1. Cómo funciona una llamada, del primer tono al cuelgue
Un agente de voz no es un chatbot que habla: es una cadena de procesos en tiempo real donde cada eslabón cuesta milisegundos y cualquiera puede romper la conversación. El audio entra por un trunk SIP del carrier, por una extensión de la centralita virtual o por WebRTC desde el botón del sitio web, y llega como un flujo continuo que hay que consumir mientras se habla.
El canal telefónico clásico es de banda estrecha, 8 kHz: suficiente para entenderse y pobre para un modelo de reconocimiento. Eso explica que el agente pida repetir un apellido y que la misma voz suene mejor en la web que al teléfono.
Las seis etapas de cada turno
- Detección de voz (VAD): separa habla de silencio y de ruido. Sin ella, el agente contesta al ventilador de la oficina.
- STT en streaming: emite hipótesis parciales mientras el cliente habla, de modo que el razonamiento empieza antes del punto final.
- Detección de turno: combina silencio acústico y señales semánticas; una pausa para pensar no es un cierre de frase.
- LLM con herramientas: interpreta la intención y llama a funciones reales: agenda, CRM, incidencias.
- TTS en streaming: sintetiza por frases y envía el primer fragmento en cuanto está listo.
- Barge-in y transferencia: si el cliente habla encima se corta la reproducción; la transferencia SIP viaja con el contexto ya recogido.
El agente no compone la respuesta cerrada antes de hablar: arranca con el primer fragmento estable y sigue calculando el resto.
2. Latencia: el número que decide si parece humano
La pregunta útil no es cuánto tarda el modelo, sino el turno completo: desde que el cliente calla hasta que oye la primera sílaba. Ese intervalo es la suma de seis tramos y cada uno se mide por separado. Un presupuesto de diseño razonable, no una promesa de proveedor, es este:
Presupuesto de latencia por componente
| Componente | Objetivo de diseño | Qué lo mueve |
|---|---|---|
| Red y telefonía | 40-120 ms | Carrier, distancia al punto de presencia, buffer de jitter |
| STT y detección de turno | 150-400 ms | Modelo, tamaño, silencio configurado antes de cerrar el turno |
| Primer token del LLM | 200-600 ms | Tamaño del modelo, longitud del contexto, número de herramientas |
| Ejecución de herramienta | 100-800 ms | Agenda, CRM o ERP; timeouts y reintentos |
| Primer byte de TTS | 100-300 ms | Voz elegida, síntesis por frases, caché de locuciones fijas |
| Reproducción y barge-in | 0-50 ms | Umbral del detector, tamaño del búfer de salida |
La aritmética es implacable: 60 ms de red, 300 de reconocimiento y turno, 400 del primer token, 250 de la agenda y 150 de la primera frase dan 1.160 ms. El cliente ya cree que se ha cortado la línea, y bajar de 800 obliga a recortar en dos o tres sitios a la vez.
Aquí aparece el compromiso entre riqueza y velocidad. Un prompt con ejemplos acierta más con la herramienta correcta y añade contexto; una detección de turno agresiva responde antes e interrumpe a quien duda; una voz más expresiva tarda más en dar el primer byte. Ninguna configuración gana en las tres dimensiones: se elige qué tolera la persona que llama.
Queda un recurso legítimo: verbalizar la espera. Un «déjame comprobar la agenda» honesto cubre una consulta lenta; el silencio de dos segundos no.
La latencia no se percibe como un número, sino como duda: 900 ms con el dato correcto ganan a 400 ms con una suposición.
3. Clínicas, despachos y empresas de servicios
El mismo motor sirve a verticales distintas porque el esqueleto es idéntico: identificar, consultar, proponer, confirmar, registrar y derivar. Cambian el vocabulario, las acciones disponibles y el límite de lo prohibido.
- Clínica: reserva, reprogramación y cancelación, recordatorios a 48 horas, lista de espera y preguntas de logística. No valora síntomas ni interpreta pruebas; ante una urgencia aplica el protocolo del centro y deriva.
- Despacho profesional: cualificación del asunto, comprobación de si el llamante ya es cliente, checklist documental y agenda con el profesional. Recoge hechos; no emite opinión jurídica ni confirma viabilidad.
- Empresa de servicios: disponibilidad de técnico, cualificación de presupuesto (instalación, superficie, accesos, urgencia), aviso urgente al equipo de guardia y seguimiento posterior a la visita.
En los tres casos la llamada tiene un final verificable: una cita escrita, un lead con datos completos o un aviso asignado. Si termina sin escribir nada en un sistema, no ha habido atención telefónica.
4. Flujo técnico de una reserva
Bajar al detalle de una sola operación muestra dónde se rompen las implantaciones. Este es el flujo de referencia cuando la acción final es una cita en agenda:
- Apertura transparente: identificación, aviso de que es un asistente virtual, información sobre la grabación y motivo de la llamada. Tres frases, no un discurso.
