Última actualización: 6 de agosto de 2026
El tiempo medio de atención es la métrica que más citan los líderes de soporte y la que menos entienden. Es fácil de extraer, fácil de graficar y fácil de convertir en un arma — y por eso tantos equipos lograron bajarla mientras su satisfacción del cliente se desplomaba en silencio.
El número en sí no es el problema. El AHT es una señal legítima sobre fricción en los procesos, brechas de herramientas y calidad del conocimiento. El problema aparece cuando se lo trata como objetivo de desempeño individual en lugar de como diagnóstico de la operación. Esta guía cubre qué mide realmente el AHT, cómo se ve un benchmark realista según el tipo de contacto y qué palancas acortan el tiempo de atención quitando trabajo en vez de apurar a las personas.
El tiempo medio de atención es la duración total promedio de una interacción, desde que el agente la toma hasta que termina todo lo que esa interacción exige. Esa última parte es donde la mayoría de los equipos se equivoca con la definición.
El AHT es la suma de tres componentes dividida por la cantidad de interacciones atendidas:
AHT = (Tiempo de conversación + Tiempo en espera + Trabajo posterior al contacto) ÷ Cantidad de interacciones
El trabajo posterior al contacto — el cierre, las notas en el CRM, el etiquetado del ticket, el correo interno de escalamiento — es el componente que más se omite y suele ser el que más rápido crece. Si tu AHT se ve sospechosamente estable mientras los agentes dicen estar desbordados, revisa si ese trabajo se está contando.
El AHT mide el esfuerzo del lado del agente, no la experiencia del lado del cliente. Deja fuera el tiempo en cola, el tiempo en autoservicio antes de llegar a un agente y cualquier demora entre el primer intento del cliente y la resolución final. Un cliente que esperó once minutos en cola y después tuvo una llamada ágil de cuatro minutos aporta un AHT excelente y una experiencia pésima.
Por eso el AHT nunca debe viajar solo. Combínalo con la resolución en el primer contacto, que indica si la interacción realmente terminó con el problema, y con el customer effort score, que indica cuánto le costó al cliente esa interacción.
Los benchmarks publicados ubican el estándar de la industria de call centers entre siete y diez minutos aproximadamente, según la metodología que se use, de acuerdo con el análisis de KPIs de call center de SQM Group. Las agregaciones multisectoriales de los datos de benchmark de AHT de Kayako caen en un rango similar, con amplia variación por sector.
Esos números son prácticamente inútiles aplicados al nivel general. Un AHT combinado sobre una cola mixta promedia un reseteo de contraseña de dos minutos con una disputa de facturación de veinte minutos y produce una cifra que no describe a ninguno de los dos.
| Tipo de interacción | Rango típico de AHT | Qué determina el tiempo |
|---|---|---|
| Consultas de estado y pedidos | Menos de 3 minutos | Velocidad de consulta en sistemas |
| Cambios de cuenta y datos | 3 a 6 minutos | Verificación y carga de datos |
| Facturación y disputas | 8 a 15 minutos | Criterio de política y aprobaciones |
| Soporte técnico | Más de 10 minutos | Diagnóstico y escalamiento |
Conclusión clave: Segmenta el AHT por motivo de contacto antes de fijar cualquier objetivo. Una meta única a nivel general siempre va a empujar a los agentes a apurar el trabajo complejo, que es justo donde apurarse sale más caro, porque es el único lugar donde se pueden recortar segundos significativos.
Cuando el AHT se convierte en objetivo individual, los agentes optimizan para el objetivo. Esa optimización tiene una forma predecible: llamadas más cortas, más transferencias, más cierres prematuros y más clientes que vuelven a llamar mañana por lo mismo. El tiempo de atención baja. El volumen de contactos sube. El costo total aumenta.
La falla es aritmética. Dos contactos de cinco minutos para resolver un problema dan mejor AHT que uno de nueve minutos que lo resuelve — y un peor resultado para todos. Si no miras la tasa de recontacto junto con el AHT, no puedes distinguir una situación de la otra.
Los clientes lo notan, y son menos tolerantes que antes. La investigación CX Trends 2026 de Zendesk, basada en más de 11.000 respuestas a nivel global, encontró que el 88% de los clientes espera tiempos de respuesta más rápidos que hace un año, y que el 74% se frustra cuando tiene que repetir información que ya dio. Una estrategia basada en transferir para bajar el tiempo de atención choca con las dos expectativas a la vez.
Nunca muevas el AHT sin mirar la resolución en el primer contacto y la tasa de recontacto en la misma vista. Una mejora real muestra el AHT bajando mientras la FCR se mantiene o sube. Una mejora falsa muestra el AHT bajando junto con la FCR. La misma lógica aplica a la automatización: la tasa de contención solo significa algo si las conversaciones contenidas se resolvieron de verdad en lugar de abandonarse.
Toda reducción duradera del AHT viene del mismo lugar: quitar trabajo de la interacción en lugar de comprimirla. Estas son las palancas que lo logran, más o menos en orden de retorno sobre el esfuerzo.
Una parte considerable de cada interacción se gasta en establecer quién es el cliente, qué compró y qué pasó la última vez. Nada de eso requiere criterio. Mostrar la ficha de la cuenta, los pedidos recientes, los tickets previos y los casos abiertos en el momento en que se abre la interacción elimina un bloque de tiempo de conversación sin tocar la calidad. Además tiene el mejor efecto secundario posible: ataca directamente la frustración de tener que repetirse, que es lo que hunde los puntajes de satisfacción.
