Estadísticas de agentes de voz con IA.

Los agentes de voz con IA están pasando de ser demostraciones impresionantes a los lugares donde las llamadas telefónicas ya cuestan dinero: centros de contacto, programación de citas médicas, soporte de viajes, reserva de citas, calificación de llamadas salientes, enrutamiento de servicios y mesas de ayuda internas. La parte complicada es que las cifras públicas aún están dispersas en varios denominadores, por lo que un informe sobre agentes de servicio de IA no es automáticamente un informe sobre agentes telefónicos.

Un pronóstico del mercado de reconocimiento de voz no es un recuento de implementaciones autónomas. Un estudio de caso de un proveedor puede mostrar lo que funcionó en un flujo de trabajo sin probar el resultado promedio para cada centro de llamadas. La forma más clara de leer el mercado en 2026 es mantener tres capas separadas: la voz sigue siendo un canal de servicio importante, la adopción de la IA de atención al cliente se está acelerando y la prueba de producción específica de la voz todavía se encuentra principalmente en la documentación del producto y los estudios de caso.

Esa combinación convierte a los agentes de voz con IA en una de las categorías de automatización más prometedoras para los operadores, pero también una de las más fáciles de exagerar. Las cifras a continuación se centran en los agentes de IA de voz primero y la automatización de voz de los centros de contacto, al tiempo que etiquetan claramente la IA de atención al cliente más amplia, la IA de voz y las cifras de tamaño de mercado como contexto.

Agentes de voz de un vistazo

Las cifras principales de los agentes de voz utilizan diferentes denominadores (adopción de servicios, demanda telefónica, mano de obra, presupuesto y un resultado específico de la voz), por lo que deben leerse como señales separadas, no como una sola cifra.

¿Qué números se refieren realmente a los agentes de voz?

La definición más segura de un agente de voz con IA es un sistema de conversación hablada que puede entender a una persona que llama, responder con voz, usar herramientas o sistemas comerciales y escalar cuando un humano debe tomar el control. Esa definición incluye el autoservicio de voz moderno y los flujos de trabajo de voz agénticos. No incluye automáticamente todos los chatbots, todos los árboles IVR, todas las herramientas de transcripción o todos los paneles de análisis de voz.

Esa distinción es importante porque los números de mayor volumen en este mercado suelen ser adyacentes. El pronóstico de IA para centros de llamadas de Grand View incluye una amplia mezcla de soluciones de IA, no solo agentes de voz autónomos. El mercado de reconocimiento de voz y habla de Grand View describe la infraestructura de voz que puede impulsar a los agentes de voz, pero la adopción de ASR no es lo mismo que un agente de llamadas implementado. El mercado de análisis de voz de Grand View cubre el análisis de conversaciones, lo que puede guiar la automatización pero no prueba por sí mismo que la llamada fue automatizada.

La adopción de agentes de servicio también es más amplia que la voz. La cifra del 66% de Salesforce cubre la IA agéntica en organizaciones de servicio, incluidas las operaciones internas y de cara al cliente: enrutamiento, alcance proactivo, recomendaciones de productos, trabajo de casos internos y resolución multicanal. Sigue siendo una de las mejores señales de adopción para los compradores de agentes de voz porque los flujos de trabajo de voz se encuentran dentro de la misma pila de operaciones de servicio, pero no debe reescribirse como “el 66% de las organizaciones utilizan agentes telefónicos de IA”.

La voz sigue siendo un canal importante en los centros de contacto

Los agentes de voz con IA están recibiendo atención porque la línea telefónica sigue siendo costosa, persistente y emocionalmente importante. El informe de voz de Zendesk de 2026 dice que la voz sigue representando el 40% del volumen del centro de contacto, y que el 75% de los líderes ven las herramientas heredadas como una barrera para el servicio omnicanal, por lo que muchos equipos no solo intentan automatizar las llamadas, sino que también intentan conectar la voz con el mismo historial de clientes y contexto de IA utilizados en los canales digitales.

Los datos de los consumidores apuntan en la misma dirección. Five9 informa que el 56% de los clientes todavía prefieren el soporte telefónico, y que casi el 59% cambia de canal según la situación. Un cliente puede usar el autoservicio para una simple verificación de estado, el chat para una pregunta rápida y el teléfono para un problema de alto valor, urgente, confuso o emocionalmente cargado.

La encuesta de YouGov en EE. UU. muestra la misma tensión en los canales. Las llamadas telefónicas son el canal de soporte más utilizado (casi el 70% tiende a usar el soporte telefónico), pero solo el 35% lo nombra como el canal preferido. Los chatbots muestran el problema inverso: 18% de uso pero solo 1% de preferencia, lo que sugiere que muchos clientes usan bots porque están disponibles, no porque sean la interacción en la que más confían.

