cuánto cuesta un agente de voz agente de voz costes atención al cliente

Cuánto cuesta un agente de voz tiene dos respuestas y hay que dar las dos: construirlo cuesta entre 4.000 y 20.000 € según integraciones y nivel de exigencia, y operarlo cuesta entre 0,10 y 0,50 € por minuto de conversación, todo incluido —modelo, transcripción, síntesis de voz y telefonía—. A eso se suma un mantenimiento anual del 10-20% de la construcción. Un servicio con 3.000 minutos mensuales se mueve, en la práctica, entre 400 y 1.200 € al mes de operación.

El rango es amplio porque «agente de voz» describe cosas muy distintas: desde un asistente que coge llamadas fuera de horario y agenda citas hasta un sistema que verifica identidad, consulta un ERP en mitad de la conversación y ejecuta una gestión con consecuencias económicas. Este artículo desglosa de dónde sale cada céntimo, con precios de proveedor verificados en agosto de 2026, para que puedas construir tu propia estimación en lugar de fiarte de la nuestra.

¿En qué se diferencia de una centralita automática?

En que el agente de voz mantiene una conversación y ejecuta acciones, mientras que una centralita enruta. Un menú telefónico clásico —pulse 1 para ventas— clasifica y transfiere; un agente de voz entiende lo que le cuentan en lenguaje libre, hace preguntas de seguimiento, consulta sistemas mientras habla y cierra la gestión sin transferir a nadie.

Esa diferencia explica la diferencia de precio. La centralita se paga por extensión o por línea y su coste es casi fijo; el agente de voz se paga por minuto de conversación, porque cada minuto consume transcripción, razonamiento del modelo y síntesis de voz en tiempo real. Un sistema que solo enruta es más barato de operar, y para muchas empresas es exactamente lo que necesitan. Si tu problema es «no sé a quién pasar la llamada», no necesitas un agente; si tu problema es «nadie coge el teléfono y perdemos citas», sí.

La comparación honesta incluye una tercera opción que casi siempre gana en relación coste-beneficio: el canal escrito. Un agente por WhatsApp o web cuesta una fracción por conversación y deja mejor rastro. La voz se justifica cuando tu cliente llama y no escribe —negocios locales, servicios urgentes, población mayor, sectores donde el teléfono sigue siendo el canal principal—. El desglose comparado por canal está en cuánto cuesta automatizar la atención al cliente.

¿De qué se compone el coste por minuto?

De cinco piezas que se facturan por separado, y conviene conocerlas porque los proveedores las empaquetan de formas muy distintas. Estos son los precios de lista consultados en agosto de 2026; cambian con frecuencia y hay que verificarlos antes de presupuestar.

Pieza	Qué hace	Referencia de precio (agosto 2026)
Plataforma de voz conversacional	Orquesta transcripción, turnos, interrupciones y síntesis	Desde ~0,08 $/min en tarifa de referencia de proveedores especializados, con el modelo facturado aparte
Modelo de lenguaje (voz nativa)	Entiende y responde en audio, sin pasar por texto	Modelos de voz en tiempo real en torno a 32 $/millón de tokens de audio de entrada y 64 $ de salida; los modelos «mini», a 10 $ y 20 $
Transcripción y síntesis (si van separadas)	Convierte voz a texto y texto a voz	Incluido en las plataformas conversacionales; suelto, se factura por minuto o por caracteres
Telefonía	Número, minutos entrantes y salientes	Céntimos por minuto según destino; el móvil es sensiblemente más caro que el fijo. Consulta la tarifa vigente de tu operador
Infraestructura y observabilidad	Alojamiento, grabaciones, registros y paneles	Coste fijo mensual bajo, relevante solo a gran volumen

Traducido a minutos reales: con un modelo de voz nativa, un minuto de conversación equivale aproximadamente a unos 0,06 $ de audio de entrada y 0,24 $ de audio de salida a tarifa completa, lo que sitúa a los agentes típicos entre 0,18 y 0,46 $/min sin optimizar. Con caché de contexto —que aplica descuentos muy fuertes sobre el audio de entrada repetido— ese rango baja a 0,05-0,10 $/min. Esa diferencia, multiplicada por miles de minutos, es la razón por la que la arquitectura importa tanto como el proveedor.