- Identificación: el número entrante permite buscar la ficha; si no hay coincidencia, se piden nombre y un dato que ya conste.
- Parámetros: servicio, profesional, franja y duración. Se pregunta uno a uno: pedirlo todo de golpe descoloca al llamante.
- Consulta real: una función consultar_disponibilidad devuelve huecos desde la agenda de verdad, con las mismas reglas de bloqueo que usa recepción.
- Propuesta cerrada: dos o tres opciones concretas. Una lista de veinte huecos invita a divagar y multiplica los errores de reconocimiento.
- Escritura idempotente: si la llamada se reintenta tras un corte, la cita no se duplica. Es el fallo más caro y el más fácil de prevenir.
- Confirmación leída: día, hora, profesional y dirección, más un SMS o correo con enlace para cambiar la cita.
- Registro y plan B: transcripción, intención, herramienta y resultado. Si la escritura falla, se abre una tarea de devolución de llamada con los datos ya recogidos.
Un agente que confirma dos veces una cita es más barato que una agenda con huecos fantasma y un paciente esperando en la puerta.
5. Grabaciones, RGPD y consentimiento
La llamada genera datos personales desde el primer segundo y algunos son de categoría especial: salud en una clínica, situación jurídica en un despacho, dirección y hábitos en una empresa de servicios. La privacidad se diseña antes de elegir el proveedor de voz.
Aviso, base jurídica y retención
En España, grabar una conversación en la que se participa no es delito, pero explotar ese audio para calidad, formación o mejora del modelo exige informar, tener base jurídica y poder demostrarlo. La práctica defendible es un aviso fijo al inicio de cada llamada, entrante y saliente, y un registro de que se pronunció. Quien no lo acepte debe poder seguir sin grabación o ser transferido. El guion y la base jurídica los valida asesoría legal, no el integrador técnico.
La retención se organiza por capas: el audio menos tiempo que la transcripción, y esta menos que el dato de negocio. Una política habitual es treinta días de audio y doce meses de transcripción anonimizada, documentada y aprobada por el responsable del tratamiento.
Acceso, redacción y proveedores
- Acceso con registro: quién escucha una llamada, cuándo y para qué. El muestreo para calidad se planifica; la escucha libre no existe.
- Redacción en el pipeline: tarjetas, IBAN, identificadores completos y datos de salud se enmascaran antes de persistir, no en la revisión manual posterior.
- Cuatro encargados: carrier telefónico, plataforma de voz, proveedor del LLM y proveedor de TTS necesitan cuatro contratos de tratamiento. Conviene exigir residencia en la UE, retención cero y prohibición de entrenar con tus datos.
- Transparencia: el llamante debe saber sin ambigüedad que habla con una IA y poder pedir una persona en cualquier momento.
- Límites humanos: reclamaciones con efectos legales, negociación de importes, pacientes vulnerables, decisiones clínicas y compromisos fuera de catálogo se quedan en manos de una persona.
La prueba de que la política funciona no es el documento: es responder en minutos a «¿qué pasó en la llamada del martes a las 18:12 y quién la ha escuchado?».
6. IVR, agente de voz o persona: cuándo usar cada uno
Comparar las tres opciones sirve para dejar de discutir sobre tecnología y decidir sobre el motivo de llamada. Ninguna sustituye a las otras dos en todos los escenarios.
Comparativa de canales telefónicos
| Criterio | IVR | Agente de voz IA | Persona |
|---|---|---|---|
| Alcance | Menús y reglas fijas | Conversación con herramientas | Criterio, empatía y excepciones |
| Disponibilidad | 24/7 sin personal | 24/7 con concurrencia en la nube | Horario, turnos y vacaciones |
| Estructura de coste | Bajo por llamada, alto por cambio | Implantación, minutos y mantenimiento | Coste fijo por persona y hora |
| Escalado | Más líneas y más árbol | Concurrencia sin contratar | Contratar y formar |
| Riesgo principal | Abandono por frustración | Error de comprensión o de herramienta | Variabilidad y rotación |
| Encaje | Volumen alto, motivos simples | Motivos variados con sistemas accesibles | Conflictos y relación comercial |
La combinación que mejor funciona es agente en primera línea, IVR solo para enrutado interno cuando aporta algo y una persona disponible como escape. El error de diseño es usar el agente como filtro para proteger al equipo: si el llamante siente obstáculos, el ahorro se paga en reputación.
7. Coste real y qué mueve la factura
El catálogo cubre la implantación, no el consumo. Agentes de Voz IA parte de 2.400 €; el Partner Tecnológico parte de 690 €/mes; la Auditoría Digital 360° con hoja de ruta son 490 € en pago único; el Sprint de Diagnóstico parte de 850 €. El detalle está en precios y planes.
Lo que mueve la factura final no es la tecnología, sino cinco variables medibles:
- Minutos de telefonía: se facturan aparte. Si la llamada media dura 2,5 minutos y recibes 900 al mes, son 2.250 minutos que conviene modelar antes de firmar.
