La voz es sexy de nuevo con Inteligencia Artificial
Sebastián Barros – especialista en tecnología, telecomunicaciones e Inteligencia Artificial
La IA está convirtiendo cada llamada en cómputo, identidad y transacción. La pregunta es si las telcos captarán ese valor o volverán a entregárselo a terceros.
A comienzos de mayo Twilio reportó su mejor trimestre en más de tres años. Ingresos de 1,400 millones de dólares en el primer trimestre de 2026, un alza de 21% interanual y una acción que saltó cerca de 18% tras la publicación de resultados.
El segmento que explica la aceleración es, contra toda la intuición de la industria, la voz. Su canal de voz creció 20% interanual, el sexto trimestre consecutivo de aceleración y la tasa más alta en 19 trimestres, mientras que los complementos de software, como Branded Calling y Conversational Intelligence, más que duplicaron los ingresos año contra año.
Su CEO atribuyó el impulso en la llamada con analistas a una demanda sin precedentes por una voz reinventada con IA, que se convirtió en la puerta de entrada a su plataforma.
La diferencia está en dónde se captura el valor. La telco transporta la llamada, administra la numeración, mantiene la interconexión y garantiza la disponibilidad. Twilio aporta identidad empresarial, analítica, contexto y automatización a esa misma sesión.
La única participación de las telcos en ese trimestre récord de Twilio, fue la de las tarifas de interconexión que Twilio traslada a sus clientes y que, en su propio reporte, figuran apenas como presión sobre el margen bruto. Las telcos cobran el peaje mientras que el software de terceros duplica los ingresos provenientes de nuestro tráfico.
El patrón tiene historia. En 2014, Ovum estimó que los operadores dejarían de capturar 386 mil millones de dólares entre 2012 y 2018 debido al crecimiento de los servicios OTT de voz y mensajería.
La cifra era una proyección y no una medición contable, pero anticipó correctamente la dirección del mercado. Skype vació el valor de la larga distancia, WhatsApp convirtió el número telefónico en una identidad digital global y la experiencia de comunicación migró a aplicaciones de terceros.
La respuesta de la industria de las telecomunicaciones fue integrar la voz en planes ilimitados y concentrar la inversión en capacidad. La red mejoró de forma radical a medida que la monetización ascendía a lo largo de la cadena de valor.
La Inteligencia Artificial abre la tercera etapa de ese mismo ciclo. Plataformas CPaaS, hyperscalers y empresas especializadas como Bland.ai y ElevenLabs están conectando modelos de IA a troncales SIP para desplegar asistentes de ventas, agentes de cobranza, recepcionistas virtuales y sistemas completos de atención al cliente.
El operador sigue aportando conectividad, numeración y acceso, mientras que el ingreso B2B se genera en la capa de software.
Estimo que esa fuga de margen ya opera en el orden de los 15 mil millones de dólares anuales, una cifra que es una proyección propia y no un dato de campo, pero cuya dirección Twilio confirma cada trimestre. El riesgo concreto es repetir la misma estructura económica con una tecnología distinta.
La llamada dejó de ser audio y se convirtió en cómputo
El avance arquitectónico más importante de la Inteligencia Artificial reciente no está en la generación de texto sino en que el lenguaje natural reemplazó la interfaz gráfica en una parte creciente de los procesos digitales.
El usuario del futuro no va a navegar por cinco menús para reprogramar un vuelo o entender un cargo bancario. Va a expresar un objetivo y recibir una solución; un agente de IA interpreta la intención, consulta los sistemas necesarios y ejecuta el proceso.
Para el operador, esto devuelve al servicio de voz una posición estratégica que perdió hace quince años, porque en una economía de agentes la llamada puede ser la interfaz universal de acceso a servicios de IA sin instalar aplicaciones, crear identidades nuevas ni cambiar de dispositivo.
La naturaleza física del servicio cambia con esa transición hacia la voz de IA. Un flujo de voz dejó de ser sólo un payload de audio a 64 kilobits por segundo. El procesamiento de una conversación puede incluir reconocimiento de voz, separación de interlocutores, traducción, análisis de intención, síntesis, detección de fraude y ejecución de acciones en sistemas externos.
Una llamada puede generar un resumen automático, actualizar un CRM, registrar una oportunidad comercial, evaluar el cumplimiento normativo o iniciar una transacción. La duración sigue existiendo como variable, pero ya no explica el valor principal de la sesión.
T-Mobile US realizó la primera prueba de campo relevante para esta tesis. Hace unas semanas, lanzó en beta su servicio Live Translation, que traduce llamadas en tiempo real a más de 50 idiomas, sin necesidad de descargar una aplicación ni de requisitos de hardware.
Durante una llamada activa, el usuario marca un código corto, la red invoca lógica de servicio dentro del core IMS, reancla el flujo de medios RTP y lo pasa por una función de traducción que corre en la Nube regional del operador.
