Encore AI recauda 30 millones de dólares para convertir las llamadas de clientes en manuales para agentes

Encore AI recaudó 30 millones de dólares para crear agentes a partir de conversaciones con clientes, ofreciendo a los lectores de Google News una visión más clara de la carrera por la IA empresarial. La ronda Serie A respalda una premisa poco habitual: el mejor material de entrenamiento de una empresa quizá ya exista en sus llamadas, mensajes y sistema de gestión de relaciones con clientes.

La startup analiza cómo los empleados gestionan las interacciones con clientes y, después, identifica las tácticas asociadas a resultados exitosos. Convierte esos hallazgos en manuales para agentes que conversan con clientes o ayudan a empleados humanos. La apuesta no consiste simplemente en que los agentes puedan automatizar conversaciones. Encore cree que pueden asimilar los hábitos prácticos de los profesionales con mejor desempeño de una organización.

Esto sitúa a Encore frente a Salesforce, SAP, Zoho, HubSpot y otras plataformas que ya disponen de valiosos datos de clientes. Los actores establecidos controlan los sistemas de registro. Encore quiere controlar la capa de interpretación que decide qué comportamiento humano debe imitar un agente.

La financiación da a Encore margen para aplicar esa estrategia en grandes instituciones financieras. No resuelve si la empresa cuenta con una ventaja duradera. Los proveedores de CRM consolidados tienen distribución, integraciones y relaciones existentes con clientes que una compañía más joven debe sortear.

La ronda de 30 millones de dólares financia una estrategia específica para agentes

Encore financia un sistema que aprende de interacciones completadas con clientes, no un bot de voz genérico entrenado con guiones estáticos.

Encore AI recaudó la Serie A en una ronda liderada por Team8, según la cobertura original de la financiación. Planven, Lukatz y Garage también participaron. Bancos y aseguradoras se sumaron a la financiación, incluidas instituciones financieras que, según se informó, habían utilizado Encore antes de invertir.

Esa participación de clientes importa porque los servicios financieros representan una prueba exigente para el software conversacional. Un agente útil debe desenvolverse entre productos detallados, procesos regulados, historiales de clientes y lenguaje cuidadosamente controlado. También debe operar dentro de sistemas que las empresas no pueden sustituir sin más.

Encore planea utilizar el dinero para ampliar su operación comercial en Estados Unidos y llegar a más grandes instituciones financieras. La empresa ya cuenta con más de 40 clientes empresariales en todo el mundo, según su CEO, Dvir Ginzburg. La mayoría son instituciones financieras.

Ginzburg también dijo a TechCrunch que los ingresos recurrentes anuales habían aumentado más de cinco veces desde la ronda semilla de Encore. Esa financiación anterior se produjo menos de 18 meses antes de la Serie A. No reveló los ingresos subyacentes, la valoración ni los valores de los contratos de clientes.

Estas omisiones limitan lo que los observadores externos pueden inferir de la afirmación de crecimiento. Un gran aumento porcentual puede partir de una base modesta. El número de clientes tampoco revela mucho sobre el tamaño de las implementaciones, las tasas de renovación o cuánto trabajo realizan los agentes sin intervención humana.

Aun así, la ronda respalda una dirección clara de producto. Encore recopila grabaciones de llamadas, correos electrónicos y mensajes de texto, y conecta esos materiales con registros de CRM. Su sistema divide las interacciones en etapas y busca comportamientos asociados al avance o al fracaso.

Encore denomina al proceso “minería de interacciones”. El término describe la extracción de tácticas, patrones y resultados recurrentes a partir de conversaciones con clientes. En lugar de tratar una transcripción como un documento que resumir, Encore la considera evidencia de cómo se realiza el trabajo.

La distinción es central para la propuesta de la empresa. Las herramientas de inteligencia conversacional suelen transcribir reuniones, identificar temas y producir notas de seguimiento. Encore quiere convertir interacciones históricas en instrucciones operativas para agentes.

Sus agentes pueden comunicarse por voz o texto, según la empresa. También pueden ayudar a empleados durante conversaciones en directo recomendando respuestas y tácticas. Esto permite a Encore respaldar tanto flujos de trabajo liderados por personas como automatizados, sin apostar todo a una autonomía inmediata.

