Agente de voz con IA para atención al cliente: guía Vapi

Para implementar un agente de voz con IA para atención al cliente usando Vapi, necesitas una cuenta en vapi.ai, un número de teléfono, un LLM como GPT-4o mini o Claude 3.5 Sonnet, y un servidor de webhooks para las acciones de negocio. En AgentesNexo lo tenemos en producción desde septiembre de 2026: una llamada entrante recibe respuesta en menos de 1.8 segundos y escala a humano cuando el cliente lo solicita.

Vapi actúa como capa de orquestación entre telefonía, STT (speech-to-text), LLM y TTS (text-to-speech). Su modelo de pricing (octubre 2026) cobra $0.05/min por infraestructura de voz más el costo del LLM y los proveedores de voz; para 200 llamadas mensuales de 3 minutos promedio, la infraestructura ronda los $30 USD/mes antes del LLM.

Qué necesitas antes de configurar el agente

• Cuenta en vapi.ai (tier gratuito con 10 minutos incluidos)
• Número de teléfono: Vapi ofrece números propios a $2/mes o puedes traer uno de Twilio vía SIP Trunk
• LLM: GPT-4o mini para respuestas rápidas, Claude 3.5 Sonnet si necesitas seguir instrucciones complejas o manejar contexto largo
• Proveedor de voz: ElevenLabs para español neutro de alta calidad, o Azure Neural para menor costo
• Webhook endpoint (opcional pero recomendado para conectar con tu CRM)

Paso 1: Cómo crear el asistente en Vapi

Desde el dashboard (dashboard.vapi.ai), ve a Assistants → Create Assistant y elige el tipo Phone. Los campos clave:

{
  name: Agente Atencion Cliente,
  model: {
    provider: anthropic,
    model: claude-3-5-sonnet-20241022,
    temperature: 0.3,
    maxTokens: 350
  },
  voice: {
    provider: elevenlabs,
    voiceId: EXAVITQu4vr4xnSDxMaL,
    stability: 0.5,
    similarityBoost: 0.75
  },
  transcriber: {
    provider: deepgram,
    model: nova-2,
    language: es
  }
}

temperature: 0.3 es deliberado: más bajo que el default de Vapi (0.7) para evitar respuestas creativas en soporte. maxTokens: 350 fuerza respuestas cortas que se convierten en frases de voz naturales, con margen suficiente para explicar transferencias.

Paso 2: Cómo escribir el system prompt para voz

El error más común es copiar un prompt de texto a voz: el agente termina leyendo listas con uno, dos, tres o pausas extrañas. Las reglas para prompts de voz:

• Sin listas con guiones ni numeración
• Máximo 2-3 oraciones por turno de respuesta
• Usar el nombre del cliente con la variable {{customer_name}} si está disponible
• Definir explícitamente cuándo transferir a humano

Eres el agente de atención al cliente de {{company_name}}. Resuelves consultas
sobre pedidos, disponibilidad y facturación.

Habla en español neutro. Máximo dos oraciones por respuesta. Si el cliente
pregunta por su pedido y no tienes el número, pídelo antes de continuar.

Transfiere la llamada si el cliente menciona una queja formal, pide hablar con
una persona tres o más veces, o reporta un problema de fraude.
Cuando transfieras, di: Voy a conectarte con un asesor. Un momento.

Paso 3: Configurar el número de teléfono inbound

En Phone Numbers → Buy Number, Vapi ofrece números en EE.UU. y varios países de LATAM. Para números locales en Bolivia, Colombia, México o Argentina, lo más práctico es importar tu número de Twilio vía SIP Trunk.

# Verificar que el número está asignado al asistente
curl https://api.vapi.ai/phone-number   -H Authorization: Bearer $VAPI_API_KEY | jq '.[] | {number, assistantId}'

Paso 4: Cómo configurar las transferencias a humano

Las transferencias son el punto de fricción más frecuente en producción. Vapi las maneja con la función transferCall en el toolsCallSchema:

{
  tools: [
    {
      type: transferCall,
      destinations: [
        {
          type: number,
          number: +59167564218,
          message: Transfiriendo con un asesor. Por favor espera.,
          description: Transferir cuando el cliente lo pida o haya queja formal
        }
      ]
    }
  ]
}

En AgentesNexo medimos callDeflectionRate como métrica principal: el porcentaje de llamadas que el agente resuelve sin transferir. En el primer mes llegamos al 71%; al mes 3, con ajustes al prompt, alcanzamos el 84%.