Todo el procesamiento de reconocimiento, inferencia y síntesis ocurre en la red, lo que permite la misma latencia y calidad tanto en un smartphone de mil dólares como en un teléfono básico de 30 dólares. Al procesar el audio antes de la interconexión, la función opera aunque el otro extremo sea una línea fija, use otro operador o no tenga la misma aplicación. Ninguna solución de los extremos puede replicar esa ubicuidad porque ninguna controla el anclaje de los medios antes de la interconexión.
Las cifras de este caso puntual muestran las oportunidades que la voz IA puede aportar.
T-Mobile reportó 142 millones de clientes al cierre de 2025 y el U.S. Census Bureau registra más de 67 millones de residentes que hablan un idioma distinto del inglés en casa. Un escenario ilustrativo de 5% de adopción, a 5 dólares mensuales sobre la base elegible, genera del orden de 300 millones de dólares anuales.
El número es un ejercicio de dimensionamiento y no una guía de la compañía, pero muestra lo que implica distribuir una función de software a una base masiva de clientes ya facturados.
Y la traducción es apenas el primer trabajo. La misma arquitectura soporta el resumen, la accesibilidad, el cumplimiento, la asistencia contextual y la detección de fraude. El valor estratégico no reside en una función específica sino en recuperar la capacidad de programar la llamada.
Además, hay un argumento de física que juega a favor del operador de telecomunicaciones. La conversación humana es extremadamente sensible al retraso.
La recomendación ITU-T G.114 considera inaceptables los retardos de ida superiores a 400 milisegundos para la planificación, y la investigación conversacional ubica la brecha mediana entre turnos de habla por debajo de 300 milisegundos.
Un agente de voz debe detectar el fin del turno, transportar el audio, procesarlo, generar la respuesta, sintetizarla y entregarla; cada una de estas etapas introduce latencia.
Enrutar el flujo hasta un Centro de Datos centralizado para la inferencia speech-to-speech acumula propagación, lo que degrada la experiencia. El edge del operador reduce la distancia y los saltos de red, y aunque no corrige por sí solo un modelo lento ni una arquitectura deficiente, la proximidad al usuario y el control de la sesión son ventajas reales en un servicio donde unos cientos de milisegundos separan lo natural de lo roto.
La Nube controla gran parte de los modelos, pero el operador controla la distribución, la sesión y la cercanía.
El minuto murió como unidad de facturación
Agregar inteligencia a la llamada y mantenerla dentro de una tarifa plana de minutos ilimitados es un error financiero difícil de justificar ante cualquier directorio.
Una llamada enriquecida activa el cómputo durante toda la conversación. Un operador con 100 millones de líneas elegibles, 5% de adopción y 30 minutos mensuales de voz enriquecida estaría procesando 150 millones de minutos al mes, equivalentes a 2.5 millones de horas de inferencia, una carga con costos de naturaleza distinta al transporte y que no cabe en ninguna tarifa plana.
La nueva economía de voz requiere separar dos capas. La primera cubre el transporte, con señalización, conectividad, interconexión y movimiento de paquetes, un negocio necesario que seguirá bajo presión estructural de precios.
La segunda cubre la inteligencia, con traducción, resumen, intención, seguridad, identidad y ejecución y abre acceso a presupuestos de software, automatización y productividad que hoy el operador no toca.
La unidad comercial, en un mundo de Inteligencia Artificial, pasa a ser el token. Aun cuando el token es útil para medir el consumo y el costo de inferencia, no siempre es una unidad intuitiva para el cliente.
Un desarrollador puede pagar por millón de tokens, mientras que un contact center preferirá un precio por minuto procesado, por canal concurrente o por reducción del tiempo medio de atención.
Una pyme contratará una suscripción mensual a un recepcionista virtual, del orden de 30 dólares por línea que, con un millón de líneas, generará ingresos recurrentes anuales de 360 millones de dólares. Un banco pagará por cada sesión verificada o transacción protegida. La infraestructura puede medirse en tokens, pero el producto debe cobrarse en la unidad que refleje su valor para quien lo compra.
Quien crea que esta transición es una visión a cinco años debería mirar Asia. Durante mayo de 2026, los tres grandes operadores chinos lanzaron servicios comerciales de tokens de IA.
China Telecom ofrece paquetes para desarrolladores y pymes desde unos 6 hasta 44 dólares y planes familiares desde 2 dólares. China Unicom lanzó bundles que combinan tokens, conectividad y seguridad con límites mensuales de 10 a 80 millones de tokens. China Mobile arrancó su negocio junto con Tencent, Alibaba, Huawei, ZTE e iFlytek.
Según la National Data Administration china, el consumo diario de tokens en el país superó los 140 billones en marzo de 2026, con un crecimiento de 40% desde el inicio del año.
