Detrás de cada agente de voz confiable hay mucho más que una voz natural y un buen modelo de inteligencia artificial
Durante los últimos años, las demostraciones de agentes de inteligencia artificial por voz se volvieron cada vez más sorprendentes.
Las voces suenan naturales. Las respuestas llegan rápidamente. Los agentes comprenden preguntas complejas, consultan sistemas, interpretan contextos y pueden mantener conversaciones que, en muchos casos, resultan difíciles de distinguir de una interacción humana.
Pero una demostración atractiva no es todavía un servicio de telecomunicaciones.
El verdadero desafío comienza cuando ese agente debe atender miles de llamadas reales, conservar el número telefónico de una empresa, conectarse con operadores, transferir comunicaciones, registrar cada interacción, mantener la calidad del audio y funcionar todos los días sin importar desde qué red, ciudad o país se origine la llamada.
Una buena demo no garantiza una buena llamada
Cuando una empresa evalúa una plataforma de agentes de voz, normalmente observa cuatro aspectos:
- qué tan humana suena la voz;
- cuánto tarda en responder;
- qué modelo de inteligencia artificial utiliza;
- cuánto cuesta cada minuto.
Todos son relevantes. Pero ninguno, por sí solo, determina si la solución podrá operar correctamente en producción.
En una prueba controlada, el agente recibe audio limpio, utiliza un número previamente configurado y mantiene una conversación durante algunos minutos. En el mundo real, en cambio, debe interactuar con múltiples operadores telefónicos, dispositivos, codecs, redes IP, centrales privadas y condiciones variables de conectividad.
Ahí aparecen las preguntas verdaderamente importantes:
- ¿Puede conectarse con una infraestructura SIP existente?
- ¿Puede trabajar con el número telefónico que los clientes ya conocen?
- ¿Puede gestionar cientos o miles de números?
- ¿Puede atender varias llamadas simultáneas?
- ¿Puede transferir una llamada hacia un operador humano, una central telefónica o una sucursal?
- ¿Qué sucede si el audio RTP se interrumpe en medio de una conversación?
- ¿Cómo se monitorean la latencia, la pérdida de paquetes, el jitter y la calidad efectiva de la llamada?
- ¿Dónde se almacenan las grabaciones, transcripciones y registros de auditoría?
- ¿Quién es propietario de los datos?
- ¿Es posible cambiar el modelo de lenguaje, el motor de reconocimiento o la voz sin reconstruir toda la plataforma?
Estas preguntas no pertenecen únicamente al mundo de la inteligencia artificial. Son, fundamentalmente, preguntas de telecomunicaciones.
El agente de IA es una capa dentro de una arquitectura mucho mayor
Una implementación profesional de IA de voz normalmente combina varios componentes especializados.
En términos simplificados, el flujo puede representarse así:
Persona que llama → red telefónica → operador → troncal SIP → SBC → plataforma de audio en tiempo real → reconocimiento de voz → modelo de IA → síntesis de voz → red telefónica
Cada uno de estos bloques cumple una función diferente.
El reconocimiento automático de voz convierte el audio en texto. El modelo de lenguaje interpreta la intención, consulta información y decide qué responder. El motor de síntesis transforma esa respuesta nuevamente en voz.
Sin embargo, para que la conversación llegue hasta el usuario es necesario un componente adicional: la infraestructura telefónica.
Plataformas como LiveKit, por ejemplo, representan a cada llamante o agente como un participante SIP y permiten conectar salas de audio en tiempo real con troncales telefónicas. Retell AI también contempla la conexión mediante SIP trunking con operadores externos y permite integrar números pertenecientes a otros proveedores de telefonía. (Retell AI)
Esto demuestra una realidad que muchas veces pasa inadvertida: incluso las plataformas más avanzadas de inteligencia artificial necesitan apoyarse en operadores, numeración, rutas telefónicas e infraestructura SIP para entrar y salir de la red pública.
SIP y RTP: la parte que el usuario no ve, pero siempre escucha
SIP es el protocolo utilizado para establecer, modificar y finalizar llamadas sobre redes IP. RTP, en cambio, es el encargado de transportar el audio.
Cuando todo funciona correctamente, estas tecnologías son invisibles. Pero cuando algo falla, el problema se manifiesta inmediatamente:
- llamadas que no conectan;
- audio solamente en una dirección;
- silencios inesperados;
- cortes durante la conversación;
- tonos DTMF que no son reconocidos;
- transferencias fallidas;
- identificación de llamada incorrecta;
- demoras que hacen que las personas se interrumpan entre sí.
Una voz extraordinaria no puede compensar una ruta telefónica deficiente.