El trabajo posterior al contacto es pura sobrecarga desde el punto de vista del cliente y suele ser el bloque recuperable más grande de la fórmula del AHT. Los resúmenes generados automáticamente, los códigos de tipificación precargados y los correos de seguimiento redactados de antemano le entregan al agente algo para aprobar en lugar de algo para escribir.
Buscar en la base de conocimiento mueve el problema en lugar de resolverlo: el agente igual tiene que leer, interpretar y traducir. Una recuperación que devuelve una respuesta redactada y basada en tus propios documentos de política elimina el paso de traducción por completo. La investigación sobre despliegues de IA generativa en soporte encontró que el efecto es mayor en los agentes con menos experiencia, acortando la brecha con los veteranos: un estudio ampliamente citado midió un aumento promedio de productividad del 14%, concentrado en el personal más nuevo.
El tiempo de atención más rápido es el que no ocurre. El estado de un pedido, los plazos de envío, los reseteos de contraseña, las copias de factura y los cambios de turno son solicitudes deterministas que se resuelven por completo en un canal automatizado. El análisis de McKinsey sobre IA generativa en operaciones de servicio sugiere que la tecnología podría reducir hasta un 50% los contactos atendidos por humanos en sectores como banca, telecomunicaciones y servicios públicos. Ojo con lo que esto le hace a tu AHT reportado: al sacar los contactos cortos y simples, sube el promedio de lo que queda. Es un buen resultado que se ve mal en el tablero, y por eso segmentar importa.
Si tu restricción es el volumen de tickets y no la duración, la mecánica está desarrollada en profundidad en nuestra guía sobre costo por resolución, que replantea toda la pregunta en términos de economía unitaria.
Los agentes ponen a los clientes en espera por un conjunto pequeño y conocible de razones: buscar algo, esperar la aprobación de un supervisor o consultar con otra área. Cada una es un defecto de proceso con una solución específica — mejor búsqueda, umbrales de aprobación delegados, un canal compartido con el otro equipo. Atacar el tiempo de espera como número solo le enseña al agente a dejar al cliente en línea en un silencio incómodo.
La mayoría de las reglas de enrutamiento preguntan quién está libre. Un mejor enrutamiento pregunta quién es más rápido en este problema específico. Emparejar el motivo del contacto con la fortaleza demostrada del agente acorta la interacción y mejora el resultado al mismo tiempo, y hace que el eventual traspaso de IA a humano caiga en alguien preparado para cerrarlo en el primer intento.
Esta es la capa donde Eva, de Darwin AI, suele justificar su lugar: resuelve de punta a punta los contactos repetitivos y deterministas en el canal que el cliente elija, arma el contexto completo de los que necesitan una persona y redacta el cierre, de modo que al agente le queda revisar en lugar de reconstruir.
Evalúa como un antes y después sobre una cohorte segmentada, no sobre un promedio general. Para cada motivo de contacto, sigue cuatro números juntos en el mismo período:
Una mejora real baja el AHT mientras los otros tres se mantienen o mejoran. Cualquier otra cosa es desplazamiento. El trabajo de campo de McKinsey sobre IA generativa en atención al cliente documentó un despliegue sobre unos 5.000 agentes que produjo un aumento del 14% en casos resueltos por hora junto con una reducción del 9% en el tiempo de atención — y el dato útil es que ambos números se movieron en la dirección correcta a la vez, que es el patrón que buscas.
Publica una banda aceptable por motivo de contacto en lugar de un techo. Una banda señala que las interacciones inusualmente cortas son tan sospechosas como las inusualmente largas, lo cual es cierto y es algo que un techo individual nunca comunica.
Reduce el tiempo de atención quitando trabajo, no apurando la conversación.
Los trabajadores de IA de Darwin resuelven los contactos rutinarios de punta a punta y le entregan al agente contexto completo y un cierre ya redactado en todo lo demás.
Conoce cómo trabaja Eva →No existe un único número bueno. Los benchmarks multisectoriales publicados suelen ubicarse entre siete y diez minutos para voz, según SQM Group, pero esa cifra mezcla tipos de contacto que no tienen nada en común. Un objetivo útil se fija por motivo de contacto y se expresa como rango: menos de tres minutos para consultas simples, ocho minutos o más para disputas de facturación y diagnóstico técnico.
Sí. El cierre es capacidad real del agente consumida por la interacción, y dejarlo fuera esconde el componente que más rápido crece en muchas operaciones. Si tu medición actual lo omite, espera que el AHT salte cuando lo agregues — ese salto es una corrección, no un retroceso.
La daña cuando la reducción viene de apurar a los agentes, y no la daña cuando viene de eliminar pasos. La prueba que los distingue es la resolución en el primer contacto: si la FCR y la tasa de recontacto se mantienen mientras el AHT baja, el trabajo realmente se acortó. Si la FCR baja junto con el AHT, moviste costo de este contacto al siguiente.
Los resultados publicados varían mucho según la línea de base y el caso de uso. El trabajo de McKinsey sobre IA generativa en operaciones de servicio documentó un despliegue de unos 5.000 agentes con una reducción del 9% en el tiempo de atención junto con un aumento del 14% en casos resueltos por hora, y un estudio aparte sobre una organización de soporte grande midió una ganancia promedio de productividad del 14% concentrada en los agentes con menos experiencia. Toma mejoras de un dígito a dos dígitos bajos como supuesto de planificación realista, en lugar de las cifras de portada de los casos de éxito de proveedores.
Casi seguro porque la automatización absorbió los contactos cortos. Cuando las consultas de estado de dos minutos dejan de llegar a los agentes, la cola humana queda compuesta enteramente por trabajo más difícil, así que el promedio sube aunque el costo total haya bajado. Segmenta por motivo de contacto y compara lo comparable, y mira el costo total de resolución en lugar de solo la duración.