Agentes de voz: cuándo conviene hablar y cuándo escribir

«¿Y si el agente coge el teléfono y contesta con voz?» Es una de las preguntas que más nos llegan últimamente, y se entiende: las demos de IA hablando suenan casi humanas y la tentación de ponerle voz a todo es enorme. Pero la pregunta útil para tu negocio no es si la máquina sabe hablar —hoy lo hace muy bien—, sino si tu cliente quiere hablar en ese momento concreto. A veces la voz resuelve algo que el texto no puede; otras, es un estorbo con acento robótico. Vamos a separar una cosa de la otra para que decidas con criterio y no por moda.

Qué es hoy «un agente que habla»

Antes de nada, «voz» no es una sola cosa. Cuando alguien dice «quiero un agente que hable» puede referirse a tres escenarios muy distintos:

• Atender llamadas de teléfono. El agente descuelga, entiende lo que le dices y responde por voz, como una recepcionista telefónica.
• Entender notas de voz. No habla él; escucha. Recibe esos audios de 40 segundos que la gente te manda por WhatsApp, los transcribe y actúa sobre ellos.
• Hablar dentro de una app o un dispositivo. Menos habitual en una PYME de barrio, más propio de productos digitales.

Mezclar los tres lleva a decisiones raras. La mayoría de negocios pequeños se juega la partida en los dos primeros: el teléfono que hoy suena y no siempre hay una mano libre, y los audios que se acumulan sin que te dé la vida a escucharlos.

Dónde la voz gana de calle

Hay situaciones en las que hablar es, sin discusión, mejor que escribir:

• Manos ocupadas. En un taller con las manos llenas de grasa, en la cocina de un restaurante en plena hora punta, en una obra o conduciendo, escribir no es opción. Hablar, sí.
• El cliente que llama porque prefiere llamar. Si tu negocio recibe llamadas —una clínica, un taller, un restaurante—, coger el teléfono a las 14:30 en plena avalancha es justo lo que hoy se pierde. Ahí un agente que atiende, toma los datos y no deja a nadie sonando en el vacío recupera reservas y clientes que si no colgaban.
• Urgencia y desahogo. «Se me ha roto la caldera y tengo la casa helada.» Esa persona quiere hablar con alguien, no rellenar un formulario de siete campos.
• Clientes menos digitales. Gente mayor o poco acostumbrada a escribir en el móvil. La voz les baja la barrera de golpe.

Y hay un caso que en España es casi universal: la nota de voz. Media clientela te manda audios en lugar de escribir. Un agente que los transcribe, los entiende y te deja el resumen (o contesta directamente) te ahorra el peaje de escucharlos uno a uno mientras haces otra cosa.

Dónde el texto sigue ganando

La voz es cómoda para decir, pero mala para guardar. El texto gana claramente cuando:

• Hay datos que releer. Una dirección, un IBAN, un precio, un enlace para reservar, un horario. Por voz se te van; por escrito quedan y los relees las veces que haga falta.
• La conversación es asíncrona. El texto no exige que las dos partes estén a la vez. El cliente escribe a las 23:40, tú (o el agente) contestáis cuando toca. Una llamada obliga a coincidir.
• El sitio es ruidoso o público. En el metro, en una reunión o con el crío durmiendo al lado, nadie le va a hablar al móvil. Escribir es discreto.
• Necesitas registro. Una conversación escrita queda: la buscas, la reenvías, demuestras qué se dijo y cuándo. Un «me lo dijo por teléfono» no se puede reenviar.

Dicho de otro modo: la voz es buena para el momento; el texto, para lo que tiene que sobrevivir al momento.

Un criterio sencillo: sigue el canal que ya eligió el cliente

Si te quedas con una sola idea, que sea esta: no fuerces el canal. La persona que te llama ya te ha dicho que prefiere hablar; la que te escribe por WhatsApp ya te ha dicho que prefiere teclear. El error más común es ir contra esa señal —convertir un chat tranquilo en una llamada automática, o atrapar en un menú de voz a quien solo quería mandar dos líneas—.

La voz no viene a sustituir al texto. Viene a cubrir bien el canal que ya es de voz —el teléfono— para que deje de sonar en vano. Empareja cada canal con lo que la gente espera de él y casi todas las decisiones se resuelven solas.

Cuándo NO poner voz (todavía)

Aquí está el límite, y conviene ser honesto:

• Entornos ruidosos, acentos y gente que interrumpe. La transcripción falla, la conversación se rompe y el cliente se frustra. Un bot de voz que no te entiende y encima no te deja salir a un humano es peor que un buzón: al menos el buzón no discute.
• El laberinto telefónico. Si tu agente de voz mete a la gente en un bucle sin salida clara a una persona, has empeorado la atención, no la has mejorado. La salida a humano tiene que estar a una frase de distancia, siempre.
• Consentimiento y grabación. Grabar llamadas implica avisar y cumplir el RGPD, y una voz sintética que imita a una persona real puede confundir. Que el agente se identifique como agente desde el «hola».
• Coste y fragilidad. Procesar voz en tiempo real es más caro y más delicado que el texto. Si el 90% de lo que te llega entra por WhatsApp escrito, montar un «call center» de IA es resolver un problema que no tienes.

La regla rápida: si no tienes volumen real de llamadas ni de audios, la voz es una solución buscando un problema. No la pongas por quedar moderno.

Cómo empezar sin jugártela

Lo bueno es que no hace falta lanzarse a lo grande. Un orden sensato:

1. Empieza por entender, no por hablar. Que el agente transcriba y resuma las notas de voz y los mensajes del contestador. Riesgo cero, ahorro inmediato, y no hay ninguna voz sintética que pueda quedar rara.
2. Contesta por el mismo canal escrito. Con lo que ha entendido, que responda por WhatsApp o correo lo previsible y te escale lo demás.
3. Solo si de verdad recibes muchas llamadas, prueba la voz en un caso acotado: coger la llamada fuera de horario, tomar los datos y pasársela a una persona al día siguiente. Con salida a humano clara y el agente presentándose como lo que es.

Y en todos los pasos, lo de siempre: tú apruebas cómo suena y qué puede decir; nunca lo sueltas de golpe. Se empieza proponiendo y se gana autonomía tarea a tarea.

Tanto si tus clientes te llaman como si te escriben, la idea de fondo es la misma: una sola bandeja que recibe por WhatsApp, web, correo y teléfono, resuelve lo previsible y te escala lo que necesita tu criterio. Eso es justo lo que hace nuestra recepcionista, y decidir dónde habla y dónde escribe es parte de ponerla a punto. Tú apruebas; ella se encarga de repetirlo mil veces sin cansarse.