De hecho, entre los problemas más frecuentes de las implementaciones de voz se encuentran las configuraciones incorrectas de NAT, el audio unidireccional, la terminación inconsistente de RTP y los problemas de interoperabilidad entre redes. La recomendación técnica habitual es probar primero el recorrido telefónico y el audio real antes de atribuir todos los inconvenientes al reconocimiento de voz o al modelo de IA. (Deepgram)
Por eso, una plataforma empresarial necesita Session Border Controllers, o SBC, correctamente configurados.
El SBC protege y controla el tráfico SIP, administra sesiones, normaliza señalización, resuelve incompatibilidades entre redes y ayuda a garantizar que la comunicación pueda atravesar distintos operadores y entornos tecnológicos.
No es el componente más visible de una solución. Pero suele ser uno de los más importantes.
Un agente no debe vivir aislado del sistema telefónico de la empresa
Las empresas no necesitan solamente un robot que responda preguntas. Necesitan que ese agente forme parte de su operación.
Eso implica, entre otras cosas:
- recibir llamadas en el número habitual;
- realizar llamadas mostrando una identificación válida;
- atender números geográficos, 0800 o 0810;
- transferir comunicaciones hacia personas o sectores;
- respetar horarios y reglas de enrutamiento;
- conectarse con una central virtual o un contact center;
- registrar llamadas y resultados;
- integrarse con CRM, sistemas de tickets o aplicaciones empresariales;
- disponer de rutas alternativas ante fallas;
- administrar concurrencia y capacidad.
Una llamada puede comenzar con un agente de IA, continuar con una persona y luego ser transferida hacia otra oficina o proveedor. Cada transición debe producirse sin perder el audio, el contexto ni la trazabilidad de la comunicación.
Incluso una función aparentemente sencilla, como transferir una llamada, depende de que la troncal y los operadores involucrados admitan correctamente los métodos SIP correspondientes. (LiveKit Docs)
La inteligencia artificial puede decidir que debe realizarse una transferencia. La infraestructura de telecomunicaciones es la que debe ejecutarla.
La importancia de conservar el número de siempre
Para muchas empresas, su número telefónico es parte de su identidad.
Está publicado en páginas web, facturas, campañas, vehículos, contratos, directorios, tarjetas y bases de datos de clientes. Cambiarlo para adoptar una plataforma de inteligencia artificial puede generar costos comerciales y operativos muy superiores al costo de la propia tecnología.
Por eso, una implementación profesional debe permitir conectar el agente al número existente o realizar una portabilidad hacia un operador que pueda integrarlo correctamente.
En Argentina, la portabilidad numérica fija permite cambiar de prestador conservando el número telefónico. Está disponible desde octubre de 2022 y constituye una herramienta fundamental para que las empresas modernicen su infraestructura sin perder el contacto que ya construyeron con sus clientes. (ENACOM)
Esto cambia la lógica del proyecto.
La empresa ya no tiene que reemplazar su identidad telefónica para incorporar inteligencia artificial. Puede conservar su número, su operatoria y sus canales de atención, y transformar gradualmente lo que ocurre detrás de cada llamada.
Numeración, rutas y presencia internacional
Una solución de IA de voz orientada a Latinoamérica no puede diseñarse pensando únicamente en un número de Estados Unidos conectado a una API.
Cada país tiene su propia numeración, operadores, regulaciones, costos, formatos, restricciones de identificación y condiciones de interconexión.
Una empresa regional puede necesitar:
- un número de Buenos Aires;
- numeración local en distintas provincias;
- un número gratuito 0800;
- presencia en Chile, Brasil, México, Colombia o Uruguay;
- llamadas salientes hacia distintos países;
- identificación local;
- rutas redundantes;
- políticas particulares de grabación y almacenamiento.
La verdadera escala no consiste únicamente en aumentar la cantidad de servidores. También implica comprender cómo se cursan las llamadas en cada mercado y cómo se administra la numeración en cada jurisdicción.
Una plataforma puede ser global desde el punto de vista del software y, al mismo tiempo, tener enormes limitaciones para operar telefónicamente en un país determinado.
Por eso, la presencia local y las interconexiones regionales siguen siendo decisivas.
El problema de los precios que funcionan en una demo, pero no en producción
Otro error habitual es evaluar una solución solamente sobre el precio del agente de IA.
El costo final de una llamada puede incluir:
- reconocimiento de voz;
- modelo de lenguaje;
- síntesis de voz;
- plataforma del agente;
- minutos telefónicos entrantes;
- minutos telefónicos salientes;
- numeración;
- grabación;
- almacenamiento;
- integraciones;
- monitoreo;
- transferencia hacia terceros;
- soporte y operación.
