Un agente de voz con IA es un sistema que contesta el teléfono y conversa: entiende lo que el cliente dice con sus palabras, decide qué hacer, consulta o registra en tus sistemas y responde con una voz sintética. Si no puede resolver, pasa la llamada a una persona. Es lo contrario del «marque 1 para…», y también es distinto de los asistentes de voz que solo dirigen la llamada.
En este artículo explicamos cómo funciona por dentro, en qué se diferencia de un IVR y, sobre todo, cuándo conviene y cuándo no.
Cómo funciona por dentro
Casi todos los agentes de voz siguen la misma cadena de tres piezas, que la documentación de LiveKit Agents (sitio externo) resume como reconocimiento de voz, modelo de lenguaje y síntesis de voz, en tiempo real:
- Reconocimiento de voz (ASR). Convierte en texto lo que dice el cliente mientras habla. Deepgram (sitio externo) lo define como la tecnología que pasa el lenguaje hablado a texto que una máquina puede procesar.
- Modelo de lenguaje. Lee ese texto con las instrucciones de la tarea, decide qué responder y, si hace falta, usa una herramienta: consultar una póliza, registrar un aviso, agendar una cita.
- Síntesis de voz (TTS). Convierte la respuesta en voz.
Lo difícil no son las piezas sino los turnos. El sistema tiene que saber cuándo el cliente terminó de hablar (y no solo hizo una pausa) y dejar que lo interrumpa. LiveKit explica que la detección de turno suele apoyarse en la detección de actividad de voz y que, si el cliente interrumpe, el agente deja de hablar y recorta su historial a lo que el cliente alcanzó a oír. OpenAI (sitio externo) describe además una detección «semántica», que usa un clasificador para saber si la frase terminó. Un agente de voz que corta al cliente o que no se deja interrumpir se siente torpe aunque sus respuestas sean buenas.
En qué se diferencia de un IVR
Un IVR (respuesta de voz interactiva) es el menú telefónico de toda la vida. El estándar VoiceXML del W3C (sitio externo) distingue dos formas de diálogo: la dirigida por la máquina, en la que cada paso se ejecuta una vez y en orden, y la de iniciativa mixta, en la que la persona y la máquina dirigen la conversación.
El reglamento de OSIPTEL de 2023 (sitio externo), en Perú, lo dice de forma muy clara para la atención telefónica: el menú de opciones tiene un carácter pasivo, con opciones numéricas o una secuencia de preguntas; el asesor virtual es interactivo, parecido a la atención de una persona, y comprende lo que dice el usuario. En los dos casos exige que haya una opción para pasar a un asesor humano.
| IVR de menús | IVR con reconocimiento de voz | Agente de voz con IA | |
|---|---|---|---|
| Qué entiende | Teclas | Palabras o frases previstas | Lo que el cliente dice, con sus palabras |
| Quién dirige | La máquina, paso a paso | La máquina, con algo de margen | Los dos, como en una conversación |
| Qué hace | Dirige la llamada | Dirige la llamada | Dirige, consulta, registra y resuelve |
| Cuando no puede | Repite el menú | Pide repetir | Pasa a una persona con el resumen |
A la tercera columna se la llama a veces IVR inteligente. El nombre importa poco; lo que importa es si solo dirige la llamada o si la resuelve.
Cuándo conviene un agente de voz con IA
Conviene cuando se dan tres condiciones:
- Recibes muchas llamadas por pocos motivos que se repiten. Estado de un trámite, aviso de siniestro, consulta de saldo, agendar o cambiar una cita.
- Esos motivos se resuelven con tus sistemas. El agente necesita poder identificar al cliente y consultar o registrar a través de una herramienta conectada a tu CRM o a tu sistema de gestión. Sin eso, solo puede informar y pasar.
- Tus clientes prefieren llamar. En muchos sectores y para muchas personas, el teléfono sigue siendo el canal de lo urgente.
Cuándo no conviene (todavía)
- Si cada llamada es distinta y pide criterio: una negociación, una queja compleja, una decisión que afecta al cliente. Ahí la IA puede recoger los datos y pasar, pero no resolver.
