Guía de compra de agentes de voz
Agentes de voz con IA frente a IVR conversacional: guía de compra de IVR con IA
Compare IVR de menús, flujos con reconocimiento de voz, agentes LLM en cascada y sistemas de voz nativos en tiempo real según los controles deterministas, las herramientas, la identidad, el consentimiento, las transferencias y las evidencias de las pruebas.
Qué significan los términos
La IVR con IA no es una arquitectura única. Mantenga DTMF y el enrutamiento basado en gramáticas para decisiones explícitas de alta confianza; añada voz para captar intenciones delimitadas; utilice un LLM o un modelo nativo en tiempo real solo cuando una conversación abierta justifique su coste operativo. Combine capas cuando quienes llaman necesiten lenguaje natural y controles seguros.
- IVR tradicional de menús/DTMF
- Un menú fijo o máquina de estados en la que las teclas y las indicaciones predeterminadas eligen la siguiente rama.
- IVR con reconocimiento de voz
- Una IVR que acepta voz reconocida junto con DTMF o en su lugar, normalmente mediante gramáticas o un clasificador de intenciones delimitadas.
- Agente de voz en cascada
- Una arquitectura en tiempo real que separa el reconocimiento de voz, el razonamiento u orquestación del modelo de lenguaje y la síntesis de voz; sus componentes pueden ser sustituibles.
- Agente de voz nativo en tiempo real
- Un modelo o sesión que recibe y devuelve audio directamente; la aplicación sigue siendo responsable de telefonía, políticas, herramientas, registros y escalamiento.
- Control determinista
- Un menú, una gramática, un validador, una verificación de autorización o una rama de políticas cuyas entradas y acciones permitidas son explícitas y comprobables.
- Acción de herramienta
- Una operación de API de alcance limitado con esquema, autorización, regla de confirmación, idempotencia, gestión de errores y evidencias de auditoría.
- Transferencia
- El traspaso o escalamiento a una persona o sistema, conservando el estado, la intención, la prueba de identidad, las acciones intentadas y el motivo.
- Indicio de identidad
- Un indicio aportado por quien llama o deducido del sistema; la identificación de llamadas por sí sola no prueba la identidad ni la autorización.
- Consentimiento
- Un aviso, permiso y registro pertinentes para la grabación, la transcripción, la automatización de llamadas salientes o el uso de datos; las obligaciones dependen del contexto y la jurisdicción.
Elija la vía menos probabilística que complete la tarea
Compara cada opción con los mismos criterios operativos.
Desliza o desplaza la tabla para ver todas las columnas.
| Criterio | Dato o necesidad | Alcance de la evaluación | Evidencia que debes reunir |
|---|---|---|---|
| Decisión rutinaria y delimitada | DTMF o menú de gramática fija | Use conversaciones abiertas solo si reducen realmente el esfuerzo de quien llama | Guion del escenario con rama esperada y alternativa |
| Forma de expresarse de quien llama | Gramática de voz delimitada y sinónimos | Pruebe cómo se interpreta la intención con paráfrasis, ruido e interrupciones | Conjunto común de llamadas con transcripción e intención esperada |
| Datos sensibles | Entrada enmascarada o determinista | El modelo no puede decidir por sí solo sobre la autorización | Cuenta de prueba, intentos rechazados y registros con datos ocultos |
| Acciones de herramientas | Intenciones explícitas, validación y confirmación | El modelo propone; una pasarela y el servicio posterior deciden | Traza de solicitud/respuesta, decisión de autorización y resultado de idempotencia |
| Transferencia | Cola o rama conocida | El agente escala con contexto útil y una alternativa en caso de fallo | Flujo receptor, datos de contexto y prueba de transferencia fallida |
| Cambio en el conocimiento | Edite instrucciones, menús o gramáticas | Versionado de la recuperación y llamadas de regresión | Registro de cambios, versión de la fuente y escenarios repetidos |
| Identidad | Recoja un identificador mediante un paso controlado | No considere la identificación de llamadas ni la voz por sí solas como autenticación | Secuencia de autenticación, responsable del riesgo e intentos de evasión rechazados |
| Despliegue | Empiece con protecciones y un alcance limitado | Amplíe el alcance solo cuando se cumplan los criterios de aceptación en llamadas similares a las de producción | Hoja de evaluación del piloto, umbrales, supervisión y plan de reversión |
Herramienta reutilizable para tomar decisiones
Prepare un informe de decisión sobre IVR con IA
Compruebe qué trabajo debe estar completo antes de elegir una solución de IVR o agentes de voz.
