En resumen: WhatsApp incorporó llamadas de voz nativas a su plataforma para empresas, y ahora se están sumando agentes de voz con IA a esas llamadas, igual que antes se incorporaron chatbots con IA a la mensajería de WhatsApp. Una llamada llega al número de WhatsApp de una empresa y un BSP la dirige a un agente de voz con IA, que escucha, transcribe y responde en tiempo real, y la transfiere a una persona con la transcripción completa y el contexto cuando la conversación requiere criterio humano. A mediados de 2026, esta función ya está disponible y operativa a través de algunos BSP, pero el acceso varía: los BSP para grandes empresas tienen un acceso más amplio a las llamadas, la implementación para pymes aún está poniéndose al día en algunos lugares y las llamadas salientes iniciadas por empresas están restringidas en algunos mercados, incluido Estados Unidos. Los principales casos de uso actuales son la contención de llamadas de IVR, las conversaciones sobre cobros y finanzas, y la resolución de consultas de servicio al cliente. Las videollamadas y otras funciones multimodales más avanzadas están en la hoja de ruta de Meta, pero todavía no están disponibles de forma general. Este artículo explica cómo funciona en la práctica, qué está disponible ahora, qué novedades se esperan y cómo medir sus resultados: el siguiente paso natural para cualquier empresa que ya usa IA en el chat de WhatsApp.

Si una empresa ya creó chatbots o agentes con IA para la mensajería de WhatsApp, la voz es la siguiente capa lógica, no una iniciativa independiente. La API de llamadas de WhatsApp extiende el mismo canal confiable, que los clientes ya tienen instalado, del texto a la voz; y los agentes de voz con IA están siguiendo la misma curva de adopción que siguieron los chatbots con IA en la mensajería: comienzan con los tipos de llamadas más frecuentes y repetitivos, y luego se expanden a medida que maduran la tecnología y el marco de cumplimiento.

Este artículo se sitúa en la intersección de dos capacidades que se tratan en otras partes de esta serie: la IA en WhatsApp y la propia API de llamadas de WhatsApp. Aquí nos centramos específicamente en lo que sucede cuando ambas se combinan: cómo funcionan los agentes de voz con IA durante una llamada de WhatsApp, qué está realmente disponible hoy a través de los BSP, cuáles son los casos de uso reales y qué novedades se esperan, incluidas las videollamadas.

Del chat a la llamada: por qué WhatsApp incorporó las llamadas de voz

WhatsApp construyó su reputación empresarial sobre la mensajería, pero algunas conversaciones nunca fueron adecuadas para el texto. Los problemas complejos, las compras que requieren mucha consideración y las situaciones en las que se necesita transmitir confianza o negociar son conversaciones que, por lo general, las personas aún prefieren tener hablando. La respuesta de Meta fue la API de llamadas de WhatsApp Business: llamadas VoIP integradas directamente en el mismo hilo de WhatsApp que las empresas ya usan para mensajes, plantillas y contenido multimedia enriquecido.

La propuesta de valor principal refleja lo que hizo que la mensajería de WhatsApp fuera tan eficaz para las empresas desde el principio: el cliente nunca sale de una aplicación en la que ya confía, nunca llama a un número desconocido y toda la interacción —el historial del chat, los detalles del pedido y ahora también la llamada— permanece en un único hilo continuo, en lugar de dividirse entre una plataforma de mensajería y un sistema telefónico aparte.

Para las empresas, esto significa que una llamada no empieza de cero. Un agente o un sistema de voz con IA que atienda una llamada de WhatsApp puede ver sobre qué escribió el cliente la semana pasada, qué pidió y qué intentó resolver ya un chatbot: un contexto que los centros de llamadas entrantes tradicionales rara vez tienen cuando suena el teléfono.

Cómo funciona la API de llamadas de WhatsApp

Antes de incorporar IA, conviene entender cómo funciona la tecnología de llamadas subyacente, ya que esto determina directamente lo que un agente de voz con IA puede y no puede hacer.

Dos direcciones de llamada, dos conjuntos de reglas. Las llamadas de WhatsApp admiten tanto las llamadas iniciadas por el usuario (cuando un cliente toca el ícono de llamada en el perfil de WhatsApp de una empresa) como las iniciadas por la empresa (cuando la empresa llama al cliente). Las llamadas iniciadas por el usuario son el caso de uso principal y están ampliamente disponibles: si un cliente decide llamar, no se requiere ninguna aprobación previa especial. Las llamadas iniciadas por la empresa están mucho más controladas: la empresa necesita el permiso explícito de ese cliente para llamarlo, y Meta registra ese permiso en un estado que la empresa puede consultar antes de marcar. También se supervisan las llamadas salientes sin respuesta: varias llamadas consecutivas sin respuesta o rechazadas pueden hacer que se revoque el permiso para llamar, el equivalente en llamadas de una penalización por la calificación de calidad en la mensajería.

