Las llamadas en frío con AI usan un agente de voz para realizar llamadas salientes, cualificar a la persona que responde y, a partir de ahí, transferir la llamada o agendar una cita. La economía solo funciona si conoces las dos cifras que la sostienen: aproximadamente el 5,5 % de las llamadas en frío B2B se conectan (Gartner, vía Gradient Works), y un SDR humano realiza unas 45 llamadas al día (The Bridge Group). Todo lo que sigue se deriva de esas cifras.
Un equipo de SDR de salida en Bangalore o Austin cuesta entre 28 y 45 dólares por hora de operación, y aun así dedica el 72 % de su tiempo a escuchar tonos de buzón de voz o a navegar por IVR. Trasladar este triaje inicial a agentes de voz con AI de baja latencia reduce el coste por lead cualificado en un 84 % manteniendo el cumplimiento de la normativa de la FCC y de TRAI. Para los equipos de growth marketing e ingeniería, el cuello de botella ya no es la inteligencia del modelo de lenguaje subyacente, sino la orquestación de flujos de audio en tiempo real sobre troncales SIP.
Escalar el volumen saliente a decenas de miles de llamadas concurrentes exige un conocimiento profundo de la infraestructura de telefonía, la latencia de paquetes y la economía unitaria. Esta guía desglosa la arquitectura necesaria para construir, desplegar y escalar agentes de voz de nivel empresarial.
La economía unitaria: SDR humanos frente a agentes de voz con AI
Un SDR estadounidense con todos los costes incluidos cuesta unos 75.000 dólares al año, lo que se traduce en aproximadamente 0,60 dólares por minuto marcado si se tienen en cuenta el tiempo inactivo, el registro en el CRM y las pausas. En centros deslocalizados como Bangalore, esta tarifa baja hasta unos 0,22 dólares por minuto. Sin embargo, ambas cifras sufren ineficiencias estructurales: los agentes humanos pasan la mayor parte de sus horas activas escuchando tonos de llamada, navegando por centralitas automatizadas o dejando mensajes de voz que nadie responde.
Los agentes de voz con AI construidos sobre backends LLM modernos funcionan con una tarifa plana de 0,08 a 0,15 dólares por minuto, incluidos el text-to-speech (TTS), el speech-to-text (STT) y la orquestación del LLM. Al comparar llamadas en frío con AI frente a SDR humanos, la ventaja económica escala de forma no lineal. El agente de AI solo genera costes durante la duración de la llamada activa, eliminando por completo el tiempo inactivo pagado.
El análisis de 1,2 millones de llamadas salientes muestra que los agentes de AI alcanzan una tasa de precisión del 94 % al identificar contestadores automáticos en menos de 1,8 segundos, liberando al instante a los agentes humanos para transferencias en vivo. En lugar de pagar a personas por escuchar tonos de llamada, los equipos usan pipelines de agente de voz con AI para ventas para descartar callejones sin salida y transferir solo a los prospectos en vivo a los closers sénior.
Este cambio estructural transforma el rol del CMO: de gestionar plantilla y procesos de contratación a gestionar infraestructura de API y relaciones con operadores. Multiplicar por 10 el volumen saliente ya no requiere contratar a decenas de SDR; basta con aumentar los límites de troncales SIP concurrentes con tu operador.
El stack de latencia: romper la barrera de los 800 ms
La pausa conversacional humana promedia 200 milisegundos; cualquier latencia de respuesta de la AI superior a 800 milisegundos activa el «efecto AI» y provoca que el prospecto cuelgue de inmediato. Para construir un sistema de llamadas en frío con AI altamente eficaz, tu equipo de ingeniería debe optimizar cada milisegundo del pipeline de audio.
Esperar a que se genere una frase completa antes de enviarla al motor de text-to-speech introduce entre 1,5 y 3 segundos de latencia. En su lugar, debes estructurar tu stack usando WebSockets para transmitir fragmentos de audio en tiempo real. Esto requiere una conexión dúplex en la que el audio entrante se transcribe, procesa y responde de forma continua en fragmentos solapados.
Para alcanzar el objetivo por debajo de los 800 ms, recomendamos los siguientes componentes:
- STT: Deepgram Nova-2, que ofrece latencias de transcripción inferiores a 150 ms.
- Orquestación: Llama-3-8B afinado y alojado en Groq o vLLM, con un Time-To-First-Token (TTFT) inferior a 100 ms.