Ejemplo: una persona quiere cambiar la fecha de entrega
Una IVR de teclado puede dirigir la llamada al equipo de entregas. Una IVR conversacional puede reconocer la solicitud expresada oralmente e iniciar un flujo definido. Un agente de voz con IA y acceso a herramientas puede recoger la nueva fecha y llamar a un servicio de planificación. Son capacidades distintas, aunque las tres se presenten como automatización telefónica con IA.
En la comparación, pruebe una fecha ambigua, una franja de entrega no disponible y una solicitud de hablar con una persona. Verifique el registro de la reserva y el contexto transferido. Elija el flujo menos complejo que complete la tarea con fiabilidad y mantenga una alternativa fija para cuando la vía automatizada no pueda terminarla.
Distinga las tres decisiones de IVR
Los menús DTMF tradicionales, la IVR con reconocimiento de voz y los agentes LLM o de voz en tiempo real se sitúan en distintos puntos del espectro entre control determinista y comportamiento probabilístico; sus nombres no son intercambiables. La palabra «facturación» puede reconocerse mediante una gramática fija y dirigirse por un flujo determinista.
Trate «IVR con IA» como un término para la búsqueda inicial hasta que el proveedor dibuje el recorrido desde el audio de la llamada hasta el reconocimiento, la orquestación, las herramientas, la transferencia, la grabación y los registros. Pregunte qué pasos son fijos, cuáles dependen del modelo y adónde se dirige una entrada fallida o ambigua.
Mantenga vías deterministas para entradas delimitadas y de alto riesgo
DTMF y las gramáticas explícitas siguen siendo útiles para respuestas de sí o no, números de cuenta o confirmación, selección de idioma, enrutamiento de colas y una alternativa accesible predecible. Son más fáciles de limitar porque la entrada aceptada y la siguiente rama quedan visibles en el flujo.
Para pagos, cambios protegidos de cuentas u otras acciones de consecuencias importantes, sitúe la validación y autorización en el servicio que controla los datos. El modelo de voz puede recoger o explicar información, pero no debe tener la última palabra sobre los permisos.
Comprenda la arquitectura en cascada frente a la nativa en tiempo real
Un agente en cascada separa la conversión de voz a texto, el razonamiento u orquestación del modelo de lenguaje y la síntesis de voz. Esto permite sustituir componentes y aislar fallos con mayor facilidad, pero añade límites donde pueden perderse la sincronía, la puntuación, la pronunciación o el ritmo de los turnos.
Un agente nativo en tiempo real recibe y devuelve audio en una misma sesión y puede reducir los límites entre componentes. También puede disminuir el número de controles sustituibles por separado. Ninguna arquitectura demuestra por sí sola mejores resultados, precisión, naturalidad o latencia; mida todo el recorrido telefónico, incluidos operador, herramientas y transferencias.
Trate las herramientas y la identidad como límites de las políticas
Permita que el modelo proponga una intención y parámetros estructurados y páselos después por una pasarela de herramientas autorizadas. Valide el esquema, la autorización de quien llama, los requisitos de confirmación, la clave de idempotencia, el límite de solicitudes, el estado de error y el registro de auditoría antes de que una lectura o escritura llegue a otro sistema.
La identificación de llamadas, el número de cuenta, el contexto del dispositivo o las características de la voz pueden ayudar a dirigir la llamada, pero no prueban automáticamente la identidad. Elija una secuencia de autenticación adecuada al riesgo, aplique una verificación reforzada para acciones protegidas y haga explícito el estado del agente cuando no se haya completado la verificación.
Diseñe la transferencia como un resultado principal
Una transferencia solo tiene éxito cuando la cola o persona receptora puede actuar. Transmita la intención expresada, la parte pertinente de la transcripción, el estado de verificación de identidad y consentimiento, las herramientas intentadas, el error y el motivo del escalamiento sin revelar datos que el destinatario no necesita.
Pruebe transferencias asistidas y directas, colas no disponibles, llamadas colgadas, reintentos duplicados y la vuelta desde la atención humana. Mida el contexto recibido y la siguiente acción correcta, no solo si el agente anunció una transferencia.
