Todas las noticias de los últimos meses hablan de qué modelo de voz sacó OpenAI o Google. Lo que casi nadie explica es cómo se arma el sistema completo alrededor de ese modelo para que atienda una llamada real, de un cliente real, sin que se note que es un agente de IA en el segundo vacío de silencio.
Las piezas que forman el agente
- ▸Telefonía: Twilio (u otro proveedor) es el que conecta un número de teléfono real con tu sistema, tanto para recibir llamadas (inbound) como para que el agente llame (outbound).
- ▸Voz en tiempo real: LiveKit maneja el audio por WebSockets con la latencia baja que necesitas para que la conversación no se sienta como un walkie-talkie.
- ▸STT y TTS: el habla del cliente se convierte a texto (speech-to-text) con herramientas como Deepgram, y la respuesta del agente se convierte de vuelta a voz (text-to-speech) con motores como ElevenLabs.
- ▸El cerebro: un LLM (de OpenAI o el que elijas) procesa lo que dijo el cliente, decide la respuesta y, si hace falta, llama a una herramienta externa — consultar un inventario, agendar una cita, revisar un pedido.
La parte que de verdad separa un demo de un agente que funciona en producción es el manejo de la conversación cuando algo sale mal: el cliente interrumpe, hay ruido de fondo, dice algo ambiguo. Un agente de voz robusto necesita lógica explícita para esos casos, no solo para el camino feliz del guion.
Algo que sorprende a quien recién entra a este tema: la latencia importa casi tanto como la precisión. Un agente que responde correcto pero tarda dos segundos de más suena robótico igual, porque en una llamada real los silencios largos se interpretan como que la línea se cortó. Por eso el stack completo — STT, LLM y TTS corriendo en cadena — se diseña pensando en milisegundos, no solo en que la respuesta final sea la correcta.
Esto es justo lo que hace que construir un agente de voz sea más exigente que uno de texto: en un chat tienes margen para pensar la respuesta un par de segundos sin que se note; en una llamada, ese mismo margen rompe la ilusión de conversación natural. No es casualidad que este curso sea de nivel avanzado dentro del catálogo — asume que ya sabes conectar un LLM a herramientas externas antes de meterle la capa de voz en tiempo real.
Inbound vs outbound: no es el mismo problema
Recibir una llamada (inbound) es más simple: alguien ya decidió llamar, el agente solo tiene que entender qué necesita y resolverlo o derivarlo. Hacer que el agente llame (outbound) es otro nivel de dificultad — tiene que abrir la conversación, manejar que la persona esté ocupada o desconfiada, y lograr el objetivo de la llamada (confirmar una cita, cobrar, avisar algo) sin sonar a robot de encuesta. Son dos arquitecturas distintas, aunque compartan las mismas piezas de base.
En outbound además entra un tema legal y de reputación que en inbound casi no existe: a qué hora puedes llamar, cómo te identificas al inicio de la llamada y qué pasa si la persona pide que no la vuelvas a contactar. Un agente bien diseñado respeta esas reglas desde el flujo de conversación, no como un parche que alguien agrega después de la primera queja.
Casos de uso donde esto ya se está pagando
- ▸Recepción de llamadas: el agente responde, entiende el motivo de la llamada y resuelve lo simple (horarios, disponibilidad, estado de un pedido) sin que nadie tenga que esperar en línea.
- ▸Agendamiento de citas: integrado a un calendario real, confirma, reprograma o cancela una cita por voz, el mismo trabajo que hoy hace una recepcionista por teléfono.
- ▸Llamadas salientes de seguimiento: confirmar una entrega, recordar un pago pendiente o avisar un cambio de horario, sin que un humano tenga que marcar uno por uno.
Lo que distingue a un agente de voz que la gente tolera de uno que la gente cuelga es qué tan rápido reconoce sus propios límites. El mejor diseño no es el que intenta resolver todo, es el que detecta en los primeros segundos cuándo transferir a una persona — y lo hace sin que el cliente tenga que repetir todo lo que ya dijo.
Dónde construir uno de principio a fin
Creación de Agentes de Voz con IA en Tiempo Real sigue exactamente este orden: primero los fundamentos del agente y su primera interacción, después la inteligencia con NLP, la conexión con herramientas externas, la recepción de la primera llamada inbound en dos sesiones completas, el manejo de conversaciones más robustas y, al final, el agente haciendo llamadas outbound. Es un curso avanzado de 11 horas, con certificado y proyecto propio — no está pensado para quien recién empieza con IA.
Si todavía no has construido ningún agente con herramientas y memoria, te conviene pasar primero por la ruta AI Agentic Engineer y de ahí dar el salto a voz. El resto de cursos de agentes está en el catálogo de DataPath.
