Tecnología de centro de llamadas con IA explicada: Qué hay realmente bajo el capó

Fecha de la investigación: 23 de septiembre de 2026. Última actualización: 23 de septiembre de 2026.

Un centro de llamadas de IA son cuatro piezas de software en fila: algo que transporta la llamada telefónica, algo que convierte el habla en texto, algo que decide qué decir y algo que vuelve a convertir el texto en habla. La parte de la que todo el mundo habla —el modelo de lenguaje— es la parte que ya se ha resuelto. La parte que decide si una llamada resulta natural es saber cuándo ha terminado de hablar el interlocutor, y eso sigue siendo realmente difícil.

Esta página explica qué hace cada capa, cuánto le cuesta en milisegundos y cuáles de los términos que utilizan los proveedores describen diferencias de ingeniería reales en lugar de posicionamiento comercial.

Brilo AI publica esta página y vende un producto construido sobre la pila tecnológica descrita en ella. En los casos en que la propia implementación de Brilo es relevante, se menciona como tal, y se especifica lo que no hace.

Cómo recopilamos esto

Esta es una investigación documentada, no un análisis comparativo. Cada cifra que figura a continuación se leyó de la propia documentación técnica del proveedor o del proyecto el 23 de septiembre de 2026 y se cita allí donde aparece. Ningún dato de aquí es una medición tomada en una llamada real, y las cifras de latencia publicadas son cifras de laboratorio; la mayoría excluye el tiempo de red, lo cual se indica allí donde el proveedor lo especifica.

Las cuatro capas

Telefonía. La llamada llega a través de la red telefónica pública y tiene que entregarse al software. En la práctica, se trata de una conexión troncal SIP o un número desviado, además de un número de teléfono alquilado. Esta capa es antigua, aburrida y está completamente resuelta, y también es la razón por la que un agente de IA puede colocarse delante de su sistema telefónico existente en lugar de reemplazarlo.

Reconocimiento de voz (ASR). Audio en tiempo real (streaming) que entra y texto que sale, de forma continua, mientras el interlocutor sigue hablando. No se trata de la transcripción por lotes que produce un documento ordenado a posteriori; esto tiene que emitir resultados parciales en tiempo real para que la siguiente capa pueda empezar a procesar.

El modelo de lenguaje. Toma el texto, la conversación mantenida hasta el momento y sus instrucciones, y decide qué decir y qué hacer. Esta es también la capa que realiza llamadas a sus sistemas.

Texto a voz (TTS). Convierte la respuesta de nuevo en audio, transmitido de forma que la primera sílaba se reproduzca antes de que se haya generado la última.

Alrededor de las cuatro se encuentra una capa de orquestación que mantiene el estado de la conversación, decide cuándo es el turno de hablar del agente, gestiona las interrupciones y administra la transferencia a un agente humano. La documentación de Vapi describe a sus agentes como la combinación exacta de estos tres componentes secuenciales principales —transcriptor, modelo y voz— con "docenas de proveedores" disponibles en cada etapa, incluidos OpenAI, Anthropic, Google, Gladia, Deepgram y ElevenLabs. Fuente: docs.vapi.ai, consultado el 23 de septiembre de 2026.

Esa modularidad es importante desde el punto de vista comercial: la mayoría de las plataformas ensamblan los mismos componentes de terceros, por lo que la pila tecnológica rara vez es el elemento donde un proveedor se diferencia. Lo es la orquestación.

El presupuesto de latencia

Cada capa añade retraso, y estos se suman en serie. Un interlocutor nota una pausa de aproximadamente un segundo y comienza a hablar por encima del agente poco después.

Las cifras publicadas dan una idea del presupuesto. ElevenLabs cita ~75 ms para Flash v2.5, su modelo de síntesis más rápido, y ~280 ms para v3 Conversational, el más expresivo; ambos marcados como "excluyendo la latencia de red y de la aplicación". Fuente: elevenlabs.io/docs/models, consultado el 23 de septiembre de 2026. Vapi anuncia "tiempos de respuesta inferiores a 600 ms con turnos de palabra naturales" para todo el trayecto de ida y vuelta. Fuente: docs.vapi.ai, consultado el 23 de septiembre de 2026.

Al leer ambos datos en conjunto, la forma del problema queda clara. Si todo el presupuesto es de 600 ms y la síntesis por sí sola tarda 75 ms en el laboratorio antes de cualquier tiempo de red, las capas restantes —el reconocimiento, el propio procesamiento del modelo y la decisión de si es el turno del agente— se reparten unos pocos cientos de milisegundos.

La consecuencia práctica para un comprador: la voz más expresiva no es gratuita. Elegir v3 Conversational en lugar de Flash consume aproximadamente 200 ms de un presupuesto que se mide en cientos. Esa es una compensación real entre sonar bien y responder rápidamente, y es una decisión de configuración que alguien tiene que tomar deliberadamente en lugar de descubrirla sobre la marcha.

