Agente de voz con IA: cuándo automatizar una llamada tiene sentido (y cuándo es humo)

Un agente de voz con IA es un sistema que mantiene una conversación telefónica hablada sin una persona al otro lado. Encadena tres piezas: reconocimiento de voz, un modelo que decide qué responder y consulta tus sistemas, y una voz sintética que lo dice. No es una locución con opciones: entiende frases libres y puede actuar.

La tecnología ha mejorado lo suficiente como para que las demos impresionen. Ese es justo el problema: una demo son dos minutos con buena cobertura y una persona colaborando. Una operación real son mil llamadas con ruido, gente que interrumpe y casos que nadie previó. Este artículo va de dónde está hoy la línea entre lo que funciona y lo que es humo.

¿Cómo funciona por dentro?

Cuatro eslabones, y la calidad final la marca el más débil:

1. Reconocimiento de voz (STT). Convierte lo que dice la persona en texto, en streaming, mientras habla. El audio telefónico está comprimido, así que aquí ya hay más errores que en una grabación de micrófono. El detalle de esta pieza lo desarrollo en transcripción de audio a texto con IA.
2. Decisión. Un modelo de lenguaje con instrucciones, acceso a tus datos (agenda, CRM, estado de pedidos) y una lista cerrada de acciones que puede ejecutar.
3. Síntesis de voz (TTS). Convierte la respuesta en audio. La naturalidad ha dejado de ser el cuello de botella; el ritmo y las pausas, no tanto.
4. Orquestación de la conversación. Quién habla, qué pasa cuando los dos hablan a la vez, qué se hace con un silencio de cuatro segundos, cuándo se traspasa a una persona. Es la pieza menos vistosa y la que decide si la llamada es tolerable.

Las plataformas del mercado empaquetan todo esto; sus propias documentaciones describen bien las piezas, por ejemplo la de ElevenLabs sobre su plataforma de agentes (consultado en septiembre de 2026). Montarlo por piezas separadas solo compensa si necesitas control fino sobre alguna de ellas.

Los cuatro límites que deciden si es usable

1. Latencia

Es el criterio número uno y el que casi ninguna demo enseña honestamente. Por debajo de un segundo desde que la persona calla hasta que el agente arranca, la conversación se sostiene. Por encima, el silencio se nota: la gente repite la frase, se solapa o cuelga.

Y la latencia es la del recorrido completo, no la del modelo. Si el agente tiene que consultar tu CRM y esa consulta tarda dos segundos, la conversación se rompe por mucho que el modelo responda en 300 milisegundos. Conclusión práctica: las consultas que el agente haga en mitad de la llamada tienen que responder en milisegundos o estar precargadas; si no, se sacan de la conversación.

2. Interrupciones

Las personas interrumpen. Dicen “sí, sí” mientras el otro habla, cambian de idea a mitad de frase, contestan antes de que termine la pregunta. Un agente que no corta cuando le hablan encima resulta insoportable en treinta segundos. Uno que corta demasiado pronto, con cada “ajá”, tampoco funciona.

Esto se prueba con llamadas reales, no leyendo especificaciones. Llama tú mismo e interrumpe a propósito: a mitad de frase, con un “espera” y con un silencio largo. Si el agente aguanta las tres, algo hay.

3. Ruido y audio real

Coche, calle, manos libres, cobertura irregular. La demo se graba en una habitación silenciosa; tus clientes llaman desde el supermercado. Prueba con audio malo antes de decidir nada.

4. Traspaso a humano

Un agente de voz sin salida es una trampa para el que llama. Hacen falta tres cosas:

• Un disparador claro: que la persona lo pida, que el agente no entienda dos veces seguidas, que detecte enfado o un tema fuera de alcance.
• Contexto que viaja. La persona no puede repetir lo que acaba de contar. Quien recoge la llamada debe ver el resumen de lo hablado.
• Un plan cuando no hay nadie. Fuera de horario, el agente toma el recado, lo deja en el CRM con su transcripción y promete una devolución de llamada con una franja concreta. Y esa devolución ocurre.

¿Cuándo compensa un agente de voz?

Hay un patrón claro: conversaciones repetitivas, cortas y con final definido.

