Agentes de voz con IA: qué llamadas aguantan hoy y cuáles no

Los agentes de voz con IA son la demo más fácil de vender y el proyecto más fácil de estrellar. En una demo todo sale bien: el que llama habla claro, pide una cosa sencilla y no interrumpe. En producción llama alguien desde el coche con la ventanilla bajada, dice «buenas, mira, es por lo del pedido de mi mujer, el que vino mal» y espera que el sistema sepa de qué habla. Entre esas dos llamadas está la distancia real entre una demo de IA en atención telefónica y un servicio que puedas dejar encendido un martes a las nueve de la mañana.

Esta guía va de esa distancia. De qué tipo de llamada aguanta hoy un agente de voz, de por qué la latencia manda sobre cualquier otra métrica, de cómo se pasa a una persona sin que el cliente tenga que repetirlo todo, y de cuánto cuesta de verdad cada llamada cuando sumas todas las piezas.

¿Qué es un agente de voz con IA y en qué se diferencia de la centralita de siempre?

Un agente de voz con IA es un sistema que atiende o emite una llamada telefónica, entiende lo que dice la persona en lenguaje natural, consulta tus sistemas y responde hablando. Tres piezas encadenadas en tiempo real:

• Reconocimiento de voz (ASR). Convierte el audio en texto mientras la persona habla.
• Razonamiento. Un modelo de lenguaje decide qué responder y, sobre todo, qué consultar o escribir en tus sistemas. Es la misma lógica de los agentes de IA, con el teléfono como canal.
• Síntesis de voz (TTS). Convierte la respuesta en audio.

Lo que lo diferencia de la centralita con menús («pulse 1 para facturación») es que no hay árbol que recorrer: la persona dice lo que quiere con sus palabras. Y lo que lo diferencia de un contestador con locuciones es que el agente puede actuar: mirar un pedido, mover una cita, abrir una incidencia.

Esa es también la trampa. Un agente que habla muy bien y no toca ningún sistema es un contestador caro. El valor no está en la voz: está en lo que hace mientras habla.

Si tu agente de voz no puede consultar ni modificar nada, no has automatizado una llamada: has grabado un mensaje más largo.

¿Qué llamadas aguanta hoy un agente de voz y cuáles no?

La pregunta correcta no es «¿puede la IA atender el teléfono?» sino «¿qué porcentaje de mis llamadas tiene una forma que un agente puede cerrar?». Para eso hay que mirar el histórico: tipología, duración media y cuántos datos hacen falta para resolverla.

| Tipo de llamada | ¿Aguanta hoy? | Por qué | |---|---|---| | Pedir o mover una cita | Sí, muy bien | Intención única, datos acotados, agenda consultable | | Estado de un pedido o envío | Sí | Una identificación y una consulta a sistema | | Horarios, ubicación, condiciones | Sí, pero es barato resolverlo en web | Pura información | | Alta de incidencia con datos estructurados | Sí, con validación | El agente recoge y clasifica; resuelve una persona | | Recordatorios y confirmaciones salientes | Sí, de lo más rentable | Llamada corta, guion cerrado, respuesta sí/no | | Reclamación con cliente enfadado | No | Requiere criterio, concesiones y tono humano | | Venta consultiva | No | Depende de leer a la persona, no de resolver un dato | | Urgencia clínica o de seguridad | No, y con protocolo de corte | El coste de equivocarse no es asumible | | Cualquier cosa que exija excepción | No | El agente no tiene potestad para saltarse la norma |

Una regla que funciona bien al priorizar: si un agente humano nuevo podría resolver esa llamada leyendo un guion de una página, es candidata. Si necesita dos años de oficio, no lo es.

El orden de implantación también importa. Las llamadas salientes de confirmación (citas, entregas, renovaciones) suelen ser el mejor primer caso: volumen alto, guion cerrado, riesgo bajo y un ahorro medible desde la primera semana. Las entrantes vienen después.

¿Por qué la latencia decide el proyecto?

En texto, un segundo de espera no se nota. En una llamada, un segundo de silencio es un abismo. La persona asume que se ha cortado, repite, se solapa con el agente y la conversación se rompe.

