Lo natural es reaprovechar: el agente ya atiende bien en el chat, basta con activar la voz. La primera conversación muestra el problema. El agente lee una lista numerada de cinco puntos, deletrea una URL, dice “según el enlace de abajo” y tarda en empezar, porque el prompt enorme que funcionaba en texto ahora cuesta un tiempo que la llamada no tiene.
Las directrices de voz necesitan cuatro ajustes respecto a las de texto: respuestas de dos o tres frases; ningún formato (listas, markdown, enlaces); como máximo dos o tres elementos a la vez, con una pregunta de vuelta; y un prompt breve, porque cada instrucción extra suma latencia. El contenido puede ser el mismo. La forma de entregarlo, no.
El oído no vuelve atrás
Quien lee puede releer. Quien escucha, no. En una respuesta hablada, el cliente tiene que retener todo lo que oyó hasta el final de la frase, y eso limita el tamaño útil de una respuesta a mucho menos de lo que parece. Cinco opciones dichas seguidas se convierten en una: la última.
Qué quitar del prompt de texto
- Listas largas. Menciona las dos o tres principales y pregunta si la persona quiere conocer las demás.
- Formato. Negritas, títulos y viñetas no existen en audio, y según la voz los símbolos acaban leyéndose en voz alta.
- Enlaces y direcciones largas. Si la persona necesita un enlace, ofrece enviarlo por mensaje.
- Términos técnicos. En voz, nadie detiene la llamada para buscar una sigla; simplifica.
Qué añadir
- Una regla explícita de extensión: “responde en tres frases como máximo”.
- Una pregunta de vuelta al final de la respuesta, para ceder el turno.
- Frases de transición cortas, como “vale” y “entendido”, que dan ritmo sin rodeos.
- Qué hacer cuando no entiende: pedir que repita es aceptable en voz; adivinar, no.
Un buen prompt de voz es más corto que el de texto, no más largo. Cada línea extra se procesa en cada respuesta, y en voz cuesta tiempo percibido.
El razonamiento cuesta silencio
Los niveles altos de razonamiento mejoran las respuestas complejas, y en texto la espera es tolerable. En voz, cada segundo de razonamiento es un segundo de silencio en la línea. Para la mayor parte de la atención por voz, un razonamiento bajo con una base de conocimiento bien organizada rinde más que lo contrario. La base también pesa: los elementos cortos y específicos se recuperan más rápido que un PDF de ochenta páginas.
La voz también forma parte del prompt
El timbre cambia la percepción tanto como el texto. Una voz firme y una voz cálida leyendo el mismo saludo transmiten impresiones distintas de la marca. Antes de elegir, escucha al menos tres voces con el saludo real de tu negocio, y no con la frase de ejemplo.
Cómo probar
En Take Sales, cada voz tiene una vista previa de audio en el formulario del agente, y la llamada de prueba suena en tu teléfono con el agente ya configurado. Haz preguntas que sabes que generan listas, pide una dirección, interrumpe a mitad de una respuesta. Si el agente atiende texto y voz a la vez, el contexto se mantiene cuando el visitante alterna entre ambos, así que conviene probar el cambio también. Agente de voz y latencia de respuesta están en el glosario.
