IA de voz y sistemas conversacionales

Las plataformas de IA de voz están por todas partes en 2026: Retell, Vapi, Bland y una docena más permiten desplegar un agente telefónico en una sola tarde. Funcionan bien para reservas de citas, enrutamiento básico de preguntas frecuentes y llamadas de confirmación salientes. Pero cuando los requisitos se vuelven más exigentes, la plataforma que sirvió para la demostración se quiebra bajo el peso del caso de uso real. Nuestro enfoque consiste en construir canalizaciones de voz a medida a partir de los mejores componentes especializados para resolver exactamente esos escenarios.

El techo de las plataformas es real

Las plataformas resuelven la demostración sencilla y luego tocan techo. La recepción de siniestros de seguros exige rastrear quince campos de datos a lo largo de una conversación con múltiples derivaciones. El bot de triaje médico debe reconocer nombres de fármacos que suenan como palabras comunes en inglés. El flujo de pagos exige aislamiento PCI-DSS sin que ningún dato de tarjeta toque el LLM. Son precisamente estos casos de uso los que desbordan a los sistemas comerciales estándar.

El historial de fallos está ampliamente documentado. McDonald's dedicó dos años y más de 100 restaurantes con IBM antes de cancelar su IA de voz para autoservicio en junio de 2024 — el sistema no lograba gestionar acentos, ruido ambiental ni correcciones en los pedidos. Por contra, Wendy's FreshAI junto con Google Cloud logró una reducción de 22 segundos en los tiempos de atención invirtiendo en procesamiento de lenguaje natural para pausas, correcciones y personalizaciones complejas. La diferencia radicó en la profundidad técnica aplicada al audio en condiciones reales.

Diseñamos la arquitectura de cada canalización considerando el presupuesto de latencia, el vocabulario y las restricciones regulatorias de cada proyecto, un enfoque detallado en nuestra investigación sobre por qué la IA de voz debe superar los envoltorios de API.

La latencia destruye la conversación

La canalización estándar ejecuta reconocimiento de voz (STT), luego un LLM para razonamiento y finalmente síntesis de voz (TTS). Cada etapa suma de 100 a 300 ms más la sobrecarga de red, elevando la latencia total de ida y vuelta a 1–2 segundos — muy por encima del umbral de 800 ms donde se quiebra la confianza. Eliminamos la latencia mediante ingeniería en cada capa:

• ASR: Deepgram nova-3 ofrece transcripción continua por debajo de 300 ms con una tasa mediana de error de palabras (WER) del 5–7% en producción, frente a la arquitectura por lotes de Whisper que procesa el audio en fragmentos de 30 segundos.
• TTS: Cartesia Sonic emite el primer audio en aproximadamente 40 ms; ElevenLabs Flash v2.5 en unos 75 ms.
• Inferencia del LLM — donde se oculta la mayor parte de la latencia: la generación especulativa comienza a formular respuestas probables mientras el interlocutor aún habla, transmitiendo los primeros tokens de audio antes de generar la respuesta completa.

La telefonía introduce su propia latencia oculta. Las conexiones WebSocket de Twilio Media Streams generan fluctuaciones (jitter) que nunca aparecen en las pruebas de laboratorio; su nuevo producto ConversationRelay reduce esta sobrecarga, y Genesys AudioHook presenta ventajas similares. La selección de troncales SIP, la transcodificación de códecs y el ajuste del búfer de fluctuación aportan de 20 a 50 ms cada uno que se acumulan de forma silenciosa. Analizamos la ruta completa del audio, desde el micrófono hasta el altavoz — no solo la inferencia de IA —, porque ahí es donde reside la latencia en condiciones reales.

El vocabulario especializado desborda al ASR generalista

El reconocimiento de voz generalista está optimizado para conversaciones cotidianas en inglés. Maneja perfectamente «Me gustaría programar una cita». En cambio, no es capaz de procesar sin asistencia expresiones como «atorvastatina 40 miligramos QD», «cláusula de fuerza mayor en el artículo 12.3(b)» o «número de pieza XKCD-4419-REV-C». Aunque la mayoría de proveedores de ASR disponen de funciones de vocabulario personalizado como el refuerzo de frases («phrase boosting»), estas resultan frágiles cuando los términos reforzados presentan similitud fonética con palabras de uso común.

En sectores regulados donde los errores de reconocimiento conllevan consecuencias críticas, nuestro enfoque consiste en ajustar con precisión (fine-tuning) los modelos ASR mediante corpus específicos del dominio:

• En el ámbito médico, el reconocimiento de voz requiere entrenamiento con notas clínicas y dictados médicos.
• En el ámbito legal, el dictado requiere exposición a expresiones arcaicas y formatos de citación.
• En servicios financieros, las llamadas citan símbolos bursátiles y nombres de productos propietarios que ningún modelo general ha procesado.

Google Research demostró en 2023 que enriquecer los datos de entrenamiento con voz sintética con acento mejoraba la precisión del reconocimiento en acentos poco representados sin degradar el rendimiento en los habituales. Aplicamos este mismo principio al vocabulario especializado: enriquecemos la distribución de entrenamiento con los términos exactos con los que se topará el sistema, validados con grabaciones de audio reales del entorno de producción.

El estado de la conversación es un problema de ingeniería, no de prompts

Los agentes de voz elementales vuelcan todo el historial de la conversación en la ventana de contexto del LLM y confían en que el modelo mantenga el hilo de lo hablado. Esto funciona en interacciones breves y lineales. Sin embargo, fracasa en conversaciones complejas de múltiples turnos donde el usuario aporta datos desordenados, rectifica afirmaciones previas o la conversación se ramifica según la información recabada.