- Si tus sistemas no tienen forma de consultarse desde fuera. Primero hay que abrirles una puerta (una API), o el agente se queda en recepcionista.
- Si no hay nadie para recibir lo que la IA pasa. Un agente de voz sin salida hacia una persona frustra más que un menú.
- Si el volumen es bajo: con pocas llamadas al día, la puesta en marcha pesa más que lo que ahorras. En cuánto cuesta un contact center con IA hacemos la cuenta.
¿Hay que avisar de que habla una IA o de que se graba?
A la fecha de consulta, no encontramos en Colombia, México, Perú ni Chile una ley vigente y general que obligue a avisar de que quien atiende es una IA. Hay proyectos: en Colombia, el Proyecto de Ley 025 de 2026 (sitio externo) propone que los sistemas que interactúan con personas informen claramente de que son una IA; en Perú, el reglamento de la Ley 31814 (sitio externo) pide transparencia a los sistemas de riesgo alto, con plazos por sector. Nuestra recomendación es decirlo al comenzar la llamada de todos modos: el cliente lo va a notar, y es mejor que lo sepa por ti.
La grabación es otra cosa, porque una voz es un dato personal. En Colombia, la Ley 1581 de 2012 (sitio externo) exige la autorización previa, expresa e informada del titular, y el Decreto 1377 de 2013 (sitio externo) admite que se dé de forma oral, pero nunca por silencio. En México, la Ley Federal de Protección de Datos Personales en Posesión de los Particulares de 2025 (sitio externo) pide informar el tratamiento a través del aviso de privacidad. En la práctica: un aviso al comenzar la llamada que diga que se graba, para qué y dónde leer el aviso de privacidad. La redacción concreta es de tu equipo jurídico.
Cómo lo hace MoodCX
En MoodCX, el agente de voz es una tarea de IA dentro del flujo de tu campaña, en Flow. Cada tarea tiene sus instrucciones, su conocimiento (tus documentos, no lo que el modelo crea saber) y sus herramientas, por HTTP o por servidores MCP. Cuando hace falta una persona, la llamada pasa a la cola de tu equipo o a un número externo, y quien la recibe en Desk ve el resumen y los datos que la IA ya recogió.
- Telefonía: por tu propia troncal SIP, sin costo de telefonía de nuestra parte, o con números que ponemos nosotros en México, Colombia, Perú, Chile, Argentina y Brasil.
- Mientras la IA consulta un sistema, el cliente escucha un sonido de espera en lugar de silencio.
- La grabación es opcional, se decide por campaña y se escucha solo con permiso, por enlaces que vencen en minutos.
- Después de cada llamada, Replay guarda la transcripción y el registro técnico: qué escuchó la IA, qué herramienta usó, qué respondió tu sistema y cuánto tardó cada paso.
- Hoy atiende llamadas entrantes. Las campañas salientes todavía no están disponibles.
Puedes ver el flujo de una aseguradora de ejemplo en la página de agentes de voz con IA, y cómo se reparte el trabajo con tu equipo en IA y personas en el mismo flujo.
Fuentes
Consultadas el 14 de octubre de 2026.
- LiveKit, documentación de LiveKit Agents (sitio externo) y turnos e interrupciones (sitio externo).
- OpenAI, detección de actividad de voz en la API Realtime (sitio externo).
- Deepgram, qué es el reconocimiento automático de voz (sitio externo).
- W3C, Voice Extensible Markup Language (VoiceXML) 2.0 (sitio externo), recomendación del 16 de marzo de 2004.
- Perú, Resolución 333-2023-CD/OSIPTEL (sitio externo), artículos 7 y 9, y Reglamento de la Ley 31814 (sitio externo) (Decreto Supremo 115-2025-PCM).
- Colombia, Proyecto de Ley 025 de 2026 de la Cámara (sitio externo) (en trámite, no vigente), Ley 1581 de 2012 (sitio externo) y Decreto 1377 de 2013 (sitio externo), Función Pública.
- México, Ley Federal de Protección de Datos Personales en Posesión de los Particulares (sitio externo), Orden Jurídica Nacional.