Arquitectura del sistema

Cliente llama → Número Vapi/Twilio
                    ↓
            Deepgram Nova-2 STT (~200ms)
                    ↓
            LLM — Claude 3.5 Sonnet (~900ms)
                    ↓
            ElevenLabs TTS (~300ms)
                    ↓
            Audio al cliente
                    ↓
            Webhook → CRM / registro de llamada

La latencia total, en condiciones normales, está entre 1.4s y 2.1s. Deepgram tarda ~200ms en el primer chunk; el LLM genera la respuesta en ~800-1.200ms; ElevenLabs agrega ~300ms; la red suma 100-200ms más.

Lo que aprendimos al implementarlo en producción

1. El prompt falla en el turno 3, no en el turno 1. El agente suena bien en las primeras respuestas; los problemas aparecen cuando el cliente hace preguntas fuera del guión. Hay que testear siempre conversaciones de 8 o más turnos.
2. Deepgram Nova-2 tiene más errores con acentos bolivianos y venezolanos. Activar el parámetro keyterms con los términos del negocio reduce errores de transcripción alrededor de un 30%.
3. Los webhooks son la pieza más frágil. Si el endpoint tarda más de 3 segundos, Vapi asume timeout y el agente no recibe datos del CRM. El endpoint debe responder en menos de 800ms aunque sea solo para devolver el nombre del cliente.
4. El horario de atención va en el prompt, no en la lógica del servidor. Es más sencillo y más rápido de cambiar sin tocar código.
5. maxTokens: 250 se queda corto para transferencias. Cuando el agente necesita explicar por qué transfiere, el texto se corta. Subimos a 350 para esos flujos.

Preguntas frecuentes

¿Funciona Vapi en español para LATAM?

Sí. Vapi soporta español con Deepgram Nova-2 y ElevenLabs. La cobertura es mejor para el español de México y Colombia que para el de Bolivia o Venezuela, aunque con el parámetro keyterms la transcripción mejora notablemente. Desde junio de 2026, ElevenLabs tiene voces específicas para español latinoamericano.

¿Cuánto cuesta un agente de voz con IA para 500 llamadas al mes?

Para 500 llamadas de 3 minutos promedio (1.500 minutos/mes): infraestructura Vapi ~$75 USD, GPT-4o mini ~$8 USD, ElevenLabs ~$25 USD. Total aproximado: $108 USD/mes. Con Claude 3.5 Sonnet el total sube a ~$140 USD/mes. Esto no incluye el número de teléfono ni el servidor de webhooks.

¿Es posible conectar el agente con mi CRM actual?

Sí, vía webhooks. Vapi envía eventos al inicio y al final de cada llamada con transcripción completa y duración. Desde el webhook puedes actualizar el CRM, registrar el contacto o disparar una tarea de seguimiento. Para la integración con APIs internas, consulta la guía de MCP en empresa: conecta tus agentes IA con CRM, ERP y APIs internas.

¿Vapi o Retell AI para empezar?

Depende del perfil técnico. Vapi tiene una API más flexible y documentación más completa para equipos de desarrollo; Retell tiene un UI más accesible sin código. La comparación detallada está en Agente de voz IA para atención al cliente: Retell AI vs Vapi.

En resumen

• Vapi orquesta STT + LLM + TTS para llamadas entrantes con latencia de 1.4-2.1 segundos
• El modelo recomendado es Claude 3.5 Sonnet con temperature: 0.3 y maxTokens: 350
• El costo para 500 llamadas/mes ronda los $108-140 USD dependiendo del LLM
• El prompt para voz debe evitar listas, limitar respuestas a 2-3 oraciones y definir cuándo transferir
• La métrica clave es callDeflectionRate: en producción llegamos del 71% al 84% en tres meses

Si quieres implementar un agente de voz con IA para atención al cliente sin construirlo desde cero, en AgentesNexo lo hacemos por ti. Escríbenos en agentesnexo.com o por WhatsApp al +591 67564218.