Por tanto, la financiación cambia más que el balance de Encore. Da a la startup más tiempo para demostrar que el historial de interacciones puede convertirse en un activo de entrenamiento defendible. Esa cuestión impulsa la importancia más amplia de esta noticia de Google News.

Por qué los lectores de Google News deberían mirar más allá de la cifra de financiación

La competencia importante gira en torno a quién puede convertir el historial disperso de clientes en comportamientos que mejoren con cada interacción.

Los equipos de ventas ya generan enormes cantidades de material conversacional. Las llamadas contienen objeciones, explicaciones, tácticas de negociación, inquietudes de clientes y ejemplos que nunca llegan a la documentación formal. Los mensajes revelan el lenguaje de seguimiento que obtiene respuestas. Los registros de CRM muestran qué oportunidades avanzaron y cuáles desaparecieron.

La mayoría de las organizaciones almacenan estas señales en lugares separados. Las grabaciones permanecen en plataformas de llamadas, los intercambios escritos quedan en el correo electrónico o las herramientas de mensajería, y los resultados viven en un CRM. Incluso cuando los directivos pueden buscar en cada fuente, todavía deben conectar el comportamiento con los resultados.

El enfoque de Encore intenta automatizar esa conexión. El sistema analiza las interacciones por etapa, las relaciona con los resultados registrados y crea manuales a partir de patrones que parecen exitosos. Un agente puede utilizar esos manuales durante un posterior intercambio con un cliente.

Este mecanismo difiere de la generación aumentada por recuperación, o RAG, que proporciona a un modelo documentos relevantes antes de que responda. RAG ayuda a un agente a encontrar datos de productos o políticas de empresa. La minería de interacciones intenta enseñar al agente cómo los empleados eficaces aplican la información durante conversaciones reales.

Los dos métodos pueden complementarse. Un agente podría recuperar una política aprobada y luego utilizar un manual aprendido para explicarla con claridad. Sin embargo, la fuente y la fiabilidad de cada instrucción siguen siendo diferentes. Un documento de políticas indica lo que la organización permite. Una conversación histórica muestra lo que un empleado dijo realmente.

La investigación sobre asistencia de ventas en directo ilustra por qué el acceso inmediato a información relevante puede importar. Un estudio de copiloto de ventas de 2026 probó un sistema que detectaba preguntas de clientes y recuperaba respuestas de una base de datos estructurada de productos.

Los investigadores informaron de un tiempo medio de respuesta de 2,8 segundos en su entorno de prueba. Su referencia interna de búsqueda manual osciló entre 25 y 65 segundos. El experimento incluyó un escenario de seguros con 50 productos y una base de conocimientos generada, por lo que no fue una prueba de campo en empresas reales.

Encore apunta más allá de la velocidad de recuperación. Quiere decidir qué explicación, anécdota o movimiento conversacional encaja con una etapa determinada. Ginzburg afirmó que sus agentes a veces reutilizan los tipos de bromas o ejemplos que emplean los gestores de relaciones exitosos.

Ese detalle hace que el producto resulte memorable, pero también expone la dificultad central. Una táctica que funcionó para un empleado puede depender del tono, el momento, la identidad o una relación ya establecida con el cliente. Copiar las palabras no garantiza el mismo resultado.

Por ello, las empresas deben distinguir las técnicas repetibles de los hábitos personales. También necesitan separar las señales causales auténticas de las correlaciones. Un representante sénior puede tener éxito después de contar una historia concreta porque el cliente ya confía en esa persona.

Por eso la financiación importa a los compradores empresariales. Encore ahora cuenta con recursos para probar su método en más implementaciones, especialmente en servicios financieros. La evidencia más sólida vendrá de resultados controlados, no de que los agentes suenen más humanos.

Para los trabajadores del conocimiento, la idea va más allá de las ventas. Las organizaciones acumulan saber práctico informal a través de reuniones, mensajes y decisiones. Una base de conocimientos consultable puede preservar información explícita, mientras que el análisis de interacciones intenta capturar el comportamiento integrado en el trabajo cotidiano.