El presupuesto que manejamos como aceptable es por debajo de 800 ms desde que la persona deja de hablar hasta que empieza a oír respuesta. Por encima de 1,2 s la conversación se siente artificial y suben los abandonos. Ese presupuesto hay que repartirlo:

• Detección de fin de turno (que el sistema sepa que has terminado de hablar): 150–300 ms.
• Transcripción final: 50–150 ms si es en streaming.
• Razonamiento del modelo: 200–500 ms, y se dispara si tiene que consultar un sistema lento.
• Síntesis del primer fragmento de audio: 100–300 ms.
• Red y telefonía: 50–150 ms.

Las decisiones de arquitectura que de verdad mueven esa cifra:

• Todo en streaming. Transcribir mientras habla, generar mientras piensa, sintetizar los primeros fragmentos antes de tener la frase completa.
• Consultas rápidas o diferidas. Si tu ERP tarda cuatro segundos en responder, el agente no puede esperar callado. O cacheas, o el agente anuncia que está consultando y rellena, o esa consulta no entra en la llamada.
• Interrupción (barge-in). La persona tiene que poder cortar al agente a mitad de frase y que este se calle de inmediato. Sin barge-in, cualquier respuesta larga se vuelve insoportable.
• Frases de relleno naturales. Un «un momento que lo miro» bien colocado compra 1,5 s sin que nadie se incomode. Usado a lo bruto, suena a tic.

Medir esto no es opcional. La latencia se mide en producción, por percentil (p50 y p95), y por tramo. Un p95 malo arruina la percepción aunque el p50 sea excelente.

¿Cómo se transfiere a una persona sin enfadar al que llama?

La transferencia es donde se nota si el proyecto está bien hecho. Tres reglas:

1. Criterios de salida explícitos y generosos. El agente debe pasar la llamada cuando: la persona lo pide (a la primera, sin insistir en ayudar), detecta enfado o vulnerabilidad, la intención no está entre las cubiertas, el ASR falla dos veces seguidas, o la operación supera un umbral de riesgo (importe, cancelación, dato sensible).

2. Traspaso con contexto. La persona que coge la llamada debe ver en pantalla quién llama, qué ha pedido, qué ha hecho el agente y la transcripción. Si el cliente tiene que empezar de cero, has empeorado el servicio respecto a la centralita antigua. Esto exige integración real con el CRM o el sistema de tickets —el mismo trabajo que describimos en integrar ERP y CRM.

3. Plan para cuando no hay nadie. Fuera de horario o con la cola saturada, el agente debe recoger datos, abrir ticket y comprometer una devolución de llamada concreta. «Ahora no puedo pasarte con nadie» sin alternativa es la peor experiencia posible.

Y una métrica que conviene vigilar desde el día uno: la tasa de resolución en la primera llamada, no la tasa de contención. Contener llamadas es fácil: basta con que el agente no transfiera nunca. Lo que importa es cuántas se resuelven sin que la persona vuelva a llamar en 48 horas.

¿Cuánto cuesta de verdad una llamada atendida por IA?

El coste por minuto de los componentes es la parte pequeña y la que todo el mundo mira. Desglose honesto de lo que hay que presupuestar:

| Concepto | Naturaleza | Comentario | |---|---|---| | Telefonía (numeración y minutos) | Recurrente, por minuto | Lo más predecible; depende del operador y el destino | | Reconocimiento y síntesis de voz | Recurrente, por minuto | Cae año a año; el español neutro es barato | | Modelo de lenguaje | Recurrente, por conversación | Varía mucho según cuánto contexto le metas en cada turno | | Integración con tus sistemas | Inversión inicial + mantenimiento | Casi siempre la partida mayor | | Diseño de conversación y guiones | Inversión inicial | Horas de negocio, no de técnico | | Evaluación y pruebas con audio real | Inicial + continuo | Lo que nadie presupuesta y lo que marca la diferencia | | Supervisión y ajuste mensual | Recurrente | Revisión de transcripciones, ajuste de intenciones |

Dos avisos de presupuesto. Primero: el coste de los minutos escala con el volumen, pero el de integración y supervisión no, así que un piloto de 200 llamadas al mes casi nunca sale rentable en euros —sale rentable en aprendizaje. Segundo: una conversación que pasa de 3 a 6 turnos no cuesta el doble, cuesta más, porque cada turno arrastra el contexto anterior.

Para comparar con alternativas, el cálculo útil no es «coste por llamada IA vs. coste por llamada humana», sino el de siempre: línea base, coste total y horas realmente liberadas. Lo detallamos en medir el ROI de la IA y en cuánto cuesta un proyecto de IA.