Una comprobación previa que ahorra proyectos enteros: si el mismo trámite se puede resolver por WhatsApp o por un formulario, hazlo ahí antes. Un canal escrito es más barato de montar, deja rastro, no tiene latencia y la gente cada vez lo prefiere más. Lo que se puede resolver por WhatsApp Business API casi nunca necesita una llamada.

Qué NO se delega al modelo

Este es el criterio que separa un sistema de una demo. El modelo conversa e interpreta; las decisiones del negocio viven en código, con reglas escritas.

• Nada irreversible. Cobrar, cancelar, aplicar un descuento, cambiar condiciones. El agente puede proponerlo; lo ejecuta una regla o una persona.
• Ninguna promesa. Plazos, precios fuera de tarifa, excepciones. Si no está en una lista cerrada, el agente no lo dice.
• La identidad. Un agente no valida que alguien es quien dice ser. Eso se resuelve con un factor comprobable, no con una conversación convincente.
• La clasificación que dispara procesos. Si de la llamada sale “lead cualificado” o “urgente”, el criterio va en código sobre los campos que el agente ha recogido, con umbrales escritos. Un modelo que decide etapas te las cambiará un martes sin que nadie sepa por qué.

Es el mismo principio que aplico a cualquier agente, hable o escriba, y que desarrollo en agentes de IA para negocios: herramientas mínimas, permisos mínimos, condiciones de parada y aprobación humana para lo irreversible.

Lo que casi nadie te cuenta antes de montarlo

• Hay que decir que es una IA. Al inicio de la llamada, sin rodeos. Además de ser lo correcto, evita la escena incómoda del cliente que se siente engañado y lo cuenta en público.
• Las llamadas salientes tienen reglas propias. Llamar a alguien que no te ha dado permiso no es un problema técnico, es un problema legal. Antes de montar nada de prospección telefónica automatizada, revisa la base jurídica con las guías de la Agencia Española de Protección de Datos.
• La grabación y la transcripción son datos personales. Informar, limitar accesos y definir cuánto se conserva. No es opcional.
• El coste se mide por minuto y se acumula. Reconocimiento, modelo, voz y telefonía. Consulta los precios en las páginas oficiales de cada proveedor y calcula con tus minutos reales, no con el ejemplo del comercial.
• Se degrada sin que te enteres. Un cambio de modelo, una consulta que se ha vuelto lenta, un guion que se tocó. Hace falta escuchar una muestra de llamadas cada semana, con un criterio escrito de qué cuenta como llamada bien resuelta. Si no, tendrás el clásico de una automatización que falla en silencio, pero hablando con tus clientes.

Cómo lo probaría antes de comprometerme

1. Elige un solo tipo de llamada con final claro (confirmación de cita, por ejemplo) y escribe el criterio de éxito: qué porcentaje debe terminar sin traspaso y sin que nadie tenga que arreglar nada después.
2. Graba veinte llamadas reales de ese tipo. Son tu banco de pruebas, con su ruido y sus interrupciones.
3. Monta un piloto en horario acotado, con traspaso a humano siempre disponible.
4. Escucha las veinte primeras llamadas enteras. Todas. Aquí es donde se aprende lo que ninguna métrica cuenta.
5. Mide tres cosas: llamadas resueltas sin intervención, tiempo medio y cuántas personas piden hablar con alguien.
6. Decide con datos, no con la sensación de la demo. Si el traspaso es la salida habitual, tienes un filtro de llamadas, no un agente. Lo cual puede estar bien, siempre que lo llames por su nombre.

Por dónde empezar

Mira el registro de llamadas del último mes y clasifícalas por motivo. Si el motivo más repetido ocupa más de un tercio y es un trámite con final claro, ahí hay un caso. Si la lista es larga y todo son casos distintos, lo que tienes es un problema de procesos, y una voz sintética no lo va a arreglar.

En FCG Systems esto entra en inteligencia artificial aplicada y, cuando hay que conectar centralita, CRM y avisos, en automatización de procesos. Si estás valorando si una IA puede coger tus llamadas, cuéntame qué tipo de llamadas recibes y te digo cuáles automatizaría y cuáles no tocaría.