- Idiomas: cada uno añade guion, voz, pruebas y revisión de conversaciones. No es una casilla.
- Integraciones: una agenda con API documentada no cuesta lo mismo que un ERP antiguo sin interfaz.
- Volumen y concurrencia: determinan el dimensionamiento y el coste por minuto negociado.
- Mantenimiento: revisar transcripciones, ajustar prompts y corregir herramientas es trabajo recurrente, no un extra opcional.
Un cálculo honesto suma implantación, consumo estimado, integraciones y horas de revisión. Comparar el total solo con el sueldo de una persona deja fuera lo que el agente cubre en horas que esa persona no atiende.
¿Quieres saber qué llamadas debe atender un agente en tu empresa?
Revisamos tu flujo telefónico actual, el volumen por motivo y los sistemas que habría que conectar antes de proponer nada.
Solicitar diagnóstico gratuito8. Fallos típicos y cómo evitarlos
Casi todos los proyectos de voz que fracasan lo hacen por los mismos motivos. Ninguno es exótico y todos se detectan en las primeras cien llamadas si alguien las escucha.
- Interrumpir a quien habla despacio: el umbral de silencio está demasiado bajo. Se corrige con detección semántica de turno y pruebas con personas mayores y con ruido de fondo.
- Un prompt que mezcla políticas, datos y ejemplos sin orden: el modelo elige la herramienta equivocada. La política se separa del contexto y se reduce a las reglas que cambian una decisión.
- Sin plan B cuando falla una herramienta: la agenda no responde y el agente improvisa una cita. Toda función externa necesita timeout, mensaje de espera y una salida.
- Transferir sin contexto: la persona recibe la llamada sin saber quién llama ni qué quiere. La transferencia debe llevar resumen, identificador de cliente y motivo.
- Grabar sin avisar o sin retención: el riesgo aparece meses después, cuando alguien pide el audio. Aviso y retención se definen antes del lanzamiento.
- Medir solo llamadas atendidas: un agente que cuelga rápido mejora la métrica y destruye la experiencia. Se mide resolución verificada, transferencias evitables y motivos no cubiertos.
Si tu equipo atiende hoy un volumen alto de llamadas repetitivas, en servicios de IA describimos cómo abordamos diagnóstico e implantación. Y si buscas primero el mapa del canal, la guía de agentes de voz IA para atención al cliente cubre el caso de uso antes de entrar en arquitectura.
9. Preguntas frecuentes
¿Se nota que es una IA?
Sí, y conviene que se note: el agente debe identificarse como asistente virtual al inicio de la llamada. La mayoría de llamantes lo percibe en el primer turno, sobre todo por la prosodia y por las pausas. Lo que decide la experiencia no es disimular, sino resolver: si la cita queda confirmada en menos de un minuto, la conversación se valora por el resultado y no por la voz.
¿Cuánto tarda en responder?
Depende de la suma de seis tramos: red telefónica, reconocimiento y detección de turno, primer token del modelo, ejecución de la herramienta, primer byte de voz y reproducción. Un presupuesto de diseño habitual ronda los 700-900 ms de extremo a extremo. Cuando hay que consultar una agenda o un ERP, ese tramo puede dominar el total y conviene verbalizar la espera.
¿Puede pedir cita en mi agenda?
Sí, si la agenda expone una API o un conector que permita leer huecos y escribir la cita. El agente consulta disponibilidad real, propone dos o tres opciones y confirma por escrito con clave de idempotencia para no duplicar reservas. Si el sistema no tiene interfaz, se construye una capa intermedia o se limita el agente a recoger datos y crear una tarea de devolución de llamada.
¿Graba las llamadas y es legal?
Puede grabar, pero no de cualquier forma. En España, grabar una conversación en la que se participa no es delito, y aun así la empresa debe informar al inicio, apoyarse en una base jurídica, limitar la retención y documentar el acceso. Carrier, plataforma de voz, proveedor del modelo y proveedor de voz sintética requieren contratos de tratamiento. El guion de aviso y la base jurídica los valida asesoría legal.
¿Qué pasa si no entiende al cliente?
Reformula una vez, como haría una persona, y después cambia de estrategia: ofrece opciones cerradas o pide un dato concreto. Si tras dos intentos sigue sin entender, transfiere a una persona con el resumen de lo recogido. Lo que nunca debe ocurrir es el bucle de repetición, porque el llamante lo interpreta como desprecio y cuelga.
¿Cuánto cuesta un agente de voz IA?
La implantación de Agentes de Voz IA parte de 2.400 €, el acompañamiento como Partner Tecnológico parte de 690 €/mes, la Auditoría Digital 360° son 490 € en pago único y el Sprint de Diagnóstico parte de 850 €. A eso se suman los minutos de telefonía, los idiomas, las integraciones con agenda o ERP y las horas de revisión y mantenimiento.
Publicado por el equipo de Webycia.
arrow_back Volver