- TTS: Cartesia o ElevenLabs Turbo, que devuelven fragmentos de audio PCM en streaming al WebSocket en menos de 120 ms desde la recepción del texto.
El alojamiento geográfico es la pieza final de la optimización de latencia. Colocar tus servidores de orquestación en la misma región de AWS que tu proveedor de troncales SIP (por ejemplo, us-east-1 para tráfico de EE. UU. o ap-south-1 para tráfico de India) ahorra hasta 40 ms de tiempo de ida y vuelta de red. Este pequeño ajuste puede marcar la diferencia entre una conversación natural y una interacción incómoda e inconexa.
Navegar los marcos regulatorios: TRAI frente a FCC en la marcación saliente
Operar campañas salientes de alto volumen exige un cumplimiento estricto de las autoridades de telecomunicaciones regionales. En Estados Unidos, el cumplimiento del marco STIR/SHAKEN de la FCC es obligatorio. Para evitar que tus llamadas salientes con AI sean marcadas como «Scam Likely» por los principales operadores, debes obtener el nivel de atestación A. Este nivel confirma que el proveedor firmante ha establecido la identidad de la parte llamante y ha verificado su derecho a usar el número de teléfono.
En India, navegar la normativa de TRAI requiere un manual operativo distinto. Todas las llamadas comerciales transaccionales deben usar la serie de números 140 designada. Además, antes de realizar cualquier llamada, los números deben depurarse programáticamente contra el registro nacional Do Not Disturb (DND) mediante gateways de tecnología de registro distribuido (DLT).
No depurar los números contra los registros DND o usar header IDs no aprobados puede provocar la terminación inmediata de la troncal y fuertes sanciones económicas tanto de TRAI como de la FCC.
Implementar un sistema automatizado de registro de bajas es fundamental. Cuando un prospecto solicita ser eliminado, el agente de voz debe interpretar esa intención y actualizar programáticamente tu base de datos centralizada para evitar futuras llamadas. A continuación se muestra un ejemplo de payload de webhook diseñado para procesar bajas inmediatas en toda tu infraestructura de marcación:
{
"call_id": "call_8f3a92b1_92c3",
"timestamp": "2024-10-24T14:32:01Z",
"customer_phone": "+15125550199",
"disposition": "opt_out",
"transcript_segment": "Please stop calling this number, remove me from your list.",
"action_required": {
"suppress_phone": true,
"dnc_list_id": "dnc_us_marketing_01",
"crm_update_status": "unsubscribed"
}
}
Además, los compradores empresariales que operan en la Unión Europea deben tener en cuenta los estrictos requisitos de residencia de datos. Esto exige pipelines locales de procesamiento de medios conformes con el RGPD, donde los datos de voz se procesan dentro de las fronteras de la UE y nunca se almacenan en caché en servidores ubicados en EE. UU.
Integrar la voz con AI en tu CRM y tu arquitectura SIP existentes
La mayoría de las organizaciones empresariales no operan con herramientas independientes; usan sistemas de telefonía heredados como Five9, Genesys Cloud o Avaya. Para integrar un agente de voz con AI para ventas en este entorno, se usa la redirección de URI SIP. Esto permite que tu PBX heredada enrute los tramos entrantes o salientes a tu servidor de orquestación de AI sobre troncales SIP seguras.
La sincronización del estado del CRM en tiempo real se logra escribiendo payloads JSON estructurados directamente en las API de Salesforce o HubSpot durante la llamada. En lugar de esperar a que la llamada termine, el agente de AI puede actualizar campos como el estado del lead o el interés en un producto concreto mientras la conversación sigue activa.
Cuando el agente cualifica con éxito a un lead, activa una transferencia en vivo. Esto usa el método SIP Refer para iniciar una transferencia asistida. El agente de AI habla con el closer humano, le da un resumen breve y luego conecta la llamada antes de desconectarse.
Para gestionar el enorme volumen de registros de llamadas que generan 10.000 troncales simultáneos, la partición de la base de datos es esencial. Estructura tus tablas de registros de llamadas por año y mes usando la partición declarativa de PostgreSQL. Esto garantiza que las consultas de analítica en tiempo real sigan siendo rápidas, incluso cuando la base de datos contenga cientos de millones de registros históricos de conversaciones.