El enrutamiento depende por completo de la empresa. Cuando entra una llamada, no suena simplemente una línea genérica: se enruta mediante un webhook al destino que la empresa (o su BSP) haya configurado: una línea telefónica tradicional, un endpoint SIP conectado a un centro de contacto existente o un flujo de medios WebSocket que alimenta a un agente de voz con IA. Esta flexibilidad de enrutamiento es lo que permite usar agentes de voz con IA sin reemplazar por completo la configuración actual del centro de llamadas: la IA puede funcionar como primera capa, con la opción de enrutar la llamada a una persona detrás de ella.

Los controles de llamadas existen específicamente para gestionar el volumen y las expectativas. Las empresas pueden controlar la visibilidad del ícono de llamada (para activar las llamadas solo en determinados casos), establecer horarios de atención telefónica para que los clientes vean la mensajería como alternativa fuera de ese horario y ofrecer solicitudes de devolución de llamada para que una llamada perdida o fuera del horario de atención no quede sin respuesta.

Esto funciona con Cloud API, no con la aplicación gratuita WhatsApp Business. La capacidad de llamadas forma parte de la plataforma programable WhatsApp Business, lo que significa que requiere el mismo tipo de configuración basada en API (y una alianza con un BSP o directamente con Meta) que ya requiere la automatización de mensajes. No es algo que se agregue a una cuenta de pequeña empresa basada en un teléfono.

Cómo se integran los agentes de voz con IA en las llamadas de WhatsApp

Aquí es donde entra en juego la capa de IA, y la arquitectura es una extensión natural de cómo funcionan los chatbots con IA en la mensajería de WhatsApp, solo que con audio en lugar de texto.

La llamada se enruta a un sistema de IA en lugar de a una persona. Cuando una llamada se dirige a un endpoint de medios WebSocket (en vez de a una línea telefónica o un troncal SIP), responde un agente de voz con IA. El audio fluye en tiempo real en ambas direcciones entre quien llama y el sistema de IA.

El sistema transcribe e interpreta el habla mientras la persona conversa, en lugar de esperar a que termine y presione un botón. Los agentes de voz con IA modernos de WhatsApp interpretan la intención a partir del habla natural y conversacional, lo que se acerca más a una conversación real que a un menú IVR tradicional de tonos.

Las respuestas se basan en información aprobada de la empresa, el mismo principio fundamental que rige un chatbot con IA bien diseñado: el agente de voz consulta una base de conocimientos definida —preguntas frecuentes, políticas, detalles de productos y datos de pedidos y cuentas obtenidos en tiempo real de sistemas conectados— en lugar de generar respuestas abiertas. Así, las respuestas son precisas y predecibles durante una conversación telefónica en vivo.

El agente puede hacer preguntas de seguimiento, recopilar información y tomar medidas durante una llamada: confirmar un número de pedido, comprobar si se cumplen los requisitos para una devolución, verificar la identidad y hacer avanzar la conversación como lo haría un agente telefónico competente, en lugar de responder una sola pregunta y detenerse.

La transferencia a una persona conserva todo el contexto. Cuando se necesita que intervenga una persona —porque la IA no puede resolver una situación ambigua, un cliente pide hablar explícitamente con alguien o una señal de sentimiento indica frustración—, la llamada se transfiere con la transcripción y el contexto relevante de la cuenta adjuntos. El agente humano no empieza desde cero: retoma la conversación con toda la información que la IA ya recopiló.

Esto refleja las capas de «agente humano asistido por IA» y «agente de IA» descritas en el marco más amplio de IA en WhatsApp: la voz es simplemente una nueva interfaz para el mismo modelo por capas, no un paradigma aparte.

Situación actual: qué está realmente disponible hoy a través de los BSP

Como este ámbito evoluciona rápidamente, conviene precisar qué está realmente disponible a mediados de 2026 y qué aún se está implementando: aquí importa más tener una visión sincera y fundamentada que dejarse llevar por las expectativas exageradas.