Use un mismo expediente de evidencias para todas las arquitecturas
Haga pasar por cada finalista los mismos escenarios rutinarios, ambiguos y no admitidos. Incluya DTMF y sinónimos hablados, pausas, interrupciones, correcciones, ruido de fondo, acentos, nombres, números, información desactualizada, intentos de inyección de instrucciones, fallos de herramientas y fallos de transferencia.
Registre tareas completadas, respuestas y acciones erróneas, escalamiento seguro, contexto de transferencia, esfuerzo de quien llama, tiempo de respuesta, contactos repetidos y coste total del volumen de trabajo. Separe las afirmaciones de los proveedores de los resultados observados; ningún umbral universal sustituye su tarea telefónica y tolerancia al riesgo.
Combine capas cuando se necesiten accesibilidad y control
Una vía híbrida puede empezar con una selección de idioma o autenticación determinista, utilizar la conversación para conocer el objetivo de quien llama, invocar solo herramientas de alcance limitado y volver a una confirmación fija o a una transferencia humana antes de una acción importante.
Defina el límite para cada flujo de trabajo en vez de imponer una arquitectura a todas las colas. Mantenga una salida mediante DTMF o gramática fija, una respuesta explícita para solicitudes fuera del alcance y una persona responsable capaz de desactivar la vía del modelo sin dejar fuera de servicio todo el número telefónico.
Pregunta esto a todos los proveedores
Tu lista de verificación para evaluar
- Documente el menú, la gramática, la voz, el modelo, las herramientas, las colas y las alternativas actuales
- Separe los controles deterministas de las decisiones del modelo
- Pruebe DTMF, voz, interrupciones, silencios, ruido, acentos, nombres y números
- Pruebe solicitudes no admitidas, conocimientos desactualizados, inyección de instrucciones y fallos de herramientas
- Valide la identidad y autorización antes de lecturas o escrituras protegidas
- Recoja los requisitos de grabación, transcripción, aviso del uso de IA, consentimiento y exclusión voluntaria
- Verifique el contexto de transferencias asistidas y directas, y la recuperación ante fallos
- Compare sobre una misma base los costes de telefonía, modelos, voz, herramientas, transferencias, evaluación y soporte
- Establezca umbrales de aceptación, responsables de supervisión y un plan de reversión
Usa la herramienta de decisión anterior y la hoja completa del piloto para registrar los resultados de cada proveedor de la lista corta: Espacio de selección.
Fuentes primarias
Resúmenes de fuentes revisados el 2026-09-04.
Los campos de W3C VoiceXML pueden vincular gramáticas explícitas de voz y DTMF y devolver interpretaciones semánticas.
Twilio Gather acepta DTMF, voz o ambas entradas y envía la entrada reconocida a una URL de acción.
Microsoft documenta una vía en cascada de voz a texto y otra vía nativa de voz a voz, con distintas compensaciones en cuanto al control.
El modelo Realtime de OpenAI admite entrada y salida de audio mediante WebRTC, WebSocket o SIP, así como llamadas a funciones.
OWASP recomienda limitar al mínimo las funciones y permisos de las herramientas, aprobar las acciones de gran impacto, registrar las operaciones y aplicar límites de solicitudes.
NIST define la autenticación como la prueba de control de uno o varios autenticadores asociados a una cuenta de suscriptor.
La FCC indica que las llamadas salientes con IA o voz artificial se rigen por las normas de la TCPA sobre voz artificial o pregrabada.
El marco NIST AI RMF ofrece orientación voluntaria para gestionar la fiabilidad durante el diseño, desarrollo, uso y evaluación de la IA.
Amazon Connect modela una interacción transferida como una cadena de contactos y puede trasladar atributos de contexto entre tramos.
Proveedores que conviene investigar
Ver los 27 proveedores →Estos ejemplos abarcan los modelos operativos tratados en esta guía.
Desliza o desplaza la tabla para ver todas las columnas.