Diseñamos una gestión estructurada del diálogo que separa el estado de la conversación del modelo de lenguaje. Los campos obligatorios, las reglas de validación, la lógica de ramificación y los disparadores de escalado se definen en una máquina de estados que el LLM no puede ignorar; el modelo gestiona la comprensión y generación de lenguaje natural dentro de los márgenes que fija la máquina de estados. De este modo, el sistema comprueba que el usuario ya facilitó su fecha de nacimiento en el turno tres aunque mencione otra distinta en el turno siete, verifica que un siniestro de seguro contenga los quince campos requeridos antes de enviarlo a resolución, y asegura que el sistema no pueda comprometerse a un precio, un plazo o una cobertura sin autorización expresa.

Para la IA de voz en salud, esta arquitectura no es opcional. HIPAA exige que el sistema nunca divulgue información médica protegida a partes no autorizadas, lo que significa que el gestor de diálogo debe aplicar controles de acceso a nivel de conversación — y no depender de instrucciones en el prompt que el LLM podría desatender ante presiones adversariales o desvíos de la ventana de contexto, un principio de fiabilidad que detallamos en nuestra investigación sobre arquitectura y fiabilidad en sistemas avanzados de IA.

La migración de Nuance de la que nadie habla

La pila de voz on-premise de Nuance alcanza el fin de soporte de mantenimiento hacia junio de 2026, y aproximadamente el 30% de la base de clientes de Nuance continúa operando en infraestructura local. Microsoft impulsa la migración hacia Dynamics 365 Contact Center y los servicios de Azure AI, y HCLTech presentó una «Nuance Migration Factory» para transiciones a escala. Sin embargo, el verdadero reto no es reemplazar los motores ASR, sino preservar la lógica de diálogo integrada en las gramáticas VXML refinadas durante años de uso en producción.

Los árboles IVR empresariales codifican reglas de negocio, gestión de excepciones y casos límite que no están documentados en ningún otro lugar salvo en el propio VXML. Una migración radical («rip-and-replace») que comience desde cero con un sistema basado en LLM pasará meses redescubriendo casos límite que el sistema antiguo ya resolvía. Enfocamos las migraciones de Nuance como extracción de la lógica de diálogo seguida de modernización arquitectónica: analizar los flujos VXML existentes, extraer la máquina de estados y las reglas de negocio a un formato portable y luego implementarlos en infraestructura moderna. Un plazo realista es de 18–24 meses para centros de contacto complejos — no los planes de 90 días que sugiere el marketing de los proveedores.

El cumplimiento normativo no es un añadido secundario

La FCC confirmó en 2024 que las restricciones de la TCPA sobre voces artificiales o pregrabadas se aplican al habla generada por IA. Cualquier IA de voz que realice llamadas salientes requiere consentimiento expreso previo para llamadas informativas y consentimiento expreso por escrito para llamadas comerciales. Las infracciones conllevan $500–$1,500 por llamada en daños y perjuicios legales bajo responsabilidad objetiva — sin requerir intencionalidad. El requisito de consentimiento individualizado, pospuesto para abril de 2026, exige el consentimiento individualizado por vendedor, cerrando el vacío legal de captación de clientes potenciales con el que operaban muchos proveedores de IA de voz.

Más allá de la TCPA, los despliegues de IA de voz también afrontan:

• PCI-DSS al procesar datos de pago — los números de tarjeta nunca deben llegar al LLM ni figurar en los registros.
• HIPAA para interacciones en el sector sanitario — acuerdos BAA, principio de acceso mínimo necesario y registros de auditoría.
• Normativas a nivel estatal — la Ley de IA de Colorado (en vigor en junio de 2026) y la ley BIPA de Illinois.

Nuestro enfoque consiste en integrar el cumplimiento normativo en la canalización desde el primer momento: mecanismos de captura y registro del consentimiento, enrutamiento de audio con alcance PCI que aísla los datos de tarjeta de la ruta de procesamiento de la IA, gestión de consentimiento de grabación de llamadas adaptada a la jurisdicción del interlocutor y pistas de auditoría que documentan con total precisión qué dijo el sistema y por qué.

Construir, comprar o componer

El dilema tradicional entre construir o comprar ha quedado desfasado para la IA de voz en 2026. La verdadera decisión radica en qué componentes integrar. Marcos de código abierto como Pipecat (de Daily) y LiveKit Agents proporcionan orquestación de canalizaciones independiente del proveedor; los componentes de ASR, LLM y TTS pueden sustituirse por separado, y la telefonía se conecta mediante troncales SIP estándar o WebRTC. La cuestión radica en determinar en qué puntos su caso de uso requiere ingeniería a medida y en cuáles un componente comercial resulta plenamente suficiente — y le respondemos con total transparencia.

Si el caso de uso es la programación de citas con interlocutores en inglés estándar y sin restricciones regulatorias, una plataforma a $0.07–0.09 por minuto es la respuesta idónea, y así se lo diremos. Cada proyecto parte de requisitos reales: presupuesto de latencia, complejidad del vocabulario, exposición regulatoria, proyecciones de volumen de llamadas e infraestructura telefónica existente. El alcance del proyecto se define para diseñar la arquitectura, seleccionar componentes, construir las personalizaciones y entregar un sistema propiedad del equipo, sin dependencias de proveedor por minuto.