La oportunidad es significativa, pero también lo es la carga de gobernanza. Convertir trabajo pasado en comportamiento automatizado exige más criterio que convertirlo en notas consultables.

El mecanismo de Encore AI convierte conversaciones en manuales

La ventaja propuesta por Encore proviene de vincular lo que dijeron los empleados con lo que ocurrió después y, a continuación, empaquetar los patrones útiles para un agente.

El proceso comienza con la ingesta. Encore recopila grabaciones, correos electrónicos, mensajes de texto e información de CRM. Esa combinación proporciona al sistema tanto contenido conversacional como un registro del avance del cliente a través de un proceso de ventas o servicio.

A continuación, la plataforma divide las interacciones en etapas. Una primera consulta exige un comportamiento distinto al de una conversación de renovación o una queja. Segmentar el proceso ayuda a evitar que el sistema trate cada frase exitosa como útil en cualquier situación.

Luego, la plataforma busca técnicas asociadas a resultados deseados. Estas pueden incluir el orden de las preguntas, la explicación de un término difícil o la gestión de una objeción. Encore afirma que también puede revelar puntos de fricción y partes ineficientes de un flujo de trabajo existente.

Por último, esos patrones se convierten en manuales. Un agente puede aplicar varios manuales durante una interacción, según el cliente y la etapa. Un empleado humano también puede recibir respuestas sugeridas en lugar de ceder el control al software.

Este modelo de implementación híbrido es importante. Muchas empresas no comenzarán con un agente que gestione de forma independiente conversaciones con consecuencias relevantes. Pueden empezar con recomendaciones, observar el desempeño e incrementar la autonomía cuando la evidencia lo respalde.

Un representante ante una pregunta compleja sobre seguros ofrece un ejemplo plausible. El sistema podría recuperar información aprobada sobre la póliza, reconocer la etapa de la interacción y sugerir una explicación que anteriormente ayudó a clientes similares. El empleado conservaría el control sobre la presentación y la corrección.

Una versión más autónoma podría gestionar seguimientos rutinarios por voz o texto. Podría responder preguntas básicas, identificar cuestiones sin resolver y derivar los casos complejos a una persona. Cada interacción completada crearía más material para evaluación.

Esto crea un posible ciclo de retroalimentación. Las conversaciones históricas informan los manuales, los manuales guían nuevas interacciones y los nuevos resultados afectan los manuales posteriores. Si las mediciones son fiables, el sistema se vuelve más específico para la organización con el tiempo.

Sin embargo, un ciclo de retroalimentación puede reforzar errores tan fácilmente como éxitos. Si la etiqueta de resultado es incompleta, el sistema puede recompensar un comportamiento que produjo una conversión a corto plazo pero perjudicó la retención. También podría aprender del trato histórico sesgado hacia diferentes grupos de clientes.

Por tanto, la selección de resultados se convierte en una decisión de producto. Una organización de ventas podría optimizar para reuniones agendadas, solicitudes completadas, ingresos cerrados, renovaciones o satisfacción del cliente. Cada métrica fomenta un comportamiento diferente del agente.

La conexión con el CRM proporciona algunas etiquetas, pero no establece automáticamente la calidad. Los registros de CRM pueden estar ausentes, retrasados o moldeados por prácticas inconsistentes de los empleados. Una operación marcada como perdida puede reflejar precios, tiempos o ajuste del producto, en lugar de un error conversacional.

Encore debe hacer que esas distinciones sean comprensibles para los clientes. Los directivos necesitan saber por qué existe un manual, qué interacciones lo respaldan y cuándo lo aplica el agente. De lo contrario, “aprender de las llamadas” se convierte en una frase que oculta un proceso imposible de inspeccionar.

El mismo requisito se aplica a las recomendaciones individuales. Los empleados deberían poder ver si una sugerencia proviene de una política aprobada, del historial de cliente recuperado o de un patrón inferido de llamadas anteriores. Esas fuentes tienen distintos niveles de autoridad.

Este es el mecanismo que separa a Encore de un resumidor de llamadas estándar. También genera la mayor parte del riesgo técnico y operativo. El sistema no se limita a comprimir información. Decide qué comportamiento merece repetirse.

