Cómo crear un agente de voz con IA: las piezas que lleva y qué decidir antes de empezar

Cómo crear un agente de voz con IA, en corto: juntas cuatro piezas (reconocimiento de voz, modelo de lenguaje, síntesis de voz y manejo de turnos), le sumas una línea telefónica si va a recibir o hacer llamadas, y eliges una de tres rutas: una plataforma que coordine esas piezas, un desarrollo propio o contratar a quien lo arme. Antes de elegir, decide qué tarea va a cumplir, a quién le pasa la llamada cuando falla, si avisa que es una IA y cuánto cuesta cada minuto de conversación.

Actualizada el 29 de octubre de 2026.

¿Qué piezas lleva un agente de voz con IA?

La documentación de ElevenLabs (su producto de agentes se llama ElevenAgents) dice que la plataforma coordina cuatro componentes: reconocimiento de voz, el modelo de lenguaje que elijas, síntesis de voz de baja latencia y un modelo propio de manejo de turnos que regula los tiempos de la conversación. Vapi lo cuenta con tres tecnologías: un transcriptor, un modelo y una voz.

Alrededor de ese núcleo hay otras piezas, según tu caso:

• Telefonía. Twilio ofrece llamadas entrantes y salientes; su guía de agentes de IA menciona ConversationRelay (transcripción y análisis en tiempo real del audio de la llamada), Media Streams (tu propia infraestructura de transcripción y análisis) y conexión SIP. ElevenLabs admite SIP trunk y una integración nativa con Twilio.
• Conocimiento y herramientas. ElevenLabs menciona una base de conocimiento y herramientas que llaman a APIs. En mi lectura, sin información real del negocio ni acceso a la agenda, el agente solo conversa.
• Pruebas. ElevenLabs ofrece pruebas automáticas y análisis de conversaciones; Vapi, simulaciones antes de que los clientes llamen.

En mi lectura, el manejo de turnos es la pieza que más se nota al oído: si el agente tarda o habla encima de la persona, la conversación se siente rota aunque lo que diga sea correcto. Vapi afirma tiempos de respuesta por debajo de 600 milisegundos; es un dato del proveedor, no una medición mía. Si buscas la definición, está en qué es un voicebot.

¿Cómo crear un agente de voz con IA: plataforma, desarrollo propio o contratar?

Hay tres rutas para crear un agente de voz IA, y resuelven cosas distintas.

Plataforma. ElevenLabs y Vapi coordinan las piezas por ti; la documentación de Vapi menciona proveedores como OpenAI, Anthropic, Google, Gladia, Deepgram y ElevenLabs. En mi lectura, es la ruta más corta para probar un caso real; a cambio, pagas por minuto y dependes de sus proveedores. Hay una comparación práctica en agente de voz con ElevenLabs, Vapi, n8n y Dapta.

Desarrollo propio. OpenAI compara varias arquitecturas de voz. En la Realtime API, un solo modelo interpreta el audio, decide y responde en voz, y la sesión maneja turnos, herramientas, interrupciones y traspasos. En el pipeline encadenado controlas cada etapa de voz y de texto, inspeccionas el texto intermedio y reemplazas cada componente por separado. En mi lectura: más control, pero más piezas que mantener, probar y pagar.

Contratar. En mi lectura, tiene sentido si quieres el resultado y no operar la tecnología; a quien lo arme pídele el alcance por escrito, el costo por minuto separado por pieza, de quién son las cuentas y los datos, y cómo pasa a una persona.

Anthropic recomienda buscar la solución más simple posible y aumentar la complejidad solo cuando haga falta; advierte que los sistemas con agentes suelen cambiar latencia y costo por mejor desempeño. En mi lectura: empieza por la ruta más simple que cubra una tarea, mídela y solo entonces decide si necesitas más control.

¿Qué decidir antes de empezar?

En mi lectura, estas seis decisiones pesan más que la herramienta:

1. La tarea y qué cuenta como resuelta. Anthropic señala que la atención al cliente encaja con agentes porque la conversación sigue un flujo, necesita información y acciones externas, y su éxito se mide con resoluciones que define quien lo despliega. Define la tuya primero.
2. Entrante o saliente. Llamar trae reglas de consentimiento y el costo de la línea saliente (más abajo).
3. Número y país. Comprueba que el proveedor ofrezca el número que necesitas; la página de precios de Twilio remite a una lista de números internacionales y sus capacidades.
4. Voz e idioma. Escucha la voz con los nombres, productos y calles reales de tu negocio, no con una frase de demostración.
5. Cuándo pasa a una persona. OpenAI incluye guardas y revisión humana para los flujos hablados que necesitan controles o aprobaciones; Anthropic, condiciones de parada y puntos de control humano. Decide el tope de intentos y quién recibe la llamada.
6. Cómo se prueba y se mide. OpenAI recomienda probar la conversación y la tarea completada, y medir el tiempo de respuesta que se escucha. Revisa una muestra de llamadas cada semana al inicio.

