Agentes de voz: qué se rompe en una llamada real
Un agente de voz son tres piezas comunes pegadas a una línea telefónica. El pegamento es donde falla, y un demo pulido está diseñado para esconder justo eso.
Alguien llama a tu negocio un martes a las 7:40 de la noche. Quiere mover una cita, va en un carro con la ventana abajo, y a mitad del saludo interrumpe con un "mira, es que". Que tu agente de voz sobreviva ese momento casi no depende de lo inteligente que sea el modelo.
Casi todo el voice AI que se vende se demuestra en una laptop, en un cuarto callado, por la persona que lo construyó, diciendo frases que el sistema ya escuchó antes. Ese demo prueba que el pipeline está conectado. No prueba nada sobre la llamada de arriba.
Qué es realmente un agente de voz
Tres componentes comunes en fila. El speech to text convierte audio en texto. Un modelo de lenguaje, normalmente con un system prompt fijo y unas pocas funciones que tiene permitido llamar, decide qué decir y qué hacer. El text to speech convierte eso de vuelta en audio.
Alrededor de esos tres está la parte que nadie enseña: la telefonía. Una pata con la carrier, un stream de media, manejo de eco, y la lógica de turnos que decide cuándo el que llama terminó de hablar y si una interrupción debe cortar la frase en curso. La inteligencia se alquila por API. La ingeniería está en la plomería, y la plomería es lo que tu cliente experimenta.
Dónde fallan
En voz el fallo casi nunca es una respuesta equivocada. Es el agente hablando encima del cliente, o dejando un hueco de dos segundos que obliga a la persona a decir "¿aló?", o confirmando muy contento un nombre que nunca escuchó bien. Los errores de reconocimiento se acumulan: el modelo responde con seguridad sobre lo que dijo la transcripción, no sobre lo que dijo la persona.
- Nombres propios por teléfono. Apellidos dominicanos, nombres de colmados, calles en Los Alcarrizos. Son las palabras que un transcriptor genérico maneja peor, y son las que más importan en una reserva.
- Cadenas largas de números. Cédulas, números de orden, teléfonos dictados en grupos, la diferencia entre "dieciséis" y "sesenta".
- El cambio de idioma a mitad de frase, que aquí es normal y que algunos setups de transcripción manejan mal.
- Ruido: motores de motor, una bocina de colmado, una llamada en altavoz dentro de un carro. La precisión cae duro y el agente no sabe que cayó.
- Silencios y dudas. Alguien pensando tres segundos no es alguien que terminó su turno.
- Cualquier cosa que exija criterio sobre dinero, una queja, o una persona que ya viene molesta. Ahí lo correcto es frenar y pasar la llamada.
La latencia es el otro eje. El viaje completo entre la última sílaba del cliente y la primera de la respuesta tiene que quedar bien por debajo del segundo para que se sienta como una conversación. Cada paso extra te come parte de ese presupuesto, y por eso un agente que consulta inventario en vivo antes de contestar muchas veces se siente peor que uno que promete devolver la llamada.
Asume que el agente se va a equivocar en una llamada que importa. Diseña primero el traspaso a una persona y después el guion.
Cómo distinguir una implementación real de un demo
Pide llamar tú mismo al número, desde tu celular, en la calle. No un widget web, no una grabación. Después interrúmpelo dos veces, dale un nombre que no pueda adivinar, y quédate callado cuatro segundos a mitad de una frase. Vas a aprender más en noventa segundos que con cualquier presentación.
- Pregunta qué pasa si la API del modelo se pone lenta o se cae. Un build real tiene timeout y un plan B, normalmente transferir o tomar el mensaje.
- Pregunta dónde quedan la transcripción y la grabación, y quién puede leerlas. Si la respuesta es solo "en el dashboard", no está integrado con nada.
- Pregunta la ruta de escalamiento con detalles: a qué número, en qué horario, qué pasa fuera de ese horario.
- Pregunta qué cosas el agente no tiene permitido hacer. Un build sin lista de negativas no está pensado.
- Pregunta cómo se escribe realmente en el calendario o en el CRM, y qué pasa si esa escritura falla después de que el agente ya dijo "listo".
Un agente de voz se gana su lugar en las llamadas repetitivas, cortas y de bajo riesgo: horarios, cómo llegar, confirmar y mover citas, tomar un mensaje con los datos ya estructurados. Apúntalo a tus llamadas más difíciles y te va a dejar mal en público, cliente por cliente. Apúntalo a las veinte llamadas idénticas del día que nadie quiere contestar y se paga solo, sin ruido.