La historia generacional es más matizada que “los jóvenes odian las llamadas telefónicas”. McKinsey descubrió que el 71% de los encuestados de la Generación Z cree que las llamadas en vivo son la forma más rápida y sencilla de explicar los problemas al servicio de atención al cliente. La voz sigue siendo valiosa cuando la tarea es difícil de describir en un formulario, cuando el cliente necesita tranquilidad o cuando la empresa necesita verificación de identidad y manejo de excepciones.

La base laboral es lo suficientemente grande como para explicar por qué los ejecutivos siguen financiando la automatización. BLS informa 2.814 millones de empleos de representantes de servicio al cliente en EE. UU. en 2024, con un salario anual medio de 42.830 $ y un salario horario medio de 20.59 $. BLS proyecta una disminución del 5% de 2024 a 2034, pero aún espera 341.700 vacantes cada año, porque las personas se trasladan a otras ocupaciones o abandonan la fuerza laboral. Para los fundadores de agentes de voz, eso significa que la oportunidad no es simplemente el reemplazo de personal; es el enrutamiento de llamadas, el trabajo posterior a la llamada, la carga de capacitación, la presión de rotación, el monitoreo de calidad y la escalada humana.

La adopción de la IA de servicio se mueve más rápido que los informes solo de voz

La IA de atención al cliente está pasando claramente de la experimentación a las operaciones. El informe de agentes de servicio de IA de Salesforce de 2026 dice que el 66% de las organizaciones de atención al cliente utilizan ahora IA agéntica, frente al 39% en 2025. También dice que el 70% de las organizaciones con agentes de servicio de IA observan un valor medible dentro de los 60 días de la implementación, y el KPI más mejorado después de la implementación es la satisfacción del cliente, por delante de la productividad y el tiempo medio de gestión.

Esas cifras son sólidas, pero el denominador sigue siendo más amplio que la voz. Salesforce describe casos de uso de cara al cliente, como el alcance proactivo, las recomendaciones y la resolución de casos multicanal, además de trabajos internos, como el enrutamiento de casos a la persona adecuada. Un agente telefónico que habla con los clientes es una versión de esa pila de servicios agénticos, no toda la pila.

Los datos de Salesforce State of Service de 2025 ofrecen la perspectiva del volumen de casos: los equipos estiman que el 30% de los casos son gestionados por IA hoy y esperan el 50% para 2027. Los representantes que utilizan IA dedican un 20% menos de tiempo a los casos rutinarios, liberando aproximadamente cuatro horas por semana para trabajos complejos. La IA no tiene que gestionar todas las llamadas para cambiar los patrones de personal, escalada y gestión de calidad.

La predicción de Gartner para 2025 es más agresiva pero orientada al futuro. Para 2029, Gartner espera que la IA agéntica resuelva el 80% de los problemas comunes de atención al cliente sin intervención humana y reduzca los costes operativos en un 30%. La frase “problemas comunes” está haciendo mucho trabajo: restablecimientos de contraseñas, estado de pedidos, cambios de dirección, confirmaciones de citas y preguntas sencillas de facturación tienen un perfil de riesgo diferente al de cancelaciones, quejas, preguntas médicas, reclamaciones o disputas por fraude.

El mercado también presenta una fricción real en la implementación. CallMiner informa que el 96% de los líderes de CX y centros de contacto ven la IA como una estrategia clave, pero el 67% está implementando IA sin estructuras de gobernanza adecuadas. Salesforce informa que el 72% de los profesionales de operaciones de servicio dicen que la preparación de datos es un obstáculo importante para la IA. Zendesk dice que el 95% de los consumidores esperan explicaciones para las decisiones tomadas por la IA, mientras que solo el 37% de los líderes de CX ofrecen actualmente un razonamiento detrás de las decisiones de la IA.

Para la voz, estos bloqueadores no son abstractos. Una mala respuesta de texto se puede corregir por escrito. Una mala llamada de voz puede generar confusión, enojo, riesgo de cumplimiento, riesgo de identidad y una mala grabación que circula internamente. Los equipos de servicio que tengan éxito con los agentes de voz probablemente serán los que traten la calidad del conocimiento, las reglas de escalada, la grabación de llamadas, el consentimiento, la evaluación y la auditoría posterior a la llamada como parte del producto principal.

