Calculadora de coste de desarrollo de agentes de voz con IA

Empieza con un stack gestionado como Retell o Vapi en lugar de montar best-of-breed o self-hosted desde el primer día. Las plataformas gestionadas se encargan de la infraestructura de voz (STT, TTS, telefonía, orquestación en tiempo real) para que tu equipo se centre en el diseño conversacional y las integraciones. Lanzas en 4 a 8 semanas en lugar de en 12 a 20, y validas el caso de uso antes de comprometerte con el desarrollo más complejo. Da el salto a un stack a medida más adelante, solo si el volumen de llamadas supera los 100.000 minutos al mes o si las exigencias de calidad superan lo que dan las plataformas gestionadas.

Acota el agente a un caso de uso concreto en el lanzamiento. La tentación es construir un agente de voz de propósito general que lo haga todo: reservas, soporte, ventas, escalado. Lo que de verdad sale a producción y funciona es una sola tarea bien resuelta, como reservar citas o gestionar el restablecimiento de contraseñas. La tasa de resolución autónoma en casos de uso acotados llega al 70 %–90 %; en casos amplios baja al 40 %–60 % y la gente que llama acaba aporreando el cero para hablar con una persona. Añade un segundo caso de uso solo cuando el primero esté sólido.

Usa Claude Sonnet 4 o GPT-4o mini para el razonamiento de la conversación en lugar de los modelos insignia. Los agentes de voz no necesitan capacidad de razonamiento de frontera en la mayoría de las llamadas; necesitan generar respuestas rápidas, baratas y fiables. Sonnet 4 y GPT-4o mini son de 5 a 10 veces más baratos que Opus o GPT-4.5, con una calidad comparable en tareas conversacionales acotadas. Ahorrar en el modelo supone reducir el coste por minuto entre un 30 % y un 50 % sin penalizar la calidad en los casos de uso de voz habituales.

Graba cada llamada, revisa los fallos cada semana e itera la conversación de forma continua. Los agentes de voz se degradan en silencio porque nadie escucha las llamadas. Monta una revisión semanal en la que el equipo escuche entre 10 y 20 llamadas fallidas tomadas al azar, identifique el patrón y actualice la conversación o la lógica de enrutamiento. Este ciclo continuo es lo que separa los agentes que mejoran con el tiempo de los que empeoran en silencio a medida que se acumulan los casos límite. Cuesta entre 2 y 4 horas por semana y se recupera en forma de mayor tasa de resolución autónoma.

Lanza con un solo idioma. Admitir varios idiomas suma entre un 25 % y un 30 % al coste de desarrollo por cada idioma y complica bastante las pruebas conversacionales. Si el 80 % de tus llamadas entrantes son en inglés, lanza solo en inglés y deriva el resto a una persona. Añade idiomas en función del volumen real de llamadas por idioma, no de suposiciones sobre tu base de clientes. La mayoría de los equipos lanza un soporte multilingüe que nadie usa, porque imaginó una demanda que nunca llegó.

Aplaza las integraciones que no sean clave para el caso de uso del lanzamiento. Empieza con la única integración imprescindible (normalmente el calendario para las reservas, o el CRM para el contexto de soporte) y añade el resto según lo que pida de verdad la gente que llama. Cada integración suma entre 40 y 120 horas, más su mantenimiento continuo, y las que construyes de forma especulativa suelen ser las primeras en romperse, precisamente porque nadie las usa lo suficiente como para detectarlo. El lanzamiento más acotado posible es el que sale antes y el que te da datos reales para decidir qué construir después.