El verdadero rival es el CRM establecido

Encore debe demostrar que su arquitectura centrada en las conversaciones importa más que el control de los actores establecidos sobre los registros de clientes, los flujos de trabajo y la distribución.

Salesforce, SAP, Zoho y HubSpot ya operan cerca de los datos que Encore necesita. Sus productos contienen detalles de cuentas, oportunidades, casos de servicio, historiales de actividad y reglas de flujo de trabajo. Pueden añadir funciones de agentes sin pedir a los clientes que adopten otra plataforma central.

Encore sostiene que el acceso a los datos por sí solo no genera el mismo sistema. Ginzburg dijo a TechCrunch que los grandes competidores no tratan el historial conversacional como un dato fundamental. Afirmó que cambiar eso requeriría modificaciones en su implementación y sus pilas tecnológicas.

Ese argumento define la competencia principal. Encore apuesta por una arquitectura centrada en las conversaciones. Los actores establecidos pueden responder con una arquitectura centrada en los registros que incorpore transcripciones, mensajes y acciones de agentes a los flujos de trabajo existentes.

La ventaja de la startup sería mayor si la minería de conversaciones exige modelos, métodos de evaluación y prácticas de despliegue especializados. Se debilitaría si los proveedores de CRM pueden reproducir las funciones útiles mediante integraciones o adquisiciones.

Los actores establecidos también cuentan con una ventaja de confianza. Los compradores empresariales ya utilizan sus permisos, registros de auditoría, controles de datos y herramientas de administración. Añadir un agente dentro de ese entorno puede parecer más seguro que enviar conversaciones sensibles a un sistema más reciente.

Encore puede contrarrestar con especialización. Un proveedor especializado puede desarrollar una solución en torno a un problema sin tener que proteger una amplia cartera de productos antiguos. También puede funcionar con varios CRM, ofreciendo a los clientes una capa de inteligencia compartida en lugar de limitar el análisis a un solo proveedor.

El mercado ya incluye otros enfoques. Attention, por ejemplo, anunció su propia ronda Serie B de 30 millones de dólares en junio de 2026. La empresa afirma que sus agentes redactan seguimientos, actualizan CRM y ejecutan pasos posteriores en lugar de limitarse a registrar llamadas.

Según el anuncio de acciones de agentes de Attention, su software realiza más de 20 millones de acciones de agentes al mes entre más de 500 clientes. Estas cifras proceden de la empresa y requieren validación independiente.

Attention destaca un ciclo cerrado entre la acción de un agente y el resultado obtenido. Encore enfatiza el aprendizaje de manuales operativos a partir de las interacciones humanas de la organización. Ambas estrategias van más allá de la transcripción, pero parten de fuentes distintas de conocimiento operativo.

Las empresas de agentes de atención al cliente ofrecen otra comparación. Sierra ha apostado por agentes empresariales especializados en lugar de un reemplazo general de CRM. Un informe de financiación de 2025 señaló que la empresa se acercaba a ingresos recurrentes anuales sustanciales mientras atendía a grandes compañías.

El avance de Sierra muestra que los especialistas pueden captar la atención de las empresas pese a los actores establecidos del CRM. No demuestra que toda estrategia de datos especializada vaya a seguir siendo defendible. La atención al cliente, las operaciones de ingresos y la gestión de relaciones también exigen integraciones y métodos de evaluación diferentes.

Los más de 40 clientes de Encore proporcionan una posición inicial, no protección de mercado. La pregunta decisiva es si esos despliegues generan aprendizaje propietario que mejore las renovaciones y la expansión. Si los clientes pueden recrear los mismos resultados dentro de su CRM, aumentará la presión para cambiar.

Las instituciones financieras que invirtieron después de usar Encore ofrecen una señal positiva. Tuvieron exposición directa al producto antes de participar en la ronda. Sin embargo, la inversión estratégica no revela la profundidad del despliegue, el rendimiento ni las decisiones de compra a largo plazo.

La startup ahora necesita pruebas repetibles en distintas instituciones. Unas pocas implementaciones personalizadas pueden demostrar viabilidad. Una plataforma escalable debe manejar distintas estructuras de datos, políticas, idiomas, procesos de ventas y definiciones de éxito.