Aplicar esto a tu caso es lo que se resuelve en el Diagnóstico de 20 minutos (al final).

¿Cuánto cuesta un minuto de conversación?

En estos ejemplos, cada pieza aparece como una línea aparte, así que el costo por minuto es una suma, no una tarifa. Dos páginas oficiales abiertas hoy (ambas usan el signo $; en mi lectura, dólares):

• Vapi: 0,05 USD por minuto de plataforma en su tarifa prepago; el transcriptor, el modelo, la voz y la telefonía aparecen como costos separados.
• Twilio, precios de voz para Bolivia (pago por uso): las llamadas salientes a números locales cuestan 0,3025 USD por minuto y a móviles, 0,4140 USD. En la misma página, ConversationRelay figura a 0,07 USD por minuto y Media Streams a 0,0044 USD.

En mi lectura, si el agente va a llamar a Bolivia, el tramo telefónico puede pesar más que la tarifa de la plataforma. No sumé las líneas porque cambian con el modelo y la voz que elijas. El panorama general está en cuánto cuesta un agente de IA para una empresa en Latinoamérica.

¿Qué dice la norma sobre llamar con una voz de IA?

La única norma oficial que consulté para este artículo es de Estados Unidos y no reemplaza la de tu país. La FCC (el regulador de comunicaciones de EE. UU.) adoptó el 2 de febrero de 2024 una resolución declaratoria (FCC 24-17, expediente CG 23-362) que confirma que la ley TCPA (Telephone Consumer Protection Act), que restringe la voz artificial o pregrabada, abarca las tecnologías de IA que generan voces humanas, incluida la clonación de voz. Por eso, quien llama necesita el consentimiento previo y expreso de la persona llamada, salvo emergencia o excepción, y por escrito si la llamada incluye publicidad o telemarketing. La resolución añade que no hay excepción para tecnologías que pretendan equivaler a un agente en vivo.

Las reglas de otros países sobre llamadas, grabaciones y datos pueden ser distintas y no las revisé. No es asesoría legal: consulta a un abogado de tu país antes de lanzar. Twilio permite grabar llamadas y cifrar las grabaciones con tu propia llave pública; decide si grabas, dónde se guardan y quién accede.

Sobre el aviso: en Bolivia, el 82% de los consultados por Ipsos CIESMORI (Monitor de IA 2026, publicado el 30 de septiembre de 2026) considera que los productos y servicios que usan IA deberían informarlo claramente. En mi lectura, avisar al inicio que habla una IA es una decisión de confianza, aunque tu país no la exija. Más sobre llamadas en cómo hacer llamadas con inteligencia artificial.

Preguntas frecuentes

¿Qué necesito para crear un agente de voz con IA?

Las cuatro piezas del núcleo, una línea telefónica si va por llamadas, información real del negocio y una persona que reciba lo que el agente no resuelva. Hay más en agente de voz con IA.

¿Cómo hacer un agente de voz: plataforma o desarrollo propio?

En mi lectura, una plataforma para la primera versión: trae las piezas coordinadas y pruebas. El desarrollo propio se justifica si necesitas controlar cada etapa o integrarlo donde la plataforma no llega.

¿Se puede crear un agente de voz que llame a clientes?

Sí: Twilio y Vapi documentan llamadas salientes. Antes resuelve el consentimiento (en EE. UU. es obligatorio para voces de IA, según la FCC) y consulta a un abogado de tu país.

¿Cuánto cuesta un agente de voz por minuto?

No hay una tarifa única: plataforma, modelo, voz y telefonía aparecen como líneas separadas. Vapi publica 0,05 USD por minuto de plataforma y Twilio, 0,3025 USD por minuto en llamadas salientes a números locales de Bolivia.

¿Un agente de voz reemplaza a una persona?

En mi lectura, no: toma lo repetitivo y pasa a una persona lo que exige criterio. OpenAI y Anthropic incluyen la revisión humana y los puntos de control en el diseño de un agente.

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.

Fuentes (consultadas el 29 de octubre de 2026)

• ElevenLabs, documentación de ElevenAgents: elevenlabs.io
• Vapi, documentación: docs.vapi.ai
• Vapi, precios: vapi.ai
• Twilio, Programmable Voice: twilio.com
• Twilio, guías de agentes de IA: twilio.com
• Twilio, precios de voz en Bolivia: twilio.com
• OpenAI, Realtime API: developers.openai.com
• OpenAI, voice agents: developers.openai.com
• Anthropic, "Building effective agents" (19 de diciembre de 2024): anthropic.com
• FCC, Declaratory Ruling FCC 24-17 (8 de febrero de 2024): docs.fcc.gov
• Ipsos CIESMORI, Monitor de IA 2026: ipsosciesmori.com