Las llamadas ya están disponibles de forma general, pero el acceso se ha implementado por fases y no de manera uniforme. Algunas empresas pueden acceder a las llamadas directamente a través de las alianzas de Meta para Cloud API, y varios BSP grandes y consolidados han integrado las llamadas —incluido el enrutamiento a agentes de voz con IA— en sus plataformas, tras colaborar con Meta como socios de acceso anticipado o de la versión beta. La disponibilidad más amplia entre los BSP que atienden a empresas pequeñas ha ido poniéndose al día, pero todavía no es universal. Conviene confirmar directamente con cada BSP si las llamadas (y, en particular, el enrutamiento a agentes de voz con IA) ya están disponibles en su plataforma antes de dar por sentado que están incluidas.

Las diferencias geográficas importan, especialmente para las llamadas salientes. Las llamadas iniciadas por el usuario (entrantes), es decir, cuando un cliente decide llamar a una empresa, están ampliamente disponibles en todos los lugares donde está disponible Cloud API. Las llamadas iniciadas por la empresa (salientes) tienen más restricciones: requieren el marco de consentimiento descrito anteriormente y, a mediados de 2026, las empresas aún no pueden llamar a clientes en algunos mercados, incluidos Estados Unidos, Canadá y varios otros países. En cambio, mercados como India y Brasil han adoptado más ampliamente las llamadas empresariales, tanto entrantes como salientes. Esto afecta directamente qué casos de uso de agentes de voz con IA (atención entrante frente a cobros o ventas salientes) son viables en cada mercado.

El precio se basa en un modelo por minuto, similar en términos generales a la forma en que tradicionalmente se han cobrado los SMS o los minutos de voz, y se suma a cualquier tarifa de plataforma que cobre el BSP por las herramientas subyacentes. Las tarifas exactas varían según el proveedor y la dirección de la llamada, y este aspecto aún está definiéndose. Conviene confirmar los precios vigentes directamente con el BSP elegido en lugar de dar por sentado que hay una tarifa fija.

💡Como esto evoluciona tan rápido, toma cualquier detalle específico sobre disponibilidad o precios como punto de partida para conversar con un BSP, no como un dato definitivo. Esta es realmente una de las áreas que más rápido está cambiando en WhatsApp Business Platform.

Casos de uso: derivación de IVR, cobros y atención al cliente

Los casos de uso más claros y valiosos de inmediato para los agentes de voz con IA de WhatsApp reflejan aquellos en los que los chatbots con IA demostraron primero su valor en la mensajería: conversaciones de gran volumen, repetitivas y bien definidas.

Derivación de IVR. Los sistemas tradicionales de IVR con menús telefónicos son muy impopulares, precisamente porque son rígidos y lentos. Un agente de voz con IA en WhatsApp puede reemplazar un menú de tonos de varios niveles por una conversación natural: entiende y enruta de inmediato algo como «Llamo por una entrega», en lugar de pedirle al cliente que navegue por «presione 3 para pedidos y luego 1 para consultar el estado de la entrega». También funciona como una verdadera capa de derivación de llamadas para las empresas que aún usan una línea telefónica tradicional: enviar primero las llamadas entrantes a WhatsApp puede resolver consultas sencillas más rápido que una cola convencional de centro de llamadas.

Cobros y conversaciones financieras. La gestión de préstamos, los recordatorios de pago y las llamadas de cobro son naturalmente repetitivos, pero también delicados: son precisamente el tipo de conversación en el que funciona bien que un agente de IA gestione los casos rutinarios (confirmar una fecha de pago, explicar un saldo) y derive las situaciones complejas o emocionalmente intensas a un agente humano capacitado. Las empresas de servicios financieros han sido de las primeras en adoptar las llamadas de voz de WhatsApp, y de forma visible, porque combinan la confianza de una aplicación conocida con la estructura necesaria para conversaciones sujetas a requisitos de cumplimiento.

Resolución de problemas de servicio al cliente, especialmente donde las redes telefónicas públicas no son confiables. Para las empresas que operan en mercados donde la infraestructura de telecomunicaciones tradicional es poco confiable, las llamadas de WhatsApp basadas en VoIP —que funcionan a través de datos y no de una red celular de voz— ofrecen una conexión más confiable, con un agente de IA disponible para resolver consultas sencillas al instante, sin importar cuándo se reciba la llamada.

Ventas y calificación de prospectos. Un agente de voz con IA puede realizar la calificación inicial en una llamada de ventas entrante —confirmar el interés y recopilar requisitos básicos— antes de transferir a un representante de ventas humano un prospecto preparado y con amplio contexto, de forma similar a como los chatbots con IA ya califican prospectos mediante la mensajería de WhatsApp.