Esa carga favorece a los actores establecidos en distribución, pero favorece a Encore en especialización. La ronda de 30 millones de dólares compra tiempo para descubrir si la especialización puede superar el alcance de los proveedores de CRM.

Lo que el manual operativo del agente todavía no puede demostrar

El éxito histórico no establece que una táctica conversacional haya causado un resultado ni que un agente pueda reproducirla de forma segura.

Un benchmark de CRM ampliamente citado muestra cuánto les queda todavía por avanzar a los agentes empresariales. En tareas realistas de CRM, investigadores evaluaron agentes en nueve tareas de atención al cliente que implicaban objetos empresariales conectados y variables ocultas.

El estudio informó de un éxito inferior al 40 por ciento con prompting ReAct, un método que intercala razonamiento y acciones. Los agentes con llamadas a funciones se mantuvieron por debajo del 55 por ciento. Los resultados procedían de un benchmark, no del producto de Encore, pero ponen de relieve problemas generales con el seguimiento de reglas y el uso de herramientas.

Encore no ha publicado resultados de evaluación comparables. Su número de clientes y el crecimiento de ingresos reportado indican actividad comercial, pero no miden la precisión de las tareas. La empresa tampoco ha revelado con qué frecuencia los empleados aceptan sugerencias o anulan a sus agentes.

Los datos de rendimiento independientes aclararían varias cuestiones. Los compradores necesitan tasas de error por tarea, frecuencia de escalamiento, latencia de respuesta y la proporción de interacciones completadas de forma autónoma. También necesitan comparaciones de resultados frente a equipos humanos y automatizaciones más sencillas.

La privacidad plantea otro desafío. Las llamadas y los mensajes pueden contener información personal, detalles financieros, quejas y contexto sensible. Usar esas conversaciones para entrenar manuales operativos requiere consentimiento claro, reglas de retención, controles de acceso y procedimientos de eliminación. La propia política de privacidad de Encore indica que procesa datos personales para fines específicos y describe los derechos de los usuarios de acceso, corrección y eliminación, pero los compradores empresariales seguirían necesitando controles específicos por contrato y garantías técnicas.

La supervisión de empleados plantea preocupaciones distintas. Una plataforma diseñada para identificar técnicas eficaces también puede clasificar a los trabajadores o exponer debilidades individuales. Las empresas deben decidir si los empleados saben cómo se analizan las grabaciones y cómo la dirección utiliza los hallazgos.

Los propios manuales operativos necesitan gobernanza. Un empleado exitoso puede eludir una política interna, hacer una promesa sin respaldo o usar humor que no se traslade entre clientes. Los datos de frecuencia y conversión no pueden sustituir la revisión de cumplimiento.

Los servicios financieros elevan lo que está en juego. La formulación de un agente puede afectar a la comprensión del cliente sobre productos, obligaciones y riesgo. Una recomendación que suena persuasiva puede aun así omitir contexto exigido por una política o regulación.

El sesgo puede entrar a través de los datos históricos. Es posible que empleados anteriores hayan tratado a los clientes de forma diferente según el idioma, el acento, la ubicación o los ingresos percibidos. Un sistema que optimiza resultados históricos podría conservar esos patrones sin entender su significado social.

La deriva de los datos plantea otro problema. Una táctica exitosa puede quedar obsoleta tras un cambio de producto, una revisión de políticas o un cambio de mercado. Los manuales operativos necesitan reglas de caducidad y pruebas continuas, no autoridad permanente basada en llamadas antiguas.

También existe un problema básico de atribución. Los resultados de ventas dependen de la calidad del producto, los precios, el reconocimiento de marca, el momento y los presupuestos de los clientes. El comportamiento conversacional representa solo una parte del resultado. Encore debe evitar atribuirse el mérito de cambios que su sistema no causó.

Un despliegue empresarial cuidadoso debería separar tres capas. Los hechos y las políticas aprobados deberían proceder de fuentes de conocimiento controladas. Las tácticas conversacionales sugeridas deberían seguir siendo inspeccionables. Las acciones autónomas deberían operar dentro de límites explícitos y reglas de escalamiento.

