Todos los proveedores de voice AI lanzan a toda velocidad, y todos quieren que te enteres. Abre cualquier blog de la competencia este trimestre y encontrarás un «Resumen de producto 2025», un «Todo lo que lanzamos en agosto» o una nota de changelog celebrando que el reconocimiento de voz en español y alemán ya formatea bien los números. Útil para el calendario de marketing del proveedor. Inútil para un comprador que intenta decidir dónde colocar un contrato de seis cifras.
El formato resumen oculta justo lo que necesitas: ¿cuáles de estas novedades son ya el mínimo común y cuál es un diferenciador real por el que merece la pena pagar? Cuando una función aparece en cuatro changelogs en un mismo trimestre, deja de ser una ventaja: es el suelo. Confundir ambas cosas es como los equipos acaban pagando de más por una «integración con Salesforce» que tiene todo el mundo, mientras infravaloran el trabajo de latencia que de verdad decide si el agente sobrevive a una llamada en directo.
Esta es la lectura del comprador. Recorreremos el ciclo de actualizaciones de 2026 por capacidad, separaremos lo básico de lo diferencial, te daremos las preguntas que hacer a cualquier proveedor y mostraremos dónde se sitúa Finn en cada eje, sin el tono de autobombo.
Por qué los «resúmenes de producto» de la competencia no ayudan al comprador
Un resumen de producto responde a «qué hicimos nosotros». Un comprador necesita saber «qué hace todo el mundo y dónde está el hueco». Son dos documentos distintos.
Tres problemas del género resumen:
- No hay línea base. Un changelog que dice «hemos añadido sincronización con HubSpot» sugiere novedad. Pero si Retell, Vapi, Bland y Finn añadieron sincronización con el CRM el mismo año, la sincronización con HubSpot es mínimo exigible: celebrarlo es ruido. Y con el post de un solo proveedor no puedes saberlo.
- Nombre de la función ≠ profundidad de la función. «Integración con Salesforce» puede significar un webhook unidireccional que registra la llamada, o una sincronización bidireccional que lee las oportunidades abiertas durante la llamada y escribe la tipificación y el siguiente paso en el registro. Las mismas dos palabras, diez veces más valor.
- La cadencia de lanzamientos se vende como calidad. «Lanzamos 47 funciones este trimestre» te habla del marketing del proveedor, no de si el barge-in funciona a 300 ms. La cadencia es un indicador indirecto, y de los flojos.
La solución es leer los changelogs en horizontal —entre proveedores, por capacidad— en lugar de en vertical por la cronología de una sola empresa. Eso es lo que hace el resto de este artículo.
Integraciones que pasaron a ser mínimo exigible en 2026 (Salesforce, Calendly, CRM)
A mediados de 2026, lo siguiente dejó de ser diferencial y se convirtió en el precio de entrada. Si un proveedor presenta algo de esto como función estrella, va por detrás:
- Escritura en el CRM: Salesforce, HubSpot, GoHighLevel. No un «podemos hacer POST a un webhook», sino objetos nativos: registrar la llamada, actualizar el contacto, fijar la tipificación, crear una tarea de seguimiento.
- Reserva en calendario: Calendly, Google Calendar, Cal.com. El agente consulta la disponibilidad real y reserva dentro de la llamada, sin devolver la llamada.
- Telefonía propia: Twilio, Vonage, troncal SIP. Conservas tus números y tu relación con el operador.
- Exportación posllamada: transcripción, grabación y resumen estructurado enviados a tu almacén de datos o a tu herramienta de tickets.
Esta es la prueba del comprador que separa una integración real de una casilla marcada: ¿es bidireccional y durante la llamada, o unidireccional y posterior a la llamada?
Una «integración con Salesforce» unidireccional registra la llamada cuando termina. Una de verdad permite al agente leer el CRM durante la llamada —«Veo que tu último pedido salió el martes, ¿llamas por eso?»— y escribir campos estructurados en el instante en que la llamada se cierra. Lo primero es un registro. Lo segundo cambia la conversación. La mayoría de los changelogs no te dirá cuál construyeron. Pregunta.
La misma prueba vale para los paquetes de salesforce calendly integration que los proveedores adoran anunciar: reservar leyendo la disponibilidad en vivo y escribiendo el evento es mínimo exigible; reservar enviando un enlace por correo no es integración, es un plan B.
Omnicanalidad: SMS + widget web + voz como un único contexto (no pegado con cinta)
La palabra de moda de 2026 es omnichannel customer solutions, y es donde la brecha entre «lo hemos lanzado» y la realidad es mayor. Casi todas las plataformas añadieron sms and web widget support este año. Casi ninguna unificó el contexto detrás de esos canales.
La distinción que importa:
- Omnicanalidad pegada con cinta: SMS, chat web y voz son tres agentes distintos con tres memorias distintas. El cliente escribe y luego llama: el agente de voz no sabe nada del mensaje.
- Omnicanalidad de contexto unificado: un único estado de conversación entre canales. El cliente empieza en el widget web, escala a una llamada y el agente de voz retoma el hilo con todo el historial.
Lo primero son tres productos dentro de una gabardina. Lo segundo es una enterprise voice platform. La pista en un changelog: ¿la versión de SMS comparte almacén de sesión y contexto con la voz, o es un módulo independiente con su propio panel? Si el proveedor los lanza como «productos» separados con precios separados, están pegados con cinta.
Pregunta de comprador: «Si un cliente nos escribe, lo deja a medias y llama una hora después, ¿el agente de voz ve el hilo de SMS?» Si la respuesta necesita un diagrama de Zapier, no está unificado.
Reconocimiento de voz multilingüe y universal: español, alemán y más allá
Esta es la categoría de la que más abusan los posts resumen. «Hemos mejorado el spanish speech to text». «Corregido el formato de números en alemán». Trabajo real, pero presentado como función cuando en realidad es la plataforma poniéndose al día con el universal speech to text como nuevo estándar.
En 2026, la multilingual transcription es mínimo exigible para cualquiera que venda fuera de un único mercado angloparlante. Lo que sí varía —y lo que deberías sondear de verdad—:
- Cambio de código: los interlocutores reales mezclan idiomas a mitad de frase («necesito un refund for order 1-2-3»). ¿El STT lo gestiona o se reinicia en un solo idioma y pierde el resto?
- Cobertura de acentos y dialectos dentro de un mismo idioma: un
german speech to textque clava el Hochdeutsch y se hunde con el alemán austríaco o suizo no es «soporte de alemán». - Vocabulario de dominio: nombres de fármacos, SKU, números de póliza. El STT universal sigue tropezando con los nombres propios sin un gancho de vocabulario personalizado.
- Paridad de latencia: algunos motores añaden entre 200 y 400 ms fuera del inglés. Si tus llamadas en español van más lentas que las inglesas, ahí hay un diferenciador escondido tras un «soportamos español».
Línea base: «soporta español y alemán». Diferenciador: cambio de código, vocabulario personalizado y latencia igual en todos los idiomas. Si construyes directamente en la capa de STT, nuestra guía para desarrolladores de Google Speech-to-Text desglosa dónde siguen necesitando ayuda los modelos universales.
Lo que sigue siendo un diferenciador real (latencia, barge-in, anclaje)
Quita las integraciones que ha lanzado todo el mundo y quedan tres cosas que separan una demo de un agente en producción, y ninguna sale bien en la foto de un changelog:
- Latencia de turno. Una respuesta de extremo a extremo por debajo de unos 800 ms se siente como una conversación; 1,5 s se siente como estar en espera. Es lo más difícil de fingir y lo primero que se rompe bajo carga. Pide la latencia p95 con llamadas concurrentes, no un número de demo.
- Barge-in. ¿Puede el interlocutor interrumpir al agente a mitad de frase y ser entendido de inmediato? Las personas reales interrumpen. Un agente que te pisa o ignora la interrupción pierde la confianza en un solo turno.
- Anclaje. ¿El agente responde desde tu base de conocimiento y tus sistemas en vivo, o improvisa? Un agente anclado dice «no tengo ese dato, te paso con alguien». Uno sin anclaje alucina una política de reembolsos. Aquí la calidad de la recuperación y la fiabilidad de las llamadas a herramientas importan más que la elección de modelo.
Estos son los ejes que no aparecen como victorias de una línea en un changelog porque son trabajo de sistemas, no funciones. Precisamente por eso siguen diferenciando. Para la visión más profunda de construcción, mira qué separa a los agentes de voz de producción de los prototipos no-code.
Las preguntas que hacer a cualquier proveedor de voice AI antes de firmar
Imprime esto. Repásalo en cada demo:
- Integraciones: «¿Vuestra integración con Salesforce/HubSpot es bidireccional y durante la llamada, o solo registro posterior?»
- Omnicanalidad: «¿SMS, web y voz comparten un único contexto de conversación o son sesiones separadas?»
- STT: «¿Cómo gestionáis el cambio de código y el vocabulario personalizado? ¿Cuál es la latencia en español/alemán frente al inglés?»
- Latencia: «¿Cuál es vuestra latencia de turno p95 con 100 llamadas concurrentes, no en una demo en solitario?»
- Barge-in: «Enseñadme una interrupción a mitad de frase, en directo.»
- Anclaje: «¿Qué hace el agente cuando no sabe la respuesta? Enseñadme una pregunta equivocada.»
- Telefonía: «¿Puedo traer mi propio Twilio/SIP y conservar mis números?»
- Datos: «¿Dónde acaban las transcripciones y las grabaciones, y puedo exportarlas en bruto?»
Cualquier proveedor que responda con soltura a las ocho ha construido una plataforma de verdad. Quien te remita a su changelog, no.
Dónde está Finn en cada capacidad
Sin tono de resumen, solo el mapa:
- CRM + calendario: bidireccional y durante la llamada. Finn lee el CRM y la disponibilidad en vivo mientras habla y escribe la tipificación y la reserva al colgar. Mínimo exigible, hecho con la profundidad que cuenta.
- Omnicanalidad: SMS, widget web y voz comparten un único contexto de conversación. A quien empezó por chat se le retoma el hilo por teléfono.
- STT multilingüe: reconocimiento de voz universal con cambio de código y vocabulario personalizado; paridad de latencia entre los idiomas soportados, incluidos el español y el alemán.
- Diferenciadores: latencia de turno por debajo de 800 ms bajo carga concurrente, barge-in nativo y respuestas ancladas a tu base de conocimiento con un comportamiento explícito de «no lo sé → transfiero».
Preferimos que nos pases las ocho preguntas a que te fíes de la palabra de un resumen, incluido el de nuestros competidores. Compara en los ejes que deciden las llamadas en vivo: latencia, anclaje y si la integración de verdad responde.
Preguntas frecuentes
¿Cuáles son las integraciones imprescindibles de un agente de voz en 2026? Escritura bidireccional en el CRM (Salesforce, HubSpot), reserva de calendario en vivo (Calendly, Google Calendar), telefonía propia (Twilio, SIP) y exportación posllamada. Esto es mínimo exigible: si un proveedor lo anuncia como novedad, va por detrás.
¿Sigue siendo el reconocimiento de voz multilingüe un diferenciador? El soporte básico de español y alemán ya es la línea base. Los diferenciadores reales son el cambio de código (idiomas mezclados a mitad de frase), el vocabulario de dominio personalizado y la misma latencia en todos los idiomas.
¿Qué separa a un agente de voz en producción de una demo? La latencia de turno bajo carga (unos 800 ms de p95 con concurrencia), un barge-in que gestiona las interrupciones y un anclaje que impide al agente alucinar. Ninguna sale bien en la foto de un changelog, y por eso siguen diferenciando.
¿Cómo evalúo las promesas de omnicanalidad? Pregunta si SMS, web y voz comparten un único contexto de conversación o funcionan como sesiones separadas. Si un cliente escribe y luego llama, el agente de voz debería ver el hilo del mensaje sin un apaño con Zapier.
(Genera el JSON-LD de FAQ a partir de las cuatro preguntas y respuestas anteriores.)
Lecturas relacionadas
- Comparativa de precios de agentes de voz con IA 2026
- Agente de voz con IA frente a IVR: guía para empresas
- Google Speech-to-Text API: la guía para desarrolladores de 2026
- Alternativas a Voiceflow para agentes de voz en producción
Pásale las ocho preguntas a Finn. Reserva una demo en directo e interrumpe al agente, pregúntale algo que no debería saber y observa cómo lee y escribe en tu CRM durante la llamada, sin necesidad de resúmenes. Ver a Finn en una llamada real →
Relacionado: Voice.ai frente a voice AI: lo que realmente necesitas