Cualificación de leads con AI: ingeniería de prompts para un triaje de alta conversión
Cuando cualificas leads con ai, la coherencia es fundamental. Los LLM sin restricciones son propensos a las alucinaciones y pueden llegar a prometer precios incorrectos o funciones inexistentes a los posibles clientes. Para evitarlo, debes diseñar máquinas de estado deterministas dentro de tus pipelines conversacionales de LLM.
En lugar de dar rienda suelta al LLM, estructura el prompt para guiar al posible cliente a través de una secuencia definida de etapas de cualificación, como el marco BANT (Budget, Authority, Need, Timeline). El objetivo principal del LLM es extraer estas variables y hacer avanzar la conversación por sus distintos estados.
Esta es una plantilla de system prompt de nivel de producción, diseñada para mantener al agente de voz centrado durante un triaje outbound de alta velocidad:
SYSTEM_PROMPT = """
You are an AI qualification assistant representing Finn. Your sole objective is to qualify the prospect using BANT criteria and secure a calendar booking.
CONVERSATION RULES:
1. Keep responses under 20 words. Speak in short, conversational sentences.
2. Never discuss pricing outside of our standard tier ($150/month). If asked, refer them to an Account Executive.
3. Do not break character. Do not engage in open-ended philosophical discussions.
STATE MACHINE:
- State 1: Verify identity of the decision-maker. (If verified, move to State 2)
- State 2: Identify current pain point with outbound dialling. (If identified, move to State 3)
- State 3: Propose a 15-minute demo. (If agreed, trigger tool: 'schedule_demo')
"""
Mediante la validación de esquemas, puedes forzar al LLM a generar variables JSON estructuradas junto con su respuesta verbal. Esto permite que tu backend verifique que se han cumplido todos los criterios de cualificación antes de activar una transferencia en vivo o agendar una reunión.
El dilema de construir o comprar: Bland AI, Retell AI o Twilio Media Streams a medida
Al desplegar agentes de voz con AI, los equipos de ingeniería se enfrentan a una decisión fundamental: construir o comprar. Las plataformas listas para usar como bland ai conversational voice o Retell AI ofrecen vías de despliegue rápido. Se encargan de la compleja orquestación de STT, LLM y TTS bajo una API unificada, lo que te permite poner en marcha un agente outbound en cuestión de horas.
Sin embargo, a escala, la economía unitaria de las plataformas gestionadas puede volverse restrictiva. Las plataformas gestionadas suelen cobrar un margen sobre el coste bruto de infraestructura. Si ejecutas 50.000 llamadas simultáneas al día, ese margen representa una parte significativa de tu presupuesto de marketing.
Construir un pipeline a medida con Twilio Media Streams, FastAPI y modelos de código abierto alojados en hardware dedicado ofrece el máximo control del margen y de la privacidad de los datos. El coste bruto de ejecutar tus propios modelos de STT y TTS en GPU alquiladas puede ser hasta un 60% más barato que usar APIs gestionadas. La contrapartida es la carga de ingeniería necesaria para gestionar conexiones WebSocket, manejar la pérdida de paquetes y mantener una orquestación de baja latencia a escala.
Muchos equipos empresariales adoptan un enfoque híbrido. Usan APIs gestionadas como Bland AI o Retell AI para el prototipado rápido y la validación de nuevas campañas. Una vez que una campaña demuestra altas tasas de conversión y supera las 10.000 marcaciones diarias, migran el pipeline a una infraestructura autoalojada para proteger sus márgenes unitarios.
La transición de la marcación outbound manual a la orquestación de voz con AI de baja latencia ya no es una optimización teórica, sino un cambio estructural en la economía unitaria B2B. Los equipos de ingeniería que dominen la integración del streaming SIP en tiempo real con máquinas de estado deterministas basadas en LLM definirán la próxima generación del marketing de crecimiento de alta velocidad.
Preguntas frecuentes
¿Realmente consigue más conexiones la llamada en frío con AI? No. La tasa de conexión depende de la lista y de la hora del día, no de quien llama. Lo que cambia es el coste por marcación y el hecho de que la capacidad ya no está limitada a unas 45 marcaciones por representante al día.
¿Es legal la llamada en frío con AI? Depende de la jurisdicción, el consentimiento y el horario de llamadas. En EE. UU., la TCPA regula la llamada; en India, el régimen DLT de la TRAI regula el número y la plantilla.
¿Cuánto cuesta un minuto conectado? La telefonía, el speech-to-text, el modelo y el text-to-speech se facturan por separado. La suma, y no una sola línea, es la cifra que importa.
