Agentes de voz: cómo funcionan y cuándo todavía no conviene

Un restaurante en Cuautitlán Izcalli, sábado 2:15 de la tarde. Suena el teléfono. La hostess está sentando a una familia de seis, el capitán está cobrando y el dueño está en la cocina. Cuarto timbrazo, cuelgan. Era una reservación para diez personas. Nadie se enteró.

Ese cliente no quería un menú de opciones ni un formulario. Quería hablar. Según el reporte CX Trends 2025 de Zendesk, el 67% de los consumidores en América Latina prefiere la voz sobre el texto para la mayoría de sus trámites de servicio. Y el 84% cambiaría de marca después de una sola mala experiencia.

Un agente de voz contesta esa llamada. Pero hay negocios donde hoy todavía no conviene. Te explico cómo funciona por dentro para que decidas con información y no con la demo del vendedor.

Qué pasa en el segundo que tarda en contestar

Hasta hace poco, un agente de voz era una cadena de tres piezas: un programa que convierte tu voz en texto, un modelo de lenguaje que decide qué responder, y otro programa que convierte esa respuesta en voz. Cada paso suma milisegundos. OpenAI, al presentar su Realtime API en octubre de 2024, reconoció que esa cadena perdía emoción, énfasis y acentos, y agregaba un retraso notorio.

La alternativa que apareció es el modelo speech-to-speech: un solo modelo que escucha audio y produce audio, sin pasar por texto en medio. Es la diferencia entre un traductor que escribe todo en una libreta y uno que te contesta de corrido. En agosto de 2025 OpenAI liberó gpt-realtime en versión general, con conexión directa a líneas telefónicas por SIP, el protocolo que usan los conmutadores.

ElevenLabs, otro proveedor grande de voz, sigue el esquema de piezas pero con un cuarto componente que es el que importa: un modelo de turnos que decide cuándo le toca hablar al agente. Su meta, según su blog de 2026, es responder en menos de 100 milisegundos; en llamadas telefónicas, menos de 200. El número final depende de tu red y de la línea.

¿Por qué te importa? Porque dos personas que platican dejan huecos de menos de 300 milisegundos entre turnos, según un análisis de Deepgram. Si el agente tarda un segundo, el cliente siente que habla con una grabadora.

La interrupción es el problema difícil

Lo que separa a un agente de voz usable de uno que desespera no es la calidad de la voz. Es qué hace cuando lo interrumpes. En inglés le dicen barge-in: el cliente habla encima del agente, como harías con una persona.

Para detectar que ya terminaste de hablar, el sistema usa algo llamado VAD (voice activity detection, detección de actividad de voz). La versión básica mide silencio: si te callas tantos milisegundos, asume que terminaste. El problema es que la gente hace pausas a media frase para pensar, y el agente se lanza a contestar. OpenAI documenta una segunda opción, VAD semántico, que evalúa si lo que dijiste suena a frase completa o a frase a medias, y espera más si parece inconclusa.

ElevenLabs lo resuelve con una perilla de tres posiciones: ansioso, normal o paciente. Su propia documentación recomienda el modo paciente cuando el agente está recogiendo teléfonos, direcciones o correos, porque ahí la gente dicta despacio y con pausas. También permite apagar las interrupciones cuando el agente debe terminar de decir algo completo, como un aviso de privacidad.

Lo que casi nadie te cuenta: la demo se hace en una oficina silenciosa, con alguien que ya sabe qué decir. La llamada real viene de un cliente en el coche, con el radio prendido, que dice “ajá” mientras el agente habla.

Cuándo todavía no conviene

De lo que he probado y de lo que documentan los proveedores, hay cuatro situaciones donde hoy un agente de voz da más problemas que resultados.

Ruido de fondo. Un taller mecánico, una cocina en hora pico, una tienda con música. El análisis de Deepgram es claro: ventilación, voces cercanas y cruces de conversación disparan el detector de voz antes de tiempo y cortan al agente. OpenAI permite subir el umbral de sensibilidad, pero eso es un parche, no una solución.

Acentos y vocabulario local. El reconocimiento de voz se equivoca más con acentos y con ruido, y esos errores se arrastran al resto de la conversación.

Tareas que requieren criterio. Si la llamada típica de tu negocio es “tengo un problema con mi pedido y quiero que me resuelvan”, eso es para una persona. El agente sirve para lo que se repite: reservar, agendar, confirmar, informar horarios, tomar un recado.

Dictado de datos largos. RFC, CLABE, direcciones con número interior. Se puede, con modo paciente y confirmación. Si tu llamada es puro dictado, piensa en WhatsApp.

Dónde sí funciona hoy, y cómo lo armamos en Axora

Los tres Axora de voz están diseñados para el tipo de llamada que se repite y que hoy pierdes.

Axora Hostess contesta el teléfono del restaurante, toma la reservación, confirma número de personas y hora, y la registra. Axora Recepción Médica agenda, confirma y reagenda citas de un consultorio. Axora Recepcionista contesta, agenda y transfiere la llamada a una persona cuando hace falta.

Los tres comparten reglas: si el agente no entiende dos veces, pasa la llamada o deja recado para una persona. Si el cliente pide algo fuera del guion o quiere hablar con alguien, lo mismo, sin insistir. Una persona siempre detrás no es un eslogan: es una regla programada.

Y antes de prender uno, lo probamos con el ruido real de tu local y con tus llamadas reales, no con la demo.

Qué puedes hacer esta semana

1. Cuenta tus llamadas perdidas. Revisa el registro del teléfono del negocio de los últimos siete días y anota cuántas no se contestaron y a qué hora.
2. Clasifica las últimas 20 llamadas que sí contestaste: ¿cuántas eran reservar, agendar o preguntar horario, y cuántas requerían resolver algo?
3. Graba 30 segundos del ruido ambiente de donde se contesta el teléfono en hora pico. Eso te dice si el entorno es viable.
4. Llama a tu propio negocio un sábado a las 2 de la tarde. Cuenta los timbrazos.
5. Anota los datos que siempre pides por teléfono. Si incluyen RFC o CLABE, ese paso conviene moverlo a WhatsApp.

Cómo ayuda AgileNext

Para voz empezamos con un diagnóstico de proceso sin costo: revisamos qué llamadas recibes, cuántas pierdes y en qué ambiente se contestan. Con eso decidimos si conviene un Axora Hostess, Recepcionista o Recepción Médica, o si tu caso todavía es para WhatsApp. Si va, lo probamos con tus llamadas reales antes de que atienda a un cliente.

Agenda una llamada de 20 minutos y te digo si un agente de voz te conviene hoy o todavía no.

Te puede interesar: Auditar al agente: el 100% de las conversaciones, no una muestra · Tu negocio cierra a las 7, tu recepcionista de IA no