¿Cuánto cuesta construirlo?

Depende casi por completo de cuántos sistemas tenga que tocar y de cuánto daño pueda hacer si se equivoca. Estas son las tres bandas que usamos al presupuestar:

1. Agente de recepción (4.000-7.000 €). Coge llamadas fuera de horario o cuando nadie contesta, responde preguntas frecuentes, toma datos y agenda cita contra un calendario. Una o dos integraciones. De 3 a 5 semanas.
2. Agente operativo (7.000-14.000 €). Además consulta sistemas en tiempo real —estado de un pedido, disponibilidad, ficha de cliente en el CRM—, identifica al que llama y escribe en el sistema de gestión. Tres o más integraciones y flujos de escalado bien diseñados. De 6 a 10 semanas.
3. Agente transaccional (14.000-20.000 € o más). Ejecuta gestiones con consecuencia económica o regulatoria: modificar una reserva con penalización, tramitar una devolución, verificar identidad. Exige verificación reforzada, grabación con base legal, pruebas exhaustivas y un plan de contingencia. Más de 10 semanas.

En las tres bandas, el reparto del esfuerzo sorprende a mucha gente: la conexión técnica es la parte menor. El grueso se va en diseño conversacional (qué hace cuando le interrumpen, cuando no entiende, cuando el cliente se enfada), en pruebas con voces y acentos reales y en los flujos de traspaso a persona. Un agente de voz que funciona en la demo y falla con un cliente hablando desde el coche con la ventanilla bajada no está terminado. La lógica general de precios por tipo de proyecto está en cuánto cuesta un agente de IA a medida.

¿Cambia el coste si es entrante o saliente?

Cambia bastante, y no solo por la tarifa telefónica. El agente entrante habla con alguien que ha decidido llamar: hay intención, contexto y paciencia. El saliente interrumpe a alguien, así que necesita mejores primeros segundos, gestionar contestadores automáticos, respetar horarios y asumir que una parte enorme de los intentos no acaba en conversación.

Esa contactabilidad es la clave económica del saliente: si solo una fracción de las llamadas conecta con una persona, el coste real por conversación útil es varias veces el coste por minuto. Presupuestar saliente por minutos consumidos sin estimar la tasa de contacto es el error más frecuente que vemos.

Y hay una restricción legal que en España es determinante: desde 2023 las llamadas comerciales sin consentimiento previo del destinatario están prohibidas por la normativa de telecomunicaciones. Eso deja al agente saliente para lo que sí es legítimo y además funciona mejor: recordatorios de cita, confirmaciones, avisos de servicio, encuestas a clientes existentes y seguimiento postventa con consentimiento recogido. La venta fría por voz automatizada no es un caso de uso que vayamos a montar.

¿Por qué la latencia forma parte del precio?

Porque bajar de un segundo de respuesta cuesta dinero y no bajar cuesta clientes. En una conversación telefónica, una pausa de dos segundos se percibe como que la llamada se ha cortado; la gente dice «¿hola?», habla encima del agente y la conversación descarrila. El objetivo razonable es responder por debajo del segundo en la mayoría de turnos.

Conseguirlo tiene un coste de arquitectura: modelos de voz nativa en lugar de encadenar transcripción, texto y síntesis; regiones de despliegue cercanas; consultas a sistemas externas hechas en paralelo mientras el agente emite una frase de relleno; y decisiones deliberadas sobre qué datos se precargan antes de que empiece la llamada. Cada una de esas piezas es trabajo de ingeniería que aparece en el presupuesto.

Aquí conviene una advertencia comercial: cuando un proveedor promete voz «indistinguible de un humano» a precio de chatbot, normalmente está encadenando componentes lentos y la latencia lo delata en la primera llamada real. Pide siempre una prueba en tu número, con tu ruido de fondo y con tus casos difíciles, antes de firmar nada.

