Cómo montar un agente de voz IA en 4 horas.

El coste de un prototipo funcional es cero euros. Google AI Studio con Gemini Flash ofrece un tier gratuito suficiente para construir, probar y desplegar una demo pública. Para producción ligera con tráfico real, el coste se mueve entre 5 y 40 euros al mes según volumen de minutos de audio procesados. Para implementaciones empresariales con integración a CRM, agenda y backend propio, el coste de infraestructura ronda los 50-200 euros al mes, al que hay que sumar el desarrollo inicial.

Para conversaciones de voz en tiempo real, Gemini 2.0 Flash (o la versión Flash más reciente) es la opción más equilibrada. Prioriza latencia baja, requisito innegociable para que la conversación suene natural: por debajo de 500 ms el usuario no percibe la pausa como duda del sistema. Modelos como Gemini Pro o Claude Opus ofrecen mejor razonamiento en texto pero introducen pausas notables en voz. Para casos específicos donde la calidad de razonamiento prima sobre la latencia (por ejemplo, agentes consultivos), conviene evaluar GPT-4o Realtime API como alternativa.

Tres modelos funcionan en el mercado actual. Primero, setup + mensualidad: 600-1.500 euros de instalación más 80-300 euros al mes de mantenimiento; es el más extendido. Segundo, mensualidad plana de 150-400 euros que incluye todo; más fácil de cerrar pero más difícil de mantener si el cliente exige cambios constantes. Tercero, cobro por lead capturado: 3-10 euros por lead cualificado generado por el agente, alineado con resultados pero exige tracking más complejo. Recomendado empezar con setup + mensual hasta tener cinco clientes y después experimentar con los otros modelos.

Los negocios donde mejor encaja son aquellos con alto volumen de llamadas repetitivas y pérdida directa de ingresos por llamadas no atendidas. Específicamente: clínicas dentales y médicas privadas, gimnasios y boutique fitness, inmobiliarias pequeñas, talleres y servicios técnicos, asesorías y gestorías, y restaurantes con sistema de reservas telefónicas. No encaja todavía bien en B2B con ventas consultivas largas, profesionales liberales con cartera cerrada y boca a boca, o sectores con regulación de grabación de llamadas sin haber resuelto previamente el consentimiento RGPD.

Sí, con condiciones. El agente debe identificarse como sistema automatizado al inicio de la llamada (no fingir ser humano). Si se graban llamadas, hay que cumplir RGPD: aviso de grabación, base legal (interés legítimo o consentimiento), política de retención, derecho de acceso y borrado. Si se capturan datos personales (nombre, teléfono, motivo de consulta) debe haber consentimiento informado y registro de tratamiento. La regulación específica de servicios de salud, jurídicos o financieros añade requisitos adicionales que conviene revisar antes del despliegue.

Para una demo funcional con dominio público, entre tres y seis horas la primera vez. A partir del tercer cliente, el tiempo baja a 60-90 minutos porque la plantilla de system prompt y la estructura de landing ya están consolidadas. Para una versión de producción robusta con integración a CRM, agenda y dashboard de métricas, calcular entre 20 y 40 horas de desarrollo adicional la primera vez, replicable a 5-8 horas por cliente posterior.

Google AI Studio es la interfaz gratuita de prototipado: permite configurar un agente de voz con system prompt y modelo, probarlo con micrófono y generar el código de una landing básica que lo integre. Suficiente para demos comerciales. La Gemini Live API es el endpoint programático que se usa en producción: requiere un backend mínimo (Cloud Functions, Cloud Run o equivalente), pero permite integraciones serias con CRM, calendarios, bases de datos y dashboards. El flujo de trabajo recomendado es prototipar y vender con AI Studio, y construir la versión robusta con Live API a partir del cuarto o quinto cliente.

La guía está firmada por Roberto Carreras, fundador de MAIN MIND, consultora de estrategia de marca con IA. Roberto tiene más de 20 años de experiencia en marketing y comunicación habiendo trabajado con marcas como Coca-Cola, IKEA o Alhambra. Es fundador de Voikers (compañía de IA de voz adquirida por LLYC) y doctorando en UCLM con tesis sobre Identidad Conversacional como metodología de branding para agentes de IA. MAIN MIND opera con cinco divisiones especializadas: +MAIN.Brands, +MIND.Brands, +Sales.MIND, +MAIN.Academy y +MAIN.LAB.