| Proveedores | Qué investigar | Aspectos a verificar |
|---|---|---|
| ConversationRelay | Verifica Interfaz de voz en cascada con LLM aportado por el desarrollador en tu ruta telefónica real; después prueba No se documenta públicamente. | No es un agente empaquetado. La región, el operador, la grabación, el cumplimiento, el modelo y la aplicación siguen siendo responsabilidad de quien lo implementa. Fuentes del perfil · comprobadas el 2026-09-04 |
| Realtime API | Verifica Entrada y salida de audio nativas con llamadas a herramientas en tu ruta telefónica real; después prueba No se documenta públicamente. | Requiere implementar operaciones de telefonía, identidad, herramientas, supervisión, evaluación, retención de datos y escalamiento. Fuentes del perfil · comprobadas el 2026-09-04 |
| Amazon Connect Customer AI with Nova Sonic | Verifica Canalización configurable de Connect con opción nativa Nova Sonic en tu ruta telefónica real; después prueba No se documenta públicamente. | Verifica región, idioma, acceso al modelo, operador, grabación, registros, retención y cada cargo adicional de AWS. Fuentes del perfil · comprobadas el 2026-09-04 |
| Copilot Studio Voice | Verifica Modo nativo GPT-Realtime o modo GPT-5-Chat en cascada en tu ruta telefónica real; después prueba No se documenta públicamente. | Los nombres de productos, licencias, versiones preliminares y arquitecturas varían. Solicita un desglose de Copilot, Dynamics, Azure, telefonía y servicios. Fuentes del perfil · comprobadas el 2026-09-04 |
| Cognigy.AI | Verifica Canalización en cascada con proveedores de STT y TTS configurables en tu ruta telefónica real; después prueba No se documenta públicamente. | Confirma la arquitectura actual, la disponibilidad, los controles de llamada, el tratamiento de datos, los idiomas y el coste total mediante una prueba piloto acotada. Fuentes del perfil · comprobadas el 2026-09-04 |
Preguntas frecuentes de compradores
Preguntas frecuentes de compradores
¿Es lo mismo una IVR conversacional que un agente de voz con IA?
No. Una IVR conversacional puede limitarse al reconocimiento de voz y a una gramática de intenciones delimitadas dentro de un flujo determinista. Un agente de voz con IA suele añadir diálogo dirigido por un modelo, recuperación de información o herramientas. Pregunte en qué puntos puede cambiar el modelo el recorrido y cuáles permanecen fijos.
¿Cuándo debería conservar un menú DTMF?
Consérvelo para decisiones explícitas, identificadores numéricos, enrutamiento predecible, límites de alto riesgo o como alternativa de accesibilidad y ante fallos. Puede añadir voz en algunos pasos sin reemplazar todos los controles deterministas.
¿La voz a voz nativa elimina la necesidad de controles de IVR?
No. El procesamiento directo de audio cambia la vía del modelo, pero no sus responsabilidades de autorización, consentimiento, herramientas, telefonía, transferencias, registros o reversión. Use controles deterministas para las acciones importantes.
¿Puede la identificación de llamadas autenticar a una persona?
Trate la identificación de llamadas como una señal para el enrutamiento o la evaluación del riesgo, no como prueba de identidad. Para acciones protegidas, utilice un método de autenticación adecuado a la amenaza y registre si la verificación se completó antes de ejecutar la herramienta.
¿Una IVR con IA debería poder transferir siempre a una persona?
Debe ofrecer una persona accesible u otra alternativa sin modelo en condiciones definidas de fallo, riesgo, accesibilidad o petición de quien llama. Mida si el flujo receptor obtiene suficiente contexto para resolver la llamada.
¿Cómo comparo de forma justa proveedores de IVR con IA?
Asigne a todos los finalistas la misma tarea telefónica, ruta de operador, permisos de herramientas, reglas de identidad y consentimiento, escenarios, supuestos de volumen y criterios de aceptación. Compare resultados observados y costes totales, no etiquetas como «IVR con IA» o «conversacional».
Sigue creando tu lista corta
Explorar proveedores de agentes de voz →Comparar arquitecturas nativas y en cascada →Revisar los controles de consentimiento y cumplimiento →Crear una selección final respaldada por evidencias →Todas las guías de compra →Evalúa los idiomas en llamadas reales
Prueba el reconocimiento, la calidad de la voz, las interrupciones, el cambio de idioma, el uso de herramientas y la transferencia a una persona con llamadas propias en el idioma necesario. La disponibilidad puede variar según el modelo, el plan y la ruta telefónica.
DocsBot documenta flujos de voz multilingües y compatibilidad con japonés. Verifica la voz concreta, la ruta telefónica y el comportamiento de la transferencia en tu prueba piloto. Consultar la información sobre idiomas de DocsBot ↗
Las afirmaciones de otros proveedores sobre idiomas proceden de las fuentes citadas; confirma directamente con cada uno la compatibilidad con japonés y los demás idiomas necesarios.
La inclusión no supone una recomendación ni garantiza el rendimiento. Este directorio lo publica DocsBot. Política editorial