Atender audios de WhatsApp con IA: por qué ya no es opcional
Abre el WhatsApp de cualquier negocio en México y cuenta cuántos mensajes son audios. En muchos casos es la mitad o más. El cliente va manejando, está en la cocina o simplemente no quiere escribir, así que manda 40 segundos de "oye, fíjate que quería ver si...". Para el dueño eso significa parar lo que está haciendo, ponerse el celular en la oreja y luego contestar. Para un bot que solo lee texto significa un mensaje que no entiende. Atender audios de WhatsApp con IA resuelve eso: el sistema escucha, entiende qué quiere el cliente y responde como si hubiera leído un mensaje escrito.
En este artículo explicamos cómo funciona en NextReply, qué tan bien entiende el español de México con su ruido y sus modismos, dónde están los límites y cuándo el chat pasa a una persona de tu equipo. Si quieres ver todas las capacidades juntas, están en las funciones de NextReply.
Por qué tus clientes prefieren mandar audios
No es pereza. El audio es más rápido, permite explicar con detalle y se siente más personal. En un país donde la gran mayoría de la gente se conecta desde el celular (el INEGI contó 100.2 millones de usuarios de internet en 2024, el 83.1% de la población de seis años o más), WhatsApp es el canal natural y el audio es parte de cómo se habla en él.
Los audios típicos que recibe un negocio de servicios se parecen a estos:
- "Buenas tardes, quería saber si tienen cita para limpieza dental el jueves, de preferencia en la tarde, porque en la mañana trabajo."
- "Oye, ¿cuánto me sale el corte con barba? Y si se puede el sábado temprano."
- "Hola, mi carro hace un ruido raro cuando freno, ¿cuándo lo puedo llevar a que lo revisen?"
- "Una pregunta, ¿todavía tienen la promoción del masaje en pareja? Es para el 14."
Cada uno tiene una intención clara, un servicio, a veces un día y una preferencia de horario. Si un bot puede sacar esos datos del audio, puede agendar igual que con un mensaje escrito.
Cómo un bot que entiende audios convierte la voz en una cita
Esto es lo que pasa por dentro cuando un cliente manda un audio a un negocio que usa NextReply:
- Transcripción. El audio se convierte en texto. El sistema está hecho para voz real: gente hablando rápido, con tráfico de fondo, música, niños o el ruido de una secadora.
- Comprensión. La IA identifica qué quiere el cliente (precio, cita, cambio, queja), qué servicio menciona y si dijo día u hora.
- Respuesta. Contesta por escrito, en el idioma del cliente, con la información que tú configuraste: precio, duración, horarios libres.
- Agenda. Si el cliente quiere cita, ofrece espacios disponibles en tu Google Calendar y la confirma.
- Paso a tu equipo. Si el audio trae una queja, un caso delicado o algo que la IA no puede resolver con tu información, el chat pasa a una persona.
La respuesta llega en texto. Así el cliente tiene por escrito el precio, la dirección y la hora de su cita, y no tiene que escuchar otro audio para recordarla. Puedes ver el recorrido completo en cómo funciona.
- Mensaje del cliente: «¿Tienen lugar mañana en la tarde?»
- Recepcionista con IA: Entiende servicio, día y hora
- Consulta tu agenda: Solo ofrece horarios libres
- Confirma en el chat: Nombre, servicio y hora
- Cita agendada: En Google Calendar, con aviso al dueño
Modismos, ruido y acentos: el español real de México
Un bot que entiende audios en México tiene que lidiar con cosas que no vienen en los libros: "¿cuánto me sale?", "¿tienes chance mañana?", "ahorita paso", "¿me lo apartas?", "nomás quería ver...". También con nombres de servicios que cada negocio llama distinto: "uñas de acrílico", "acrílicas", "mano completa"; "limpieza", "profilaxis"; "afinación", "servicio". La IA interpreta el sentido, no solo las palabras, y lo cruza con tu lista de servicios.
Algunas recomendaciones para que entienda mejor tu negocio:
- En tu lista de servicios agrega los nombres que usan tus clientes, no solo el nombre técnico.
- Escribe en tus preguntas frecuentes las dudas que más escuchas en audios.
- Revisa las primeras semanas qué audios terminaron con el chat pasado a tu equipo y ajusta la información.
"Ahorita" también es un buen ejemplo de por qué la IA no adivina: si el cliente dice "ahorita paso", el bot no inventa una hora. Le pregunta a qué hora le acomoda y le ofrece espacios reales.
Audios en otros idiomas
En zonas turísticas y de negocios llegan audios en inglés, en portugués o de clientes que mