Tutorial

Agente de voz con IA: qué es, cómo funciona y para qué sirve en un negocio

Qué es un agente de voz con IA, cómo funciona por capas, en qué se diferencia de un IVR y un chatbot, para qué sirve en un negocio y qué límites tiene.

IntermedioAgentes de vozPublicado el 29 oct 20269 min de lectura

Infografía: Agente de voz con IA: qué es, cómo funciona y para qué sirve en un negocio. < 600 ms tiempo de respuesta que declara Vapi para sus agentes de voz (cifra del proveedor); 3 arquitecturas entre las que OpenAI propone elegir: voz en vivo con backend aparte, voz a voz o por etapas; 2.

Un agente de voz con IA es un sistema que atiende llamadas telefónicas conversando con quien llama: convierte su voz en texto, un modelo de lenguaje decide qué responder y qué herramienta usar, y una voz sintética contesta en tiempo real. A diferencia de un menú IVR de teclas, entiende frases libres; a diferencia de una persona, necesita límites escritos, una salida hacia un humano y, cuando la empresa es quien llama, consentimiento previo según la norma de cada país.

Actualizada el 29 de octubre de 2026.

¿Qué es un agente de voz con IA?

Es un agente de IA cuya interfaz es la conversación hablada. Anthropic distingue los flujos de trabajo, donde modelos y herramientas se orquestan por rutas de código definidas de antemano, de los agentes, donde el modelo dirige su propio proceso y su uso de herramientas. Un agente de voz es lo segundo: escucha, decide, consulta o ejecuta algo, como revisar una agenda, y responde hablando.

El término aparece de varias formas: agente de voz, agente de voz IA, agente de voz de IA, agentes de voz IA o agente de IA por voz. Aquí son sinónimos. Su uso en empresas está en asistente de voz para empresas.

¿Cómo funciona un agente de voz, capa por capa?

ElevenLabs enumera cuatro bloques: reconocimiento de voz (ASR), el modelo de lenguaje que elijas, texto a voz y un modelo propio de turnos de conversación. Vapi describe tres: voz a texto, modelo de lenguaje y texto a voz. Con la línea telefónica, el esquema práctico es este:

Telefonía. Twilio permite hacer y recibir llamadas desde una aplicación, con conectividad a la red telefónica pública (PSTN) y SIP; con Media Streams, el audio de llamadas en vivo llega por WebSocket para transcripción con IA. ElevenLabs menciona troncales SIP e integración con Twilio.
Voz a texto. Convierte lo que dice quien llama en texto que el agente puede procesar.
Modelo de lenguaje. Interpreta la conversación, decide qué responder y qué herramientas usar.
Texto a voz. Convierte la respuesta en voz; aquí se elige la voz de la marca. ElevenLabs habla de más de 10.000 voces.
Turnos. Cuándo hablar, cuándo callar y qué hacer si te interrumpen. ElevenLabs permite configurar turnos, interrupciones y tiempos de espera. Vapi declara respuestas en menos de 600 ms; es una cifra del proveedor, no una medición independiente.

No todos los diseños separan esas etapas. La guía de voice agents de OpenAI propone elegir entre tres arquitecturas: GPT-Live, una conversación de dúplex completo con un backend aparte; la Realtime API, donde un solo modelo interpreta el audio, decide y responde hablando; y un flujo encadenado de tres etapas (voz a texto, flujo del agente y texto a voz), que da control sobre cada etapa de voz y de texto, con la posibilidad de inspeccionar o transformar el texto entre el reconocimiento de voz y la respuesta.

En mi lectura, la pregunta de fondo es cuánto control necesitas: con reglas que cumplir, revisar el texto antes de que el agente hable pesa más que ahorrar una etapa. Las herramientas están en agente de voz con ElevenLabs, Vapi, n8n y Dapta.

¿En qué se diferencia de un IVR y de un chatbot?

Twilio incluye el IVR (respuesta de voz interactiva) entre las aplicaciones que se construyen con su producto de voz. En mi lectura, con el marco de Anthropic:

IVR: recorre un camino definido de antemano (marcar 1 para ventas, 2 para soporte). Es un flujo de trabajo: predecible y fácil de auditar, pero lo que queda fuera del menú no tiene adónde ir.
Chatbot: hace algo parecido por escrito. Quien lee puede tomarse su tiempo; en una llamada, cada silencio y cada interrupción se notan.
Agente de voz: entiende frases libres, decide qué hacer y puede usar herramientas, todo en tiempo real. Más en qué es un voicebot.

¿Para qué sirve un agente de voz en un negocio?

Anthropic ve en la atención al cliente un terreno natural para agentes: la conversación sigue un flujo, requiere información y acciones externas, admite herramientas que traen datos del cliente, historial de pedidos y artículos de ayuda, y su éxito se mide con resoluciones definidas por quien despliega el agente. Twilio da un ejemplo parecido: asistentes que sostienen un diálogo natural de dos vías para tareas como agendar citas.

En mi lectura, con una persona revisando al inicio, es razonable delegar:

responder horarios, ubicación y preguntas frecuentes, también fuera de horario;
agendar, confirmar y reprogramar citas, si hay una agenda conectada;
tomar el motivo de la llamada y dejarlo registrado para el equipo;
pasar la llamada a una persona cuando el tema es delicado o el agente no entiende.

Para operaciones con muchas llamadas, sigue con inteligencia artificial para call center.

¿Qué límites tiene un agente de voz?

Latencia y costo. Anthropic advierte que los sistemas con agentes suelen cambiar latencia y costo por mejor desempeño, y en una llamada la latencia se oye como silencio. OpenAI propone medir cuánto espera quien llama una respuesta útil y comparar la mediana y el percentil 95 en llamadas similares.
Errores y salida a una persona. Según Anthropic, los agentes pueden pausar para pedir feedback humano en puntos de control o ante un bloqueo, y conviene probarlos de forma extensa en entornos aislados y con guardas. Su frase de que la revisión humana sigue siendo clave está dicha para agentes de programación; aquí es una extrapolación mía. En mi lectura, toda línea necesita transferencia a una persona y un tope de intentos.
Audio real. En mi lectura, acentos, ruido y nombres propios son el riesgo a probar. No incluyo cifras de precisión porque no abrí una fuente que las mida: prueba con llamadas reales de tus clientes antes de lanzar.
El canal. En la Encuesta Nacional Conectando Bolivia 2024 de Agetic y ONU Mujeres (2.000 encuestas cara a cara), el 87% dijo usar WhatsApp. En mi lectura, revisa primero dónde te contactan hoy tus clientes: si escriben, quizá la voz no sea el primer canal.

¿Qué dice la norma sobre llamadas con voces de IA?

Depende del país y esto no es asesoría legal: consulta a un abogado de tu país. Como ejemplo documentado, la FCC de Estados Unidos adoptó el 2 de febrero de 2024 la resolución FCC 24-17: las restricciones de la ley TCPA sobre la "artificial or prerecorded voice" abarcan las tecnologías de IA que generan voces humanas. Iniciar una llamada con esas voces requiere dos niveles de consentimiento: el previo expreso de la persona llamada, salvo emergencia o excepción, y el consentimiento por escrito si hay publicidad o telemarketing. También hay que identificar al inicio a la entidad responsable, y no hay excepción para tecnologías que dicen ofrecer el equivalente de un agente en vivo. Es una norma de EE. UU. sobre llamadas salientes a consumidores, no una regla para Latinoamérica.

En Bolivia, el índice ILIA 2025 (CEPAL y CENIA, 19 países) califica con 0 la protección de datos personales: es uno de cuatro países sin regulación ni autoridad. Y en el Monitor de IA 2026 de Ipsos CIESMORI (400 encuestas en línea, abril de 2026), el 82% cree que los productos y servicios con IA deberían informarlo claramente.

En mi lectura, aunque falte una ley específica, lo prudente es avisar al inicio que quien atiende es una IA, pedir consentimiento antes de llamar y tratar grabaciones y transcripciones como datos delicados. Llamar en frío a listas que no te autorizaron es el atajo que conviene evitar. Más en cómo hacer llamadas con inteligencia artificial.

¿Cómo se empieza sin comprar de más?

Anthropic recomienda empezar con instrucciones simples, optimizarlas con una evaluación completa y añadir sistemas de varios pasos solo cuando lo simple no alcance. En mi lectura, en voz eso significa un solo motivo de llamada al inicio, una salida clara a una persona y la revisión semanal de conversaciones reales. La guía general está en cómo crear un agente de voz con IA. Lo que depende de tu caso (canal, proveedor, qué se automatiza y qué no) conviene decidirlo antes de comprar, en el Diagnóstico de 20 minutos.

Preguntas frecuentes

¿Una IA puede llamar a mis clientes sin avisar?

Depende del país. En EE. UU., la FCC exige consentimiento previo para iniciar llamadas con voces de IA. Consulta a un abogado de tu país antes de lanzar llamadas salientes.

¿Cuánto tarda un agente de voz en responder?

Vapi declara menos de 600 ms; es una cifra del proveedor. En mi lectura, el tiempo real depende de cada capa, así que conviene medirlo con tus propias llamadas.

¿Reemplaza a mi equipo de atención?

En mi lectura, no: le quita lo repetitivo y deja a las personas lo que exige criterio. Anthropic recomienda puntos de control con feedback humano para sus agentes.

¿Qué proveedores documentan este tipo de agentes?

ElevenLabs y Vapi ofrecen plataformas para construir agentes de voz; Twilio, la telefonía y el audio de las llamadas; OpenAI, modelos y una guía de arquitecturas. Sus precios están en sus páginas oficiales; aquí no los comparo.

Quién escribe esto

Johnny Ferrante, fundador de Quimera Group (Bolivia) y Tech Agents (Miami), y uno de los cinco expositores del Foro SKÅL 2026 en Cochabamba. Dirige equipos de agentes de IA. Más en johnnyferrante.com/prensa.

Pide el Diagnóstico de 20 minutos: me cuentas dónde estás y sales sabiendo qué sistema necesitas y qué no te conviene comprar. También puedes escribir por WhatsApp al +591 77314890.