Queda por ver si el consumidor masivo entiende y paga la unidad, porque la mayoría de los clientes no quiere comprar cómputo sino resolver una necesidad. La señal estratégica, sin embargo, es inequívoca. Operadores con más de mil millones de líneas combinadas decidieron reorientar su economía de minutos y gigabytes hacia la producción de inteligencia.
La confianza es el producto de mayor margen de la próxima década
El otro flanco del negocio se abre por el lado del fraude.
Los modelos de voz sintética redujeron radicalmente el costo de replicar una voz y algunos sistemas generan un clon utilizable a partir de unos pocos segundos de audio de referencia. Eso no significa que todo clon sea perfecto ni que la biometría de voz haya dejado de servir. Significa que una sola señal ya no basta para autenticar una interacción.
Según datos de la FTC, las pérdidas reportadas por estafas de suplantación en Estados Unidos se ubicaron en torno a los 3,500 millones de dólares en 2025 y cerca de una de cada tres denuncias de fraude involucró suplantación de identidad.
Aquí conviene precisar qué puede hacer la red y qué no puede hacer. Por ejemplo, protocolos como STIR/SHAKEN atestar información sobre el origen de la llamada y el derecho de uso de un número, pero no confirman que la persona que habla sea quien afirma ser.
La SIM ancla una suscripción, pero tampoco constituye una prueba de humanidad. Prometer una detección perfecta de deepfakes no sería técnicamente responsable.
Ahora bien, la oportunidad real consiste en reducir el riesgo de una sesión al combinar señales que sólo la red puede observar.
Número verificado, origen atestado, dispositivo reconocido, cambios recientes de SIM, reputación, patrones de comportamiento y análisis acústico del flujo de medios pueden consolidarse en una puntuación de riesgo entregada en tiempo real.
La red de telecomunicaciones no certifica de forma absoluta una identidad, pero sí ofrece un nivel adicional de confianza que hoy nadie más puede ofrecer.
Para un banco, una aseguradora o una plataforma de comercio, esa reducción de riesgo vale más que el transporte de la llamada y admite modelos transaccionales concretos, como una tarifa por sesión protegida, una comisión por transacción validada o una API de riesgo integrada en el flujo de comunicación.
GSMA Open Gateway ya expone parte de estas capacidades mediante APIs estandarizadas como Number Verification y SIM Swap, que permiten incorporar señales de red en procesos digitales sin integraciones a medida con cada operador.
La dirección es correcta, pero la industria todavía necesita simplificar el acceso hasta que un desarrollador consuma capacidades de red con la velocidad y facilidad de una plataforma Cloud. Una ventaja que no se expone termina siendo irrelevante.
El siguiente paso será el tráfico entre agentes. Un agente reservará un hotel, otro confirmará una entrega y un sistema de cobranza negociará con un asistente financiero. En ese entorno la red deberá responder preguntas nuevas: qué agente está llamando, en nombre de quién, con qué permisos, para ejecutar qué acción y con qué reputación.
Las APIs de telco actuales no resuelven todo ese problema, pero los componentes de verificación, identidad, localización y facturación ya existen y, con el tiempo, pueden convertir al operador en la capa de admisión y de confianza del tráfico agéntico.
La telefonía tiene la oportunidad de evitar el error de Internet, en el que los bots crecieron antes que los mecanismos de identidad y reputación.
El reto principal para monetizar la voz de las telcos ya no es tecnológico.
Las redes cuentan con IMS, funciones de medios, numeración, interconexión y facturación y los modelos de IA agregan las capacidades que faltaban. La dificultad real radica en la organización y en el modelo comercial.
Habrá que definir quién es el dueño del producto entre la unidad de voz, el negocio empresarial y el área de IA, quién asume el costo de inferencia, cómo se estructura el SLA, cómo se comparten los ingresos con los proveedores de modelos y las plataformas CPaaS y qué datos pueden procesarse y dónde deben residir.
Sin respuestas claras a esas preguntas, la inteligencia quedará fuera de la red y la monetización volverá a estar en manos de terceros.
La telco no necesita construir todos los modelos ni competir con cada plataforma de software. Necesita controlar los puntos donde tiene ventaja estructural, la sesión, la identidad, la distribución, la facturación y la exposición de capacidades y participar en el valor que la inteligencia crea sobre su infraestructura.
Durante años, la industria buscó el próximo gran servicio en Realidad Extendida, el metaverso, hologramas y nuevas generaciones de redes. La voz ya tiene alcance, adopción, identidad regulada, interconexión, facturación y una interfaz que todo el mundo entiende, y la IA le agregó la pieza que faltaba, la capacidad de convertir una conversación en una acción.
La oportunidad no pasa por recuperar el viejo negocio de minutos, sino por construir uno nuevo alrededor de llamadas traducidas, sesiones verificadas, transacciones protegidas y agentes conectados a procesos empresariales desde la red.
Twilio, Bland.ai y los operadores chinos ya están cobrando por él. La pregunta abierta es si los operadores van a capturar ese valor o cederlo por tercera vez consecutiva.