La toma de turnos es la parte difícil

Todo lo anterior es un problema de ingeniería resuelto que se puede comprar. Saber cuándo ha terminado el interlocutor su frase no lo es.

El enfoque más sencillo es la detección de actividad de voz (VAD): vigilar el silencio y, cuando haya transcurrido el suficiente, asumir que el interlocutor ha terminado. La finalización de frase (endpointing) de Deepgram funciona de esta manera, y su documentación es inusualmente sincera sobre la compensación que esto implica. El parámetro de finalización de frase está "habilitado por defecto y configurado en 10 milisegundos", y su ajuste equilibra dos modos de fallo: si se reduce, las transcripciones se finalizan más rápido pero se corre el riesgo de interrumpir al interlocutor a mitad de un pensamiento; si se aumenta (su ejemplo utiliza un valor de 500), las intervenciones llegan completas pero el agente se percibe lento. Fuente: developers.deepgram.com/docs/endpointing, consultado el 23 de septiembre de 2026.

No existe un umbral de silencio que consiga hacer esto bien, porque los humanos hacen pausas a mitad de una frase. "Mi número de cuenta es..." seguido de dos segundos mientras el interlocutor busca su tarjeta no es el final de un turno. Un sistema VAD puro lo interrumpiría. A todo el mundo le ha interrumpido uno alguna vez.

La solución actual es añadir significado a la señal. LiveKit incluye un complemento detector de turnos que describe como "un modelo de lenguaje personalizado, de pesos abiertos, que añade contexto conversacional como una señal adicional a la detección de actividad de voz", y es el predeterminado en una sesión de agente; la documentación recomienda usar solo VAD "cuando se necesita una latencia mínima o soporte para un idioma hablado que el modelo del detector de turnos no admite". Fuente: docs.livekit.io, consultado el 23 de septiembre de 2026. En otras palabras, un modelo pequeño lee lo que se ha dicho hasta el momento y juzga si parece haber terminado.

La misma documentación describe un segundo truco que conviene conocer, porque explica una línea de costes. La generación preventiva inicia de forma especulativa el modelo y las llamadas de síntesis antes de que se confirme el final del turno; esto "puede reducir la latencia de respuesta, pero puede generar costes de computación adicionales si el usuario interrumpe". Fuente: docs.livekit.io, consultado el 23 de septiembre de 2026. El agente empieza a redactar su respuesta basándose en una suposición y descarta el trabajo cuando la suposición es errónea. Velocidad comprada a cambio de tokens desperdiciados.

Conclusión de esta sección: si está evaluando plataformas, la toma de turnos es lo que debe probar, y es precisamente lo que oculta una demostración con guion previo. Hágale una pregunta al agente y luego haga una pausa en mitad de su respuesta. Observe qué hace.

Qué significan realmente las etiquetas

Se utilizan cinco términos para referirse a lo que es, en gran medida, un mismo producto. He aquí cuáles son las diferencias reales.

La IA conversacional es el más antiguo de ellos y el más amplio. Es anterior a los grandes modelos de lenguaje y originalmente describía sistemas de clasificación de intenciones: el software emparejaba lo que usted decía con una de las intenciones de una lista fija y seguía un flujo diseñado. Gran parte del software que todavía se vende como IA conversacional funciona de esta manera. La distinción importante no es la etiqueta, sino si el sistema sigue un flujo que alguien diseñó previamente o si genera su propia respuesta.

La IA generativa, en este contexto, significa que la respuesta es redactada por un modelo de lenguaje en lugar de recuperarse de un guion. Esa es una diferencia arquitectónica genuina y es el cambio que hizo posible la generación actual de agentes de voz. También es la fuente de su principal debilidad: una respuesta generada puede ser errónea de formas en que una respuesta con guion no puede serlo.

La IA agéntica (Agentic AI) es la más nueva y de la que más se abusa. Usada con precisión, significa que el sistema puede tomar medidas en otros sistemas y encadenar varios pasos hacia un objetivo, en lugar de limitarse a producir texto. Utilizada de forma imprecisa (que es la mayoría de las veces) no significa absolutamente nada. La prueba es sencilla: pregunte qué puede hacer el agente además de hablar y en qué sistemas escribe.

Los chatbots y los bots de voz difieren en algo más que el canal. Un chatbot puede tardar un segundo en responder y a nadie le importa; todo lo mencionado en la sección de latencia anterior existe porque la voz no puede permitirse ese retraso. El texto también permite al usuario volver a leer, retroceder y hacer clic en un enlace. La voz es lineal e implacable: el interlocutor escucha la respuesta una sola vez. Los textos que funcionan bien en un chat suelen fracasar cuando se leen en voz alta.