La revisión humana no resuelve todos los problemas, pero crea una vía práctica de adopción. Las empresas pueden comparar las recomendaciones con resultados reales antes de conceder una autoridad más amplia. También pueden identificar casos en los que el sistema copia el estilo sin comprender el contexto.

Por tanto, la afirmación más sólida de Encore sigue siendo una hipótesis sometida a pruebas comerciales. El historial de conversaciones contiene conocimiento organizacional valioso. La cuestión sin resolver es si el software puede extraer ese conocimiento sin codificar ruido, sesgo y comportamientos accidentales.

Tres señales que decidirán la próxima etapa de Encore AI

El caso de Encore solo se fortalecerá si los despliegues se amplían, los resultados medidos resisten el escrutinio y los proveedores de CRM no logran borrar su ventaja técnica.

La primera señal es la expansión dentro de los clientes financieros existentes. Los nuevos logotipos importan, pero los despliegues más profundos revelan más. Los compradores deberían observar si Encore pasa de asistir a empleados a interacciones autónomas con clientes en varios procesos empresariales.

La expansión sugeriría que las instituciones confían tanto en los manuales operativos como en los controles que los rodean. Los pilotos limitados indicarían que la tecnología sigue siendo útil principalmente para análisis o recomendaciones. Encore no ha revelado la distribución actual entre uso asistido y autónomo.

La segunda señal es una evaluación transparente. Encore debería proporcionar finalmente evidencia a nivel de tarea que cubra precisión, escalamiento, cumplimiento y resultados empresariales. Los resultados necesitan referencias creíbles y descripciones claras de dónde siguen interviniendo los humanos.

El crecimiento de ingresos reportado es alentador, pero no puede responder esas preguntas operativas. Una evaluación útil compararía equipos guiados por Encore con flujos de trabajo existentes durante un periodo definido. También separaría la correlación de los efectos de los precios, la dotación de personal o las condiciones del mercado.

La evidencia de que los manuales operativos mejoran los resultados en varias instituciones respaldaría la tesis central de Encore. Resultados débiles o muy personalizados sugerirían que la minería de interacciones se comporta más como consultoría que como una ventaja de software escalable.

La tercera señal es la respuesta de los grandes proveedores de CRM. Salesforce, SAP, Zoho y HubSpot ya tienen acceso a los registros de clientes y carteras de agentes en expansión. Salesforce, por ejemplo, describe Agentforce como una plataforma de agentes conectada a datos empresariales, metadatos, flujos de trabajo y controles de seguridad. Estos proveedores pueden añadir un análisis más profundo de conversaciones, asociarse con especialistas o adquirir capacidades faltantes.

Si los actores establecidos convierten las interacciones históricas en un elemento central de sus sistemas de agentes, la diferenciación de Encore se reducirá. Si sus productos siguen tratando las conversaciones principalmente como resúmenes y registros consultables, Encore gana tiempo para construir una ventaja de datos especializada.

Competidores como Attention importan por la misma razón. Su progreso mostrará si los compradores prefieren agentes que aprenden de manuales operativos humanos o agentes que aprenden de sus propias acciones completadas. Las empresas podrían terminar combinando ambos enfoques.

La cobertura de Google News probablemente se centrará en futuras rondas de financiación, victorias de clientes y anuncios de productos. Los compradores deberían mirar más allá de esos titulares. La profundidad de los despliegues, la evaluación independiente y la reacción de los actores establecidos revelarán más que otra captación de capital.

La ronda de 30 millones de dólares de Encore es significativa porque financia una idea comprobable sobre el conocimiento organizacional. La empresa cree que las conversaciones contienen métodos de trabajo que los sistemas formales pasan por alto. Ahora debe demostrar que esos métodos pueden convertirse en comportamientos de software fiables.

Esta prueba importa a cualquier organización que esté considerando agentes de IA. Antes de automatizar un flujo de trabajo, identifique la fuente del criterio del agente, el resultado que optimiza y la persona responsable cuando cambia el contexto. Luego, observe si Encore puede responder a esas preguntas a escala empresarial.