La tecnología de voz ha evolucionado mucho más allá de pedir a Alexa el pronóstico meteorológico, poner música o ayudar a orientarse en carreteras desconocidas. Tradicionalmente, su éxito se ha limitado a ámbitos específicos como el mercado mundial de software de transcripción médica, valorado en 3.000 millones de dólares, o en tecnologías de asistencia para personas con discapacidades. Fuera de estos ámbitos, su implantación en entornos de oficina ha sido muy limitada.
Pese a sus beneficios evidentes, como la posibilidad de usar las manos libremente, rapidez en ciertas interacciones y una comunicación más natural, la tecnología de voz nunca alcanzó su máximo potencial en el mundo laboral. Aunque el reconocimiento del habla es muy preciso desde hace décadas, factores sociales y organizativos han frenado su adopción. Por ejemplo, hablar con un ordenador en una oficina abierta puede resultar incómodo, mientras que escribir sigue siendo más rápido y privado. Nadie querría que el director financiero leyera en voz alta los salarios de todos frente a una pantalla.
Para tareas que requieran gran volumen de información, auditabilidad y privacidad, el texto parecía la opción más lógica. Sin embargo, la situación está cambiando. 
La voz como instrumento para recuperar información y activar acciones
En paralelo al creciente protagonismo de los agentes de inteligencia artificial en los flujos de trabajo corporativos, aumenta el potencial de la voz como interfaz para interactuar con ellos. Hoy día, los sistemas de IA pueden transformar en tiempo real la voz en razonamientos y acciones, y entregar respuestas habladas, eliminando la necesidad de procesos fragmentados de reconocimiento de voz, chatbots y síntesis de texto a voz.
Por ejemplo, la API Realtime de OpenAI permite interacciones en voz con baja latencia, admite interrupciones y llamadas a funciones. Así, una interfaz por voz no solo responde consultas, sino que puede desencadenar acciones de IA. Además, OpenAI ofrece conexiones directas con la red telefónica mediante SIP (Protocolo de Inicio de Sesión), ampliando las posibilidades de integración.
Actualmente, OpenAI informa que más de 150 millones de personas usan semanalmente funciones de voz y dictado para comunicarse con ChatGPT, un porcentaje relevante dentro de los 900 millones de usuarios activos semanales de la plataforma. No es el único caso: Google con Gemini Live ofrece conversaciones habladas en tiempo real, y Grok dispone de opciones de voz para consumidores y APIs para agentes de voz que soportan llamadas a herramientas, múltiples idiomas e interacción rápida de voz a voz.
¿Será la voz la próxima interfaz de usuario predominante?
Resulta significativo que Gemini Live destaque la posibilidad de interrogar a la IA «en cualquier modo que elijas», reflejando una creciente confianza en sistemas inteligentes y dinámicos en comparación con aplicaciones corporativas clásicas y estáticas. La voz, por tanto, se perfila como la interfaz ideal para delegar tareas, sobre todo cuando teclear es incómodo o cuando el flujo de trabajo es esencialmente conversacional.
Si bien seguirán siendo excepcionales los casos en que se usará la voz para discutir salarios, resulta muy aplicable en atención al cliente, operaciones de campo, ventas, salud, soporte IT, logística y otros sectores. McKinsey ya señala que algunos operadores de telecomunicaciones emplean agentes de voz para gestionar toda la atención al cliente sin necesidad de intervención humana, lo que responde a una demanda persistente de contacto humano por teléfono, pese al auge del autoservicio digital y los chatbots.
Según Gartner, en marzo de 2025, el 36% de los clientes seguían considerando el teléfono como su principal canal de interacción para servicios, sugiriendo que los bots de voz con IA complementarán los sistemas tradicionales de respuesta interactiva por voz (IVR), en lugar de simplemente sustituirlos.
La voz y los agentes inteligentes, la interfaz del futuro para documentos y procesos
La combinación de voz y agentes inteligentes está emergiendo como un medio natural y eficiente para comunicarnos con ordenadores, ahorrando tiempo y aumentando la productividad. Aunque este mercado aún es incipiente, con un valor inferior a 4.000 millones de dólares a nivel global, el interés ejecutivo es elevado. Un estudio de Deepgram y Opus Research de 2025 mostró que el 67% de los líderes empresariales considera la IA por voz fundamental para su estrategia, el 84% planea incrementar sus presupuestos en esta área y el 80% ya utiliza sistemas tradicionales de agentes por voz, aunque solo el 21% está plenamente satisfecho.
A medida que empleados interactúan con sistemas inteligentes para crear contenidos, acceder a conocimientos y gestionar procesos, los responsables de tecnología deben prepararse para un futuro en el que las conversaciones, y no solo los teclados, sean el motor del trabajo del conocimiento.
Esta evolución también afecta al desarrollo de software: en lugar de exigir a los programadores construir complicados flujos de llamadas e integraciones, los equipos de negocio podrán crear agentes conversacionales de voz describiendo sus necesidades en lenguaje natural, convirtiéndose la voz en una interfaz de programación.
Gracias a aplicaciones basadas en voz, los usuarios de negocio podrían diseñar, probar y perfeccionar agentes potenciados por IA utilizando su experiencia y conocimiento del sector, sin tener que depender en cada fase del departamento de TI.
Un cambio generacional y cultural
El relevo generacional también juega un papel destacado. Los profesionales más jóvenes y desarrolladores están más familiarizados y cómodos con herramientas de IA activadas por voz en su trabajo diario. Prefieren usar auriculares o micrófonos para capturar ideas, redactar textos o resolver problemas, además de generar código, escribir pruebas, resumir documentos y recuperar información. Este patrón de uso ha impulsado la tendencia conocida como «susurrar».
Permitir que los empleados interroguen documentos empresariales mediante la voz para obtener información, en lugar de realizar búsquedas manuales, puede revolucionar la eficiencia y la forma de trabajar. Aunque no toda la labor pasará a realizarse por voz —algunos trabajos precisan la privacidad y la rapidez del teclado—, ante la aparición de agentes cada vez más inteligentes, los CIOs deben apostar por ofrecer a sus equipos la libertad de utilizar IA a través de cualquier interfaz que elijan.
Doxis, especialista en inteligencia documental, ofrece soluciones avanzadas de gestión y automatización inteligente de contenidos. Su plataforma única ayuda a gestionar miles de millones de documentos en procesos empresariales, facilitando el análisis, automatización, generación y seguridad documental para las principales marcas.