El IVR es el menú de "marque uno para hablar con ventas". Enruta pero no entiende. Se incluye aquí porque una gran cantidad de software comercializado como IA es un IVR con reconocimiento de voz acoplado: usted habla en lugar de pulsar teclas, pero sigue navegando por el árbol de menús de alguien.

Donde deja de ser una demostración: las llamadas a herramientas

Un agente que solo habla es un buzón de voz con mejores modales. La capa que lo hace útil es la llamada a funciones o herramientas (tool calling): el modelo decide invocar una API, la capa de orquestación la ejecuta y el resultado vuelve a la conversación. Vapi describe la integración de herramientas como la conexión "a sus API, bases de datos y sistemas existentes". Fuente: docs.vapi.ai, consultado el 23 de septiembre de 2026.

Aquí es donde los despliegues realmente tienen éxito o fracasan, y conviene ser precisos con los niveles:

Leer es fácil. Consultar el estado de un pedido o los horarios de apertura requiere un punto de conexión y no rompe nada.

Escribir es donde está el verdadero trabajo. Reservar una cita significa que el agente reserva un espacio, gestiona el caso en el que ese espacio se haya ocupado hace dos segundos y deja su calendario correcto si la llamada se corta a la mitad. Eso es ingeniería de integración ordinaria, y la IA no la hace más corta.

Escribir en algo que no tiene API es donde los proyectos se estancan. Muchos de los sistemas a los que estos agentes necesitan acceder (software de gestión de consultas más antiguo, herramientas de programación internas) no tienen una interfaz utilizable. Ningún nivel de calidad del modelo soluciona eso.

El precio publicado de la plataforma asume que la integración ya existe. Cuando un despliegue cuesta mucho más de lo presupuestado, esta suele ser la razón.

Los tres formatos que puede comprar

La misma pila tecnológica subyacente se vende en tres niveles, y la diferencia radica en qué parte del ensamblaje realiza usted.

Infraestructura. Usted obtiene los componentes y las conexiones, y construye el agente. Amazon Connect es el ejemplo más claro: sin licencia por puesto de usuario y 0,038 USD por minuto de voz más telefonía, pero todo el flujo de llamadas es una construcción propia. Máximo control, máxima ingeniería. Fuente: aws.amazon.com/connect/pricing, consultado el 22 de septiembre de 2026.

Plataforma. Usted recibe el canal ya ensamblado y elige las piezas. Vapi y Retell AI se encuentran en este nivel: usted configura el transcriptor, el modelo y la voz, escribe la indicación (prompt) y conecta las herramientas. Se cobra por minuto, normalmente con el modelo y la voz facturados a precio de coste además de una tarifa de alojamiento.

Producto. Usted recibe un agente configurado y cambia los ajustes, no los componentes. Menos control, y nadie tiene que entender cómo funciona la finalización de frase.

El nivel adecuado es una cuestión de su capacidad de ingeniería, no de su volumen de llamadas. Un equipo sin desarrolladores que compra a nivel de infraestructura no ha comprado un agente más barato; ha comprado un proyecto sin financiación.

Lo que esta tecnología todavía no puede hacer

Escuchar de forma fiable con ruido y acentos fuertes. La calidad del reconocimiento se degrada precisamente en las llamadas que más importan, y las listas de idiomas de los proveedores indican qué idiomas son compatibles, no qué tan bien funcionan.

Saber cuándo se equivoca. Una respuesta generada se ofrece con el mismo tono de seguridad tanto si es correcta como si es inventada. Por eso la vía de transferencia a un humano importa más que la tasa de resolución automática.

Gestionar a un interlocutor que está molesto o alterado. El malestar es la señal más clara para desviar la llamada a una persona, y un sistema que no pueda detectarlo seguirá intentando gestionarla.

Corregir un proceso defectuoso. Si los clientes llaman tres veces porque su confirmación de reserva nunca llega, un agente de IA responderá las tres llamadas más rápido. El problema subyacente sigue intacto.

La pila tecnológica de Brilo y lo que no hace

Brilo es un agente de voz construido sobre el canal descrito aquí, vendido a nivel de producto: usted configura un agente en lugar de ensamblar componentes. Los precios publicados muestran un nivel gratuito de 10 minutos al mes, un plan Pro a 149 USD al mes para 600 minutos con un coste por exceso de 0,16 USD, y un plan Growth a 499 USD para 2500 minutos a 0,14 USD, con un descuento anual del 10%. Fuente: brilo.ai/pricing, consultado el 22 de septiembre de 2026.

Lo que no hará: es un agente de voz, no una plataforma de centro de contacto; no hay enrutamiento omnicanal, ni gestión de personal, ni informes de cola para un equipo de agentes humanos. Si está reemplazando Genesys, este no es el tipo de producto adecuado. Tampoco puede acceder a un sistema que no tenga API, que es la limitación que decide la mayoría de los despliegues independientemente del proveedor.