Tamaño del mercado: la IA para centros de contacto está creciendo, pero no es un ingreso puro de agentes de voz

Las estimaciones del tamaño del mercado respaldan la idea de que los presupuestos de IA para centros de contacto se están expandiendo, aunque no aíslan a los agentes de voz autónomos. Grand View Research estima el mercado global de IA para centros de llamadas en 1.990 millones de dólares en 2024 y 7.080 millones de dólares para 2030, una CAGR del 23,8% de 2025 a 2030. América del Norte representó el 39,3% del mercado en 2024, el segmento de soluciones representó más del 74% de los ingresos globales, el enrutamiento predictivo de llamadas lideró la cuota de ingresos de las aplicaciones y BFSI fue el segmento de uso final más grande.

Fortune Business Insights estima una línea base más alta para 2025 y un pronóstico más largo: 2.410 millones de dólares en 2025, 2.980 millones de dólares en 2026 y 13.520 millones de dólares para 2034, una CAGR del 20,80%. Informa que América del Norte tiene una cuota del 37,50% en 2025, Europa del 21,50%, Asia Pacífico del 20,80%, Oriente Medio y África del 12,00% y América Latina del 8,20%.

La conclusión correcta es un rango, no un promedio falso. La IA para centros de llamadas parece ser una categoría de miles de millones de dólares de un solo dígito bajo a mediados de la década de 2020, creciendo a una CAGR de aproximadamente dos dígitos bajos, dependiendo del alcance y el horizonte de pronóstico. Eso es suficiente para mostrar el impulso presupuestario. No es suficiente para reclamar un tamaño de mercado específico de agentes de voz autónomos.

Esas categorías se superponen con los agentes de voz, pero no se reducen a agentes de voz. Una empresa puede comprar análisis de voz sin automatizar llamadas. Una migración de CCaaS puede modernizar el enrutamiento sin implementar IA autónoma. Un modelo TTS puede impulsar la creación de contenido, la accesibilidad o los flujos de trabajo de medios en lugar de la automatización de centros de contacto. La estimación del tamaño del mercado de agentes de voz con IA es más creíble cuando estas categorías adyacentes se utilizan como contexto de presupuesto e infraestructura, no como prueba de implementación.

Infraestructura de agentes de voz: modelos en tiempo real, telefonía y transferencia

El lado de la infraestructura del mercado es mucho más concreto que el lado del recuento de implementaciones. OpenAI dice que su modelo gpt-realtime está diseñado para agentes de voz de producción, incluido el soporte al cliente, la educación y la asistencia personal. El cambio técnico clave es el procesamiento de audio directo: en lugar de encadenar voz a texto, un LLM y texto a voz, un modelo de audio en tiempo real procesa y genera audio a través de un solo modelo y API, lo que, según OpenAI, reduce la latencia, preserva los matices del habla y mejora las respuestas naturales.

La nueva página de inteligencia de voz de OpenAI describe tres modelos de audio de 2026: GPT-Realtime-2 para el razonamiento y la acción de voz en tiempo real, GPT-Realtime-Translate para la traducción de voz en vivo de más de 70 idiomas de entrada a 13 idiomas de salida, y GPT-Realtime-Whisper para la transcripción en streaming. Esa arquitectura es importante porque los agentes de voz de los centros de contacto necesitan manejo de interrupciones, confirmación alfanumérica, control de tono, uso de herramientas y escalada, no solo transcripción precisa.

Esos son precios de infraestructura, no el coste total por llamada, pero ayudan a los equipos a modelar si un caso de uso debe utilizar voz a voz nativa, componentes encadenados, solo transcripción o flujos de trabajo de asistencia de agente.

Las plataformas de centros de contacto están convirtiendo esta infraestructura en superficies de implementación. Los agentes de IA de AWS Connect pueden interactuar con los clientes por voz y chat, responder preguntas, realizar acciones y escalar a humanos; AWS dice que los agentes de IA de Connect se pueden usar de acuerdo con el GDPR y son elegibles para HIPAA. Amazon Connect Customer combina IA generativa con flujos deterministas, y su sección de preguntas frecuentes apunta a Amazon Lex para NLU/ASR, Amazon Polly para TTS y Amazon Nova para conversaciones de voz naturales.

Google Cloud CX Agent Studio muestra un patrón empresarial similar: creación de agentes de bajo código, simulaciones, evaluaciones, seguimiento, 35 plantillas, voz en más de 40 idiomas, traducción de audio a audio en 10 idiomas y conectores para sistemas de backend. Esto es importante porque el agente de voz tiene que trabajar. Una llamada que termina con “por favor, revise su correo electrónico más tarde” es menos valiosa que una llamada que verifica la identidad, cambia una cita, actualiza un registro de CRM o enruta la excepción con un resumen completo.

