Voice AI para service desks: latencia, idiomas, costes

Por qué voz en 2026

Para un SaaS B2C el chat es suficiente. Para un service desk que habla con instaladores en andamios, técnicos en furgonetas, jefes de cocina en cocinas ruidosas — teclear es imposible. La Voice AI ha cruzado el umbral en que los clientes la consideran competente (se acabó el IVR de 2018) y el presupuesto de latencia se ha estrechado al punto en que la conversación se siente natural.

Pero la diferencia entre 0,8 s y 2,4 s end-to-end es la diferencia entre natural y robótico. Esta guía es lo que hemos medido.

El presupuesto de latencia

Latencia end-to-end total = ASR + retrieval + LLM + TTS.

Presupuesto medido en helpcode (mediana):

• ASR (voz → texto): 250 ms
• Retrieval (híbrido + reranker, top-12): 350 ms
• Llamada LLM: 600 ms (Anthropic Haiku 4.5; Sonnet añade ~400 ms)
• TTS (texto → voz, primer fonema): 200 ms

Total: ~1,4 s hasta la primera palabra audible.

Empujar cualquiera de estos y la conversación se rompe. Las dos perillas más grandes:

1. Streamear todo. El ASR streamea el transcript parcial; el retrieval arranca sobre el parcial; el LLM streamea la respuesta; el TTS streamea la primera frase mientras la segunda se sigue generando.
2. El modelo correcto para el turno correcto. Intents triviales → modelo barato (Haiku). Multi-paso complejo → modelo caro (Sonnet). Routing por turno.

Voz multilingüe

La voz multilingüe nativa es más difícil que el chat multilingüe nativo porque los errores ASR se acumulan. Dos tácticas prácticas:

• Detección de idioma en el primer turno, no por turno. Cambiar a mitad de conversación es raro y el coste de detección por turno es latencia tirada.
• Los términos de marca se preservan a través de los idiomas. Si el cliente dice "Vaillant" en cualquier idioma, ese token debe pasar el ASR literalmente. Un hint de vocabulario custom en el ASR es obligatorio.

helpcode sale con 8 idiomas por defecto — EN, DE, IT, FR, ES, NL, PL, PT.

Economía de costes

La voz cuesta más que el chat. Costes orientativos por conversación (5-7 turnos, endpoints de modelos UE):

• ASR + TTS: ~€0,04
• LLM (routing cheap-by-default): ~€0,06
• Telefonía (número inbound UE): ~€0,02

Por conversación: ~€0,12. Comparado con un agente humano (~€2-4 por contacto L1), la brecha es lo bastante grande para que la voz sea rentable incluso con un 30 % de deflection.

Handoff humano

El handoff voice es el problema UX más difícil de este espacio. El enfoque de helpcode:

• La IA anuncia el handoff: "Le paso un compañero — un momento."
• El transcript de la conversación + los campos capturados (modelo, serial, código de error) van a la pantalla del agente antes de que la llamada aterrice en su cola, para que las primeras palabras del agente no sean "hola, ¿puede decirme…?".
• Latencia desde el trigger "humano" hasta la primera palabra humana: mediana 12 s.

Checklist pre-lanzamiento

• Latencia end-to-end mediana < 1,7 s, p95 < 2,5 s
• Términos de marca en el vocabulario custom del ASR
• Detección de idioma en el primer turno
• Routing smart de modelo activo (cheap by default)
• El audit log registra: prompt, retrieval, modelo, citas
• Handoff humano probado con el equipo de agentes receptor
• Disclosure IA renderizada en la frase de apertura
• Consentimiento RGPD registrado para la grabación de la llamada