construido para el tipo de cálculos que hacen los modelos.

Para la diarización, el kit de herramientas de código abierto pyannote publica un modelo llamado community-1 bajo la licencia CC-BY-4.0. Descargas sus archivos de Hugging Face, un sitio que aloja archivos de modelos, después de aceptar las condiciones de uso del modelo, y a partir de ahí funciona en tus propios servidores. La configuración por defecto del kit también envía a pyannote datos de uso anónimos, como la duración de cada archivo procesado, y su página del proyecto explica cómo desactivarlo.

El mismo kit de herramientas puede llamar a un modelo de pago, precision-2. En el ejemplo de la página del proyecto, este «se ejecuta en los servidores de pyannoteAI», y la página de precios de pyannoteAI también ofrece despliegue on-premise en su plan Enterprise. Quien construya tu sistema debería mostrarte qué modelo usa y dónde se ejecuta ese modelo, porque el nombre por sí solo no te dice adónde va el audio.

Los resúmenes y la búsqueda por significado necesitan sus propios modelos en los mismos servidores. Cuánta memoria de GPU ocupa un modelo de lenguaje se explica en el artículo sobre cómo ejecutar IA generativa en tus propios servidores.

Tus propios servidores tienen sentido cuando:

• Las grabaciones no deben salir de tus sistemas, por tu propia política o por los contratos con tus clientes
• Quieres transcripciones y resúmenes vinculados a la ficha del cliente y a la orden en tus propios sistemas
• Tus llamadas están en idiomas o acentos que los productos que probaste gestionan mal
• Tu volumen de llamadas hace que las tarifas de un producto superen el coste de los servidores y de las personas que los operan

Elijas la opción que elijas, trata las transcripciones y los resúmenes como las propias grabaciones. Dales los mismos derechos de acceso, periodo de retención y reglas de eliminación que a las grabaciones, y acuérdalos con tu equipo de cumplimiento y con tu delegado de protección de datos. Decide de antemano si un cliente que pide una copia de una grabación recibe también la transcripción.

¿Qué deberíamos preguntar a una empresa que vaya a construir el sistema?

• ¿Qué modelo de voz y qué modelo de lenguaje se ejecutarán, con qué licencias y en los servidores de quién?
• ¿Alguna parte del sistema, incluidas la diarización y la búsqueda, envía audio, texto o datos de uso a un servicio externo?
• ¿Cómo probarán la precisión con nuestras llamadas, y cómo se comprueban los importes, los precios y los nombres de instrumentos?
• ¿Cómo pasa un revisor de una línea de la transcripción al mismo momento del audio original?
• ¿Cómo se protegen las grabaciones originales para que no se modifiquen ni se borren?
• ¿Quién puede ver qué llamadas, y queda registrada cada búsqueda y cada reproducción?
• Cuando cambiemos de modelo, ¿se repite la prueba, y las transcripciones antiguas se conservan tal como están o se vuelven a generar con el nuevo modelo?

¿Dónde encaja amBrain?

El único proyecto de cliente con modelos de lenguaje que amBrain describe en público es este: «Hemos llevado a producción una integración de LLM dentro del perímetro FinTech de un cliente: extracción y normalización de avisos no estructurados de brókers y de centros de negociación —eventos corporativos, cambios de instrumentos y de márgenes— en registros estructurados que consume el sistema de trading».

Este artículo no es un caso de estudio y no describe ningún trabajo para clientes. No dice que amBrain haya construido transcripción de llamadas, búsqueda en grabaciones de voz ni supervisión de cumplimiento para ningún cliente, y el proyecto citado arriba trabaja solo con avisos escritos. Las empresas y los productos mencionados aquí se citan a partir de sus páginas publicadas, y el artículo no afirma que amBrain tenga relación alguna con ninguno de ellos. No da precios ni plazos de amBrain.

Tampoco es asesoramiento jurídico. El artículo trata solo las normas de la UE. Otros países tienen las suyas, así que comprueba con un abogado las que se aplican a tu empresa.

amBrain desarrolla software desde 2019. Trabaja en tres formatos: entrega completa, un equipo dedicado o ingenieros integrados en tu equipo. Sobre la propiedad, su frase es: «El cliente conserva la propiedad completa del producto y del código, salvo nuestros componentes reutilizables». Si amBrain está en tu lista corta, hazle las mismas preguntas que a cualquier otra empresa.