Los proveedores específicos de voz también están facilitando la prueba de la categoría. ElevenLabs dice que su plataforma ofrece más de 5.000 voces en más de 70 idiomas, además de agentes que funcionan a través de teléfono, chat, correo electrónico y WhatsApp, y recaudó 180 millones de dólares en enero de 2025. Esto no prueba el número de clientes ni el volumen de implementación, pero muestra por qué una mejor TTS, controles de clonación de voz, voces multilingües y voz de baja latencia se están convirtiendo en requisitos básicos. Las llamadas de consumidor a empresa son otra señal del cambio de interfaz: la página de ayuda de llamadas automatizadas de Google dice que Google puede llamar a empresas para reservas de citas, tiempos de espera en restaurantes, disponibilidad de productos, horarios comerciales y estado del inventario, con llamadas monitoreadas y grabadas para garantizar la calidad.

Donde los agentes de voz están mostrando resultados medibles

Los puntos de prueba más útiles siguen siendo específicos de la implementación. El ejemplo de McKinsey de una empresa de energía es valioso porque es explícitamente un asistente de voz integrado en un flujo de trabajo de llamadas de back-end. El resultado informado fue una reducción de alrededor del 20% en el volumen de llamadas de facturación y hasta 60 segundos menos de tiempo de autenticación del cliente. Ese es el tipo de mejora medible del flujo de trabajo que los compradores deberían solicitar: tipo de llamada exacto, línea base exacta, regla de transferencia exacta y métrica exacta.

El ejemplo de AWS de UC San Diego Health muestra agentes de voz en un entorno administrativo de alta fricción: gestión de citas a través de voz, chat y mensajería de WhatsApp Business, lo que lleva a más de 300.000 horas de personal ahorradas, una tasa de autoverificación de pacientes del 82% y una reducción del 50% en el abandono de llamadas. Debido a que la fuente incluye múltiples canales, la frase más segura es “acceso de pacientes que incluye voz”, no “todos los resultados provienen de llamadas telefónicas”.

El estudio de caso de Hopper de PolyAI es más específico y se centra en la voz. PolyAI dice que su asistente de voz de IA generativa responde a cientos de preguntas frecuentes, transfiere llamadas complejas y resuelve completamente el 15% del volumen de llamadas de Hopper. Una cuota del 15% de volumen de llamadas resueltas completamente puede ser económicamente significativa si esas llamadas son de alto volumen y repetitivas. También puede ser decepcionante si un comprador esperaba una tasa de contención universal del 60%. El denominador y el caso de uso importan.

Estos ejemplos apuntan a los casos de uso de producción temprana más probables: programación de citas, verificación de identidad, estado de pedidos, preguntas de facturación, preguntas frecuentes de viajes, actualizaciones de interrupciones, calificación de clientes potenciales, llamadas de recordatorio y enrutamiento de llamadas. También se alejan de los casos de uso iniciales arriesgados: escaladas con exposición legal, consejos médicos urgentes, disputas por fraude, cancelaciones complejas, grandes decisiones financieras y quejas emocionalmente volátiles. Las implementaciones más sólidas probablemente serán híbridas: AWS dice que sus agentes de IA pueden escalar cuando sea necesario, y McKinsey argumenta que los humanos siguen siendo cruciales para interacciones complejas y emocionalmente matizadas.

La confianza, la regulación y la evaluación son métricas clave de los agentes de voz

Los agentes de voz no son solo chatbots con micrófono. Entran en un canal de comunicación regulado donde los clientes escuchan una voz, pueden divulgar información confidencial y es posible que no sepan de inmediato si están hablando con un humano. En febrero de 2024, la FCC anunció que las voces generadas por IA en las llamadas automáticas son “artificiales” según la Ley de Protección del Consumidor Telefónico. El PDF de la resolución deja claro que las restricciones sobre voces artificiales o pregrabadas se aplican a las tecnologías de IA utilizadas para generar llamadas automáticas no deseadas e ilegales.

Eso no significa que todas las llamadas de voz con IA estén prohibidas. Significa que el consentimiento, la divulgación, la exclusión voluntaria, el propósito de la llamada y la jurisdicción importan. Las llamadas de ventas salientes, los recordatorios de citas, las llamadas políticas, el cobro de deudas, las llamadas de atención médica y las notificaciones de cuentas tienen diferentes perfiles de riesgo, por lo que los equipos que implementan agentes de voz con IA necesitan una revisión legal, no solo una evaluación del modelo. La clonación de voz añade otra capa: la página del Desafío de clonación de voz de la FTC dice que los riesgos de la clonación de voz no pueden abordarse solo con tecnología, y el Marco de gestión de riesgos de IA del NIST apunta a un perfil de IA generativa para identificar y gestionar los riesgos de la IA generativa.

La evidencia de fiabilidad también aboga por una implementación cuidadosa. La descripción general de CRMArena-Pro de Salesforce AI Research describe un punto de referencia para evaluar agentes en tareas de CRM empresariales realistas, incluidas interacciones de varias vueltas y confidencialidad. El documento de arXiv informa que los agentes LLM líderes lograron aproximadamente un 58% de éxito en configuraciones de una sola vuelta, cayeron a aproximadamente un 35% en configuraciones de varias vueltas y mostraron una conciencia de confidencialidad inherente casi nula, aunque la ejecución del flujo de trabajo fue más manejable para los modelos superiores.

CRMArena-Pro no es un punto de referencia de llamadas de voz en vivo, por lo que no debe usarse para afirmar que los agentes de voz fallan en el 65% de las llamadas. Es importante porque los agentes de voz reales a menudo necesitan las mismas habilidades difíciles: razonamiento de varias vueltas, llamadas a herramientas, manejo de datos de CRM, límites de información confidencial y cumplimiento de políticas comerciales. Un modelo de voz con entonación natural aún necesita saber cuándo no revelar datos de la cuenta, cuándo verificar la identidad y cuándo transferir la llamada a un humano.

La lista de verificación del comprador en 2026, por lo tanto, debe incluir más que la latencia y la calidad de la voz. Pregunte si el sistema registra decisiones, separa el consentimiento por tipo de llamada, admite la toma de control humana, explica las decisiones tomadas por IA, protege la PII, mide la tasa de recontacto, prueba casos extremos y distingue la contención de la resolución. La brecha de gobernanza de CallMiner, el bloqueador de preparación de datos de Salesforce y la brecha de transparencia de Zendesk apuntan a la misma conclusión práctica: la gobernanza es parte del producto.

Qué significa esto para los fundadores y líderes de centros de contacto

Para los fundadores, la clave no es “reemplazar todos los centros de llamadas”. La clave es un flujo de trabajo de voz de alto volumen con una métrica de éxito clara, datos limpios, una ruta de transferencia segura y un comprador que ya conoce el coste del retraso. La reserva de citas, el enrutamiento de llamadas, el restablecimiento de contraseñas, el estado de entrega, las verificaciones de elegibilidad, la calificación de clientes potenciales, la clasificación de facturación y el soporte de viajes o minorista con muchas preguntas frecuentes son mercados iniciales más creíbles que “la IA gestiona todo el servicio al cliente”.

Para los operadores, la métrica más infrautilizada puede ser la calidad de la transferencia. Un agente de voz que transfiere después de recopilar los datos de cuenta correctos, resumir el problema, etiquetar la intención y establecer las expectativas del cliente aún puede generar valor incluso cuando no contiene la llamada. Un agente de voz que “contiene” una llamada frustrando al cliente y provocando un contacto repetido destruye valor. La contención, la resolución, la satisfacción, el cumplimiento y el recontacto deben medirse por separado.

Números a seguir hasta 2026

La señal más importante de 2026 será la división entre los casos de servicio gestionados por IA y las llamadas de voz gestionadas por IA. El pronóstico de cuota de casos de Salesforce ya es útil porque dice que los equipos esperan que la IA pase del 30% al 50% de los casos para 2027. Los líderes de voz deben pedir a los proveedores la misma forma de métrica a nivel de intención: porcentaje de llamadas de autenticación resueltas, porcentaje de cambios de citas completados, porcentaje de llamadas de facturación enrutadas correctamente y porcentaje de llamadas gestionadas por IA que no generan un contacto repetido.

El marco correcto es el coste por resolución útil, no solo el coste por minuto. El precio de audio en tiempo real de OpenAI es un factor; la telefonía, CCaaS, transcripción, recuperación de conocimiento, evaluación de modelos, revisión de cumplimiento, respaldo humano y garantía de calidad son otros. Un modelo más barato puede ser más caro si crea recontactos. Un modelo de voz más caro puede ser más barato si resuelve un flujo de trabajo de alto volumen de forma limpia.

Una guía de campo para los números de agentes de voz

Diferentes números de agentes de voz responden a diferentes preguntas operativas; la lectura honesta es usar cada métrica para lo que realmente mide, y nada más.

Preguntas frecuentes

Fuentes y lectura adicional