¿Qué exige la ley y qué exige el sentido común?

Una llamada es un tratamiento de datos personales, y la voz es un dato especialmente delicado. Lo mínimo que hay que tener resuelto antes de encender:

• Decir que es una máquina. Al inicio y sin ambigüedad. Aparte de ser lo honesto, evita el momento en que el cliente se siente engañado y pierdes la relación, no la llamada.
• Base legal e información del tratamiento. Si grabas o transcribes, infórmalo y documenta para qué, cuánto tiempo y quién accede. Si el proveedor de voz procesa fuera de la UE, eso hay que mirarlo explícitamente: lo desarrollamos en RGPD e IA.
• No usar la voz para identificar. Reconocer qué se dice no es lo mismo que reconocer quién lo dice. La biometría de voz es otra liga jurídica; no la metas de rebote.
• Salida humana siempre disponible. Más allá de lo legal, es la garantía que hace que el cliente tolere el sistema.
• Sectores con dato sensible. En salud, seguros o banca, la línea de lo que el agente puede confirmar por teléfono es más estrecha. En IA en clínicas tratamos ese límite con más detalle.

¿Cómo montar el primer caso sin jugarse la reputación?

Un plan de seis semanas que hemos visto funcionar, con el matiz de que las semanas son orientativas y el orden no:

| Fase | Qué se hace | Qué tiene que salir | |---|---|---| | Semana 1 | Escuchar 100 llamadas reales y clasificarlas | Mapa de intenciones y volumen por tipo | | Semana 2 | Elegir 1-2 intenciones y escribir el guion | Guion con casos de salida definidos | | Semana 3 | Integrar la consulta o escritura necesaria | Llamada a sistema funcionando bajo 1 s | | Semana 4 | Pruebas con audio real (ruido, acentos, interrupciones) | Batería de 50 casos y resultados medidos | | Semana 5 | Piloto en un tramo horario, con desvío a persona | Métricas de latencia, resolución y transferencia | | Semana 6 | Ajuste y decisión de ampliar o parar | Informe con coste real por llamada |

Lo que más se salta y más caro sale es la semana 4. Probar con la voz del equipo en una sala silenciosa no predice nada. Hay que probar con grabaciones reales: ruido de fondo, manos libres, acentos, gente que habla por encima, números dictados mal. Y hay que probar también el fallo: qué pasa si el CRM no responde, si el audio se corta, si la persona dice algo fuera de guion.

El resto es lo mismo que en cualquier otro proyecto que cambia la forma de trabajar del equipo: si quien coge las llamadas transferidas no entiende qué hace el agente ni cómo corregirlo, el sistema se apaga solo en dos meses. Eso es gestión del cambio, no tecnología.

Preguntas frecuentes

¿Se nota que es una IA hablando?

Hoy la voz sintética en español es muy buena y mucha gente no lo distingue en los primeros segundos. Lo que delata al sistema no es el timbre, sino el ritmo: silencios largos, imposibilidad de interrumpirlo y respuestas rígidas ante lo inesperado. En cualquier caso, hay que decirlo al inicio de la llamada.

¿Un agente de voz sustituye a mi equipo de atención telefónica?

No en un escenario realista. Absorbe el tramo repetitivo —citas, estados, confirmaciones— y libera al equipo para las llamadas que exigen criterio. Donde más se nota es en los picos: el agente absorbe el pico sin cola y sin contratar refuerzos temporales.

¿Qué pasa si el cliente llama desde la calle con mucho ruido?

Baja la calidad de la transcripción, que es la primera pieza de la cadena. Un sistema bien montado detecta la baja confianza, pide confirmación de los datos críticos y transfiere tras dos fallos seguidos en lugar de insistir. Por eso las pruebas con audio ruidoso son obligatorias antes de salir.

¿Es mejor empezar por voz o por chat?

Por chat casi siempre: tolera latencia, deja rastro escrito y se corrige más barato. Si ya tienes un chatbot con intenciones afinadas, la voz reaprovecha buena parte del trabajo de integración y guiones.

Si estás valorando meter voz en tu atención telefónica, el paso previo no es elegir proveedor: es mirar tus llamadas y saber qué porcentaje tiene forma de ser automatizado y qué integraciones exige. Eso es exactamente lo que miramos en la auditoría, y si prefieres contarlo en una conversación —por teléfono, con una persona al otro lado—, hablemos.