Una diferencia de pocos centavos por minuto puede parecer menor durante una prueba. Pero multiplicada por cientos de miles o millones de minutos, puede determinar la viabilidad económica de todo el proyecto.
Una campaña de cobranzas, un sistema de turnos, una operación de atención al cliente o una línea de soporte no pueden depender de una estructura de costos pensada solamente para experimentar.
La solución debe poder crecer sin que el costo de cada interacción vuelva imposible su adopción.
Por eso es tan importante separar dos conceptos: el costo de la inteligencia y el costo de la comunicación.
Elegir libremente el modelo de IA y contar con una infraestructura telefónica eficiente permite optimizar ambos componentes. También evita quedar encerrado dentro de un proveedor que controla simultáneamente la plataforma, la numeración y el tráfico, sin ofrecer portabilidad técnica o comercial.
Multiempresa, seguridad y trazabilidad
En una implementación empresarial, no alcanza con que el agente responda correctamente.
La plataforma debe identificar quién puede acceder a cada cliente, número, grabación, transcripción, campaña o reporte.
Esto requiere una arquitectura multi-tenant, con separación lógica entre organizaciones y controles de acceso basados en roles.
También son necesarios:
- registros de auditoría;
- historial de cambios;
- autenticación segura;
- permisos diferenciados;
- cifrado;
- políticas de conservación de datos;
- exportación de información;
- monitoreo de accesos;
- mecanismos de respaldo.
La grabación de una llamada y su transcripción pueden contener datos personales, comerciales, financieros o confidenciales. La empresa debe conocer dónde se almacenan, durante cuánto tiempo, quién puede acceder a ellos y qué sucede si decide cambiar de proveedor.
El verdadero control de los datos no consiste solamente en poder visualizarlos dentro de un panel. Consiste en poder administrarlos, exportarlos, protegerlos y definir su ciclo de vida.
Monitorear conversaciones no es lo mismo que monitorear llamadas
Las plataformas de IA suelen mostrar métricas relacionadas con el contenido de la conversación:
- intención detectada;
- sentimiento;
- cumplimiento del objetivo;
- palabras utilizadas;
- resultado de la interacción;
- duración;
- resumen generado.
Pero una operación telefónica necesita además métricas de red y de calidad:
- tasa de establecimiento de llamadas;
- tasa de respuesta;
- duración media;
- códigos de error SIP;
- pérdida de paquetes;
- jitter;
- round-trip time;
- interrupciones de RTP;
- calidad de audio;
- concurrencia;
- utilización de canales;
- desempeño por operador y ruta.
Un agente puede responder correctamente desde el punto de vista semántico y, sin embargo, ofrecer una mala experiencia porque el audio llegó entrecortado.
Para administrar un servicio real es necesario observar las dos dimensiones: la inteligencia de la conversación y la salud de la llamada.
La arquitectura debe permitir cambiar
La tecnología de inteligencia artificial evoluciona con enorme velocidad.
El modelo de lenguaje que hoy ofrece los mejores resultados puede no ser el más conveniente dentro de seis meses. Lo mismo sucede con los motores de reconocimiento, las voces sintéticas y las herramientas de orquestación.
Por eso, una arquitectura profesional debe ser modular.
La capa telefónica no debería quedar rígidamente unida a un único modelo, una única voz o una única plataforma. La empresa debería poder evaluar nuevas alternativas sin tener que reemplazar su numeración, reconstruir sus rutas o migrar toda su operación.
Esta separación también permite seleccionar el mejor componente para cada caso:
- un modelo para atención general;
- otro para tareas complejas;
- un motor de voz para español rioplatense;
- otro para portugués;
- un sistema de reconocimiento especializado en determinados vocabularios;
- distintos proveedores según latencia, disponibilidad o costo.
La independencia tecnológica no significa multiplicar innecesariamente proveedores. Significa diseñar la solución para que la evolución de la IA no obligue a reconstruir la telefonía.
De la prueba de concepto a la operación crítica
Una prueba de concepto puede construirse en días.
Una plataforma de producción requiere mucho más.
Debe contemplar:
- Diseño del caso de uso: Qué debe resolver el agente, qué información puede consultar y cuándo debe derivar la conversación.
- Integración telefónica: Numeración, portabilidad, troncales SIP, rutas entrantes y salientes, identificación y capacidad.
- Arquitectura de IA: Reconocimiento de voz, modelo de lenguaje, herramientas, bases de conocimiento y síntesis.
- Integraciones empresariales: CRM, ERP, agenda, tickets, pagos, APIs y sistemas internos.
- Seguridad y cumplimiento: Acceso, grabaciones, tratamiento de datos, auditoría y políticas de conservación.
- Operación y observabilidad: Supervisión, alertas, análisis de calidad, resolución de incidentes y soporte.
- Economía de escala: Costos por llamada, tráfico, concurrencia y capacidad de crecimiento.
- Continuidad operativa: Redundancia, rutas alternativas, recuperación ante fallas y planes de contingencia.
El éxito no depende solamente de que el agente “hable bien”. Depende de que todo este conjunto funcione como una unidad.
Llamada IP: más de veinte años construyendo la capa que ahora necesita la inteligencia artificial
Desde hace más de veinte años, en Llamada IP trabajamos con telefonía IP, numeración, enrutamiento, interconexión, centrales virtuales y servicios de comunicaciones para empresas.
Mucho antes de que existieran los actuales agentes de voz, ya debíamos resolver los problemas que hoy determinan si una solución de IA puede operar en producción:
- cómo conectar redes distintas;
- cómo transportar audio con calidad;
- cómo administrar números;
- cómo enrutar llamadas;
- cómo soportar múltiples comunicaciones simultáneas;
- cómo integrar centrales y plataformas;
- cómo monitorear servicios;
- cómo mantener costos competitivos;
- cómo cumplir con las condiciones regulatorias de cada mercado.
Hoy esa infraestructura se conecta con plataformas como Retell AI, Vapi, LiveKit, Twilio y otras tecnologías de inteligencia artificial generativa. Llamada IP permite integrar agentes con telefonía real, numeración existente, llamadas entrantes y salientes, portabilidad fija y presencia internacional. (Llamada IP)
Llamada IP es además un operador con licencia de telecomunicaciones otorgada por ENACOM, ASN y direcciones IPv4 e IPv6 propias, e interconexión con la infraestructura de CABASE. (Llamada IP)
Esto permite abordar cada proyecto desde una perspectiva completa: no solamente como una integración de software, sino como una solución de comunicaciones.
No se trata de elegir entre telecomunicaciones o inteligencia artificial
El futuro no pertenece exclusivamente a las empresas de IA ni exclusivamente a los operadores tradicionales.
Pertenece a quienes logren combinar ambos mundos.
La inteligencia artificial aporta comprensión, automatización, personalización y capacidad de acción.
Las telecomunicaciones aportan alcance, identidad, interoperabilidad, calidad, continuidad y conexión con miles de millones de teléfonos.
Una solución verdaderamente empresarial necesita las dos cosas.
Un agente sin buena infraestructura telefónica es una demostración.
Una infraestructura telefónica sin inteligencia es una oportunidad desaprovechada.
Cuando ambas capas se integran correctamente, aparece una nueva generación de servicios: agentes disponibles las 24 horas, capaces de atender, vender, informar, gestionar, derivar y resolver, utilizando los mismos números y canales que las empresas y sus clientes utilizan desde hace décadas.
La pregunta correcta no es solamente cómo suena
Al evaluar una solución de IA de voz, escuchar la demo es apenas el primer paso.
Después hay que pedir que muestren la arquitectura.
Hay que preguntar quién proporciona la numeración, cómo se conecta con los operadores, dónde termina el RTP, qué mecanismos de contingencia existen, cómo se supervisa la calidad, quién conserva los datos y cuánto costará la operación cuando alcance escala real.
También hay que saber quién responderá cuando una llamada no conecte, cuando un operador cambie una ruta, cuando una transferencia falle o cuando sea necesario portar cientos de números sin interrumpir el servicio.
La voz puede ser generada por inteligencia artificial.
La confianza, en cambio, sigue construyéndose con experiencia, infraestructura y responsabilidad.
Conclusión
La IA de voz está avanzando a una velocidad extraordinaria. Crear un agente que mantenga una conversación convincente es hoy más accesible que nunca.
Pero convertirlo en un servicio de telefonía empresarial confiable continúa siendo una tarea compleja.
Requiere números, operadores, portabilidad, troncales SIP, SBC, rutas, RTP, grabaciones, monitoreo, seguridad, cumplimiento, soporte y una estructura de costos que permita crecer.
Por eso, el proveedor más importante de una solución de voz no siempre es el que ofrece la demo más impactante.
Es el que puede garantizar que, cuando un cliente llame, la comunicación llegue, se escuche bien, sea atendida correctamente y pueda continuar operando todos los días.
En Llamada IP creemos que la inteligencia artificial no reemplaza la infraestructura de telecomunicaciones.
La vuelve más valiosa.