Un ejemplo completo: 3.000 minutos al mes

Clínica dental con dos sedes, unas 1.200 llamadas mensuales de dos minutos y medio de media. Agente entrante que coge lo que no coge recepción, agenda, reprograma y responde dudas frecuentes; integrado con el software de citas.

• Construcción: 8.000 € (banda de agente operativo, dos integraciones).
• Operación: 3.000 minutos × 0,15-0,30 €/min todo incluido = 450-900 €/mes.
• Telefonía: variable según operador y proporción de móvil; en entrante suele ser la partida menor.
• Mantenimiento: 800-1.600 €/año (10-20% de la construcción).

Primer año: entre 14.000 y 20.000 € aproximadamente. La comparación relevante no es contra cero, es contra el coste de la alternativa: media jornada de recepción adicional supera con holgura esa cifra en coste empresa, y no cubre noches ni fines de semana. La parte recurrente del cálculo la detallamos en el coste de mantenimiento de los agentes de IA.

¿Cuándo NO merece la pena un agente de voz?

• Volumen bajo. Por debajo de unas 300 llamadas al mes, el coste de construcción y mantenimiento no se recupera; un desvío bien configurado y un formulario resuelven más barato.
• Tu cliente prefiere escribir. Si el 80% de tus consultas ya llegan por WhatsApp o email, monta ahí el agente y ahorra el 70% del coste.
• Conversaciones emocionales. Reclamaciones graves, incidencias médicas, cancelaciones sensibles. El agente puede identificar y pasar en segundos; no debe gestionarlas.
• Procesos aún indefinidos. Si no está claro qué se responde a las diez preguntas más frecuentes, el problema no es tecnológico y la voz solo lo amplificará.

Y una comparación que conviene hacer antes de decidir: para muchos negocios, un asistente escrito bien montado a 1.500-3.000 € resuelve el 70% del problema por una fracción del coste. Los números de esa alternativa están en cuánto cuesta un chatbot para empresa. Nosotros planteamos la voz cuando las llamadas perdidas están medidas y duelen, no como primer paso.

Preguntas frecuentes

¿Se paga el minuto aunque el cliente esté en silencio?

Sí, en la mayoría de plataformas la facturación va por duración de la conversación, no por tiempo de cómputo: una llamada en espera o con alguien callado sigue acumulando coste. Por eso el diseño de tiempos de espera y cierre educado de llamada tiene un impacto directo en la factura, y es de las primeras cosas que ajustamos.

¿Puedo clonar la voz de una persona de mi equipo?

Técnicamente sí, y legalmente requiere consentimiento explícito y documentado de esa persona, con alcance y duración definidos. Además, desde agosto de 2026 hay obligaciones europeas de transparencia sobre contenido sintético e interacción con sistemas de IA. Nuestra recomendación es usar una voz de catálogo con licencia comercial e identificar al asistente como tal: se evita el problema y no se pierde calidad.

¿Cuánto se tarda en tener algo funcionando?

Un agente de recepción sencillo puede estar contestando llamadas en 3-5 semanas; uno operativo con integraciones, en 6-10. Lo que no se acorta es la fase de pruebas con llamadas reales: dos semanas de escucha y ajuste antes de abrirlo a todo el volumen son innegociables si no quieres que la primera mala experiencia sea la de un cliente.

¿Qué pasa cuando el agente no entiende?

Debe reconocerlo pronto y pasar a una persona o tomar los datos para devolver la llamada, nunca insistir tres veces con la misma pregunta. El indicador que miramos no es el porcentaje de llamadas resueltas por el agente, sino el de llamadas mal terminadas: un agente que resuelve el 60% y traspasa bien el 40% es mejor negocio que uno que fuerza el 85% y deja clientes irritados.

¿Se puede grabar la conversación?

Con base legal e información previa al interlocutor, sí, y es muy recomendable para mejorar el sistema. Hay que definir plazo de conservación, quién accede a las grabaciones y cómo se atienden los derechos de los interesados. Es una conversación con tu responsable de protección de datos que conviene tener antes del despliegue, no después de la primera reclamación.