💡En todos estos casos se mantiene el mismo patrón: la IA se encarga de las tareas rutinarias y de gran volumen en la etapa inicial; las personas toman las decisiones que requieren criterio; y el traspaso entre ambas conserva todo el contexto, para que el cliente nunca tenga que repetirse.

Lo que viene: video y más

Meta ha sido explícito: la voz no es el destino final de las llamadas de WhatsApp Business. Las videollamadas están documentadas como una capacidad planificada o en desarrollo dentro de la misma Calling API, junto con otras funciones multimodales, como una gestión más avanzada del correo de voz y la posibilidad de compartir pantalla, aunque ninguna de estas está disponible de forma general al momento de escribir este artículo.

La dirección está clara, aunque no lo esté el cronograma exacto: WhatsApp se está posicionando como un canal de comunicación empresarial multimodal por defecto: texto, contenido multimedia enriquecido, voz y, con el tiempo, video, todo dentro del mismo hilo continuo, en lugar de canales separados y desconectados que una empresa tenga que integrar.

En particular, el video abre una nueva categoría de casos de uso para la IA, más allá de lo que permite la voz por sí sola: verificación visual (confirmar daños en un producto devuelto, guiar a un cliente en un paso físico de solución de problemas), diagnóstico remoto y conversaciones de ventas más enriquecedoras. Nada de esto está disponible todavía de forma general y las empresas que estén planificando en torno a estas funciones deberían considerarlas parte de la hoja de ruta para las que conviene prepararse, no capacidades para desarrollar desde hoy.

💡La conclusión práctica: las empresas que inviertan ahora en voz con IA en WhatsApp —bases de conocimiento, lógica de escalamiento y marcos de cumplimiento— estarán construyendo la misma base que se extenderá naturalmente al video cuando esté ampliamente disponible, en lugar de tener que empezar desde cero.

Cumplimiento y consentimiento específicos de la voz

Todo lo que explicamos antes sobre el cumplimiento de las políticas de mensajería de WhatsApp también se aplica a las llamadas, con algunas consideraciones adicionales específicas de la voz que vale la pena mencionar.

El consentimiento para las llamadas salientes se registra de forma explícita, no solo se infiere. A diferencia de una autorización general para recibir comunicaciones de marketing, el permiso para que una empresa inicie llamadas es un estado distinto que Meta registra para cada cliente y que se puede verificar antes de realizar una llamada. Esto debe incorporarse como una verificación explícita en cualquier flujo de trabajo de voz con IA para llamadas salientes (como cobros proactivos o recordatorios de citas), no como una suposición basada en el consentimiento para recibir mensajes.

Las rachas de llamadas sin respuesta tienen consecuencias reales. Si las llamadas salientes se quedan sin respuesta o son rechazadas repetidamente, es posible que se revoque automáticamente el permiso de llamadas de un cliente. Esto recuerda que las campañas de voz saliente con IA requieren la misma disciplina en cuanto a frecuencia y segmentación que las campañas de mensajería saliente, o incluso más, ya que un teléfono que suena es más intrusivo que una notificación de mensaje.

La grabación de llamadas requiere prestar especial atención al consentimiento y la divulgación. Grabar llamadas de WhatsApp atendidas por IA (o por personas) con fines de calidad, capacitación o cumplimiento debe ajustarse a las leyes regionales aplicables sobre consentimiento y divulgación. Estas varían considerablemente según la jurisdicción y el sector (en particular, en sectores regulados como el financiero) y no se debe asumir que la grabación cumple automáticamente con las normas solo porque la llamada se realiza en WhatsApp.

La transparencia sobre el uso de IA sigue siendo importante. Al igual que con los chatbots con IA, informar a quien llama que está hablando con un agente de voz con IA y no con una persona —en lugar de dejar que la calidad de la voz sintética dé esa impresión por sí sola— es una buena práctica y cada vez más una expectativa regulatoria en un número creciente de mercados.

Cómo medir el rendimiento de la voz con IA en WhatsApp

El marco de medición para los agentes de voz con IA amplía las mismas métricas principales que se usan para los chatbots con IA, con algunas métricas adicionales específicas de la voz:

Tasa de contención — el equivalente en voz a la tasa de desvío: el porcentaje de llamadas que el agente de IA atiende por completo sin transferirlas a una persona, medido en relación con los tipos de llamadas específicos para los que se creó el agente.

Tasa de resolución — indica si se resolvió el problema real de quien llamó y se mide por separado de la contención. La IA puede «contener» una llamada sin resolver el problema de fondo si la persona simplemente se da por vencida en lugar de escalarlo. Aquí también se aplica el mismo tipo de falla que importa al medir el desvío de consultas en los chatbots.

CSAT de las interacciones de voz — una calificación breve después de la llamada (mediante un mensaje de seguimiento por WhatsApp, que el canal permite enviar fácilmente justo después de que termina la llamada), registrada por separado para las llamadas atendidas solo por IA, las transferidas de la IA a una persona y las atendidas completamente por una persona, para detectar diferencias en la satisfacción según el tipo de llamada.

Costo por llamada/minuto — el costo total (tarifas por minuto del BSP, costos de la plataforma de IA y tiempo de los agentes humanos en las llamadas escaladas) comparado con el costo de atender el mismo volumen de llamadas en un centro de atención con personal exclusivamente humano.

Tiempo promedio de atención y tiempo hasta la resolución — cuánto tardan las llamadas atendidas por IA en comparación con las del mismo tipo que antes requerían un agente humano, y qué tan rápido se realiza el traspaso de la IA a una persona cuando es necesario, ya que un traspaso lento o que pierde el contexto socava toda la propuesta de valor.

💡Al igual que con los chatbots con IA en mensajería, ninguna métrica cuenta toda la historia: una tasa de contención alta junto con un CSAT bajo suele indicar que la IA está terminando las llamadas en vez de resolverlas. Esa diferencia solo se detecta cuando las métricas se analizan en conjunto.

Cómo empezar

Confirma con tu BSP la disponibilidad actual de las llamadas y la voz con IA. Dado que este sector está avanzando rápidamente, no des por sentado que tienes acceso: verifica directamente qué está disponible en la plataforma específica que estás considerando, incluidos los sentidos de llamada y los mercados compatibles.

Empieza con las llamadas entrantes, no con las salientes. Las llamadas entrantes (iniciadas por el usuario) tienen menos requisitos de consentimiento y una disponibilidad más amplia, por lo que son el punto de partida natural: primero los casos de uso de atención al cliente y desvío de llamadas del IVR, antes de pasar a los cobros o las llamadas de ventas salientes.

Reutiliza la base de conocimiento que ya creaste para la IA de mensajería. Si ya tienes activo un chatbot de WhatsApp o un agente con IA, la base de conocimientos sobre preguntas frecuentes y políticas es un excelente punto de partida para el agente de voz, en lugar de crear otro sistema de conocimiento desde cero.

Diseña el traspaso a una persona antes del lanzamiento. La misma disciplina para permitir que una persona tome el control que es importante en los chatbots lo es aún más en la voz: dejar a alguien frustrado atrapado con un sistema de IA que no transfiere la llamada genera una experiencia peor que dejar a una persona frustrada en un chat, porque las interacciones de voz suelen ser más urgentes.

Haz un seguimiento de la contención, la resolución, el CSAT y el costo por llamada desde el primer día, aplicando la misma disciplina de medición que se usa para la IA de mensajería, para demostrar el valor real de la implementación de voz en lugar de darlo por sentado.

Considera el video y las demás funciones de la hoja de ruta como una forma de prepararte para el futuro, no como objetivos de desarrollo actuales : invierte ahora en las bases de conocimiento y de cumplimiento, y amplía las capacidades multimodales a medida que estén disponibles de forma general.

Conclusión

Los agentes de voz con IA en WhatsApp son una capacidad real y disponible hoy, no un concepto futuro. Sin embargo, lo cierto es que su implementación aún está madurando: tiene una sólida presencia en algunos mercados y niveles de BSP, y está más limitada en otros. El video y las capacidades multimodales más avanzadas están claramente en la hoja de ruta, pero todavía no están ampliamente disponibles. Para las empresas que ya invirtieron en IA para la mensajería de WhatsApp, la voz es el siguiente paso natural, basado en la misma base de conocimientos, la misma disciplina para transferir las interacciones a una persona y el mismo marco de medición. Así, se amplía un canal en el que los clientes ya confían para incluir conversaciones que siempre fueron más fáciles de hablar que de escribir.

A medida que el acceso a las llamadas se amplíe a más niveles de BSP durante el resto de 2026 y en adelante, las empresas que podrán avanzar rápidamente serán las que hayan tratado desde el principio la base de la IA de mensajería —la base de conocimientos, la lógica de escalamiento y los procesos de cumplimiento— como infraestructura para la voz, y no como un proyecto independiente para desarrollar más adelante.