Los modelos de IA de voz a voz han hecho que las llamadas de voz sean lo suficientemente rápidas y naturales como para que el teléfono, considerado durante mucho tiempo un canal en declive, se esté reconstruyendo como una línea de servicio de primera elección en lugar de retirarse.
Los agentes de voz de calidad humana son sistemas de IA construidos sobre modelos de voz a voz en tiempo real —arquitecturas que procesan y generan audio directamente, sin el retraso de transcribir voz a texto y viceversa—. El resultado es una conversación con un ritmo natural: interrupciones, turnos superpuestos y tiempos de respuesta cercanos a la latencia humana.
Esto es importante porque la antigua generación de bots de voz se construyó sobre una cadena de procesos unida —reconocimiento de voz, luego un modelo de texto, luego síntesis de voz— y cada unión en esa cadena añadía retraso y eliminaba el tono. Los clientes notaban las interrupciones. Sobre-enunciaban, se repetían y se rendían.
Con la latencia y la naturalidad resueltas, la voz deja de ser el canal del que las empresas alejan a las personas y se convierte en un canal que pueden dotar de recursos con IA a escala, reservando a los agentes humanos para lo que realmente necesita un humano.
Why we think it'll come up
The pipeline collapsed into one model
Speech-to-text-to-speech stacks introduced compounding delay and lost prosody at each conversion step. Native speech-to-speech models process audio directly, cutting turnaround to a pace that feels conversational rather than transactional.
Contact centres are re-platforming around voice, not away from it
Where roadmaps assumed voice volume would keep migrating to chat and self-service, providers are now building AI voice agents as a primary resolution layer for phone queues, not a deflection script that stalls before a human takeover.
Tone recognition is becoming table stakes
Because the model hears actual audio rather than a flattened transcript, it can register hesitation, frustration, or urgency in a caller's voice — information a text-based bot structurally cannot access.
What it changes for customer experience
For customers
Calling a business no longer means a menu-driven bot or a long hold — it means being understood on the first attempt, at any hour, without repeating the account number three times.
For business
Voice, previously the most expensive channel per contact, becomes viable to scale with AI, changing the unit economics of support and outbound service alike.
For CX & operations
Escalation design becomes the differentiator: the value now sits in knowing precisely when to hand a call to a human, not in avoiding the phone altogether.
Industries on the front line
El canal del que todos se estaban alejando al diseñar
Durante la mayor parte de una década, el teléfono fue el canal que la estrategia de experiencia del cliente intentó retirar discretamente. Cada hoja de ruta apuntaba en la misma dirección: migrar el volumen al chat, impulsar el autoservicio, tratar una llamada telefónica como evidencia de que la desviación digital había fallado. Existían los bots de voz, pero todos los reconocían por lo que eran: un patrón de espera basado en menús antes de que un humano tomara el control. Los clientes sobre-enunciaban en ellos, repetían sus números de cuenta y esperaban la inevitable transferencia.
Esa trayectoria se ha revertido, no porque el apetito por el teléfono regresara, sino porque la tecnología subyacente cambió. Los modelos de IA de voz a voz procesan y generan audio directamente, sin traducir el habla a texto y viceversa. El resultado es una conversación con un ritmo natural: interrupciones, turnos superpuestos, tiempos de respuesta cercanos a la latencia humana. La voz ya no es el canal del que las empresas alejan a las personas. Se está convirtiendo en un canal que pueden dotar de recursos con IA a escala.
Por qué el viejo sistema no pudo ocultarse
La generación anterior de bots de voz se construyó sobre un sistema ensamblado: reconocimiento de voz, luego un modelo de texto y luego síntesis de voz. Cada unión en esa cadena añadía retraso y eliminaba el tono. Los clientes escuchaban las costuras: el silencio antes de una respuesta, la entrega plana y sin inflexiones que dejaba claro que estaban hablando con un guion en lugar de ser escuchados.
Los modelos nativos de voz a voz colapsan ese sistema en uno solo. Debido a que el modelo procesa audio real en lugar de una transcripción plana, registra la vacilación, la frustración o la urgencia en la voz de una persona que llama, información a la que un bot basado en texto no puede acceder estructuralmente. El lanzamiento de la API en tiempo real de OpenAI en octubre de 2024 marcó el punto en el que la IA conversacional de voz a voz de baja latencia estuvo disponible directamente desde la entrada de audio, en lugar de ser enrutada a través de un intermediario de texto. Ese único cambio arquitectónico es lo que separa un bot que los clientes toleran de uno que no notan.
Las costuras son lo que los clientes realmente escuchan. Elimina las costuras y el canal deja de señalar sus propias limitaciones.
Re-plataformar en torno a la voz, no alejándose de ella
El cambio estratégico es visible en cómo se están construyendo ahora los centros de contacto. Donde las hojas de ruta antes asumían que el volumen de voz seguiría migrando al chat y al autoservicio, los proveedores están re-plataformando a los agentes de voz con IA como una capa de resolución primaria para las colas telefónicas, no como un script de desviación diseñado para ganar tiempo hasta que un humano tome el control. Este es un diseño significativamente diferente. Significa construir para la resolución, no para la contención.
También invierte la antigua economía. Históricamente, la voz ha sido el canal más caro por contacto, razón por la cual se diseñó a la baja en lugar de al alza. Con la latencia y la naturalidad resueltas, esa estructura de costos cambia. La voz se vuelve viable para escalar con IA, alterando la economía unitaria tanto del soporte entrante como del servicio saliente.
Dónde se mueve realmente el valor
Nada de esto elimina la necesidad de agentes humanos; reubica dónde reside su valor. El diferenciador ya no es si una empresa puede evitar el teléfono. Es si la empresa sabe precisamente cuándo pasar una llamada a un humano. El diseño de la escalada se convierte en la disciplina que separa un agente de voz genuinamente útil de uno que simplemente suena convincente hasta que deja de serlo.
- Para los clientes: llamar significa ser comprendido al primer intento, a cualquier hora, sin repetir un número de cuenta tres veces.
- Para las empresas: un canal tratado durante mucho tiempo como un centro de costos se convierte en algo más parecido a una línea de servicio escalable.
- Para CX y operaciones: la ventaja competitiva reside en la lógica de la transferencia, no en la evitación del canal.
Por dónde empezar
El punto de entrada sensato es estrecho, no amplio. Pilotee en un flujo de llamadas de alto volumen y bien guionizado —las consultas de facturación o los cambios de citas son los candidatos obvios— con una transferencia clara y probada a agentes humanos para cualquier cosa emocionalmente cargada o ambigua. Esto se aplica con especial fuerza en telecomunicaciones, banca y servicios financieros, seguros, atención médica y viajes y hotelería, donde el volumen de llamadas es alto y el costo de una escalada incorrecta es tanto reputacional como operativo.
La lección incrustada en el colapso del sistema es más amplia para el diseño de CX: la naturalidad nunca fue un "agradable de tener" superpuesto a la función. Era la función que faltaba. Un agente de voz que resuelve rápidamente pero suena mecánico sigue siendo percibido como una táctica de desviación por la persona al otro lado de la línea. Uno que suena humano y sabe exactamente cuándo dejar de fingir que lo es, se convierte en algo que los clientes realmente elegirán llamar.
Implementa ahora un piloto en un flujo de llamadas de alto volumen y bien estructurado —como consultas de facturación o cambios de citas— con un traspaso claro y probado a agentes humanos para cualquier situación emocionalmente delicada o ambigua.
Trends Radar
Other trends
Build for what's next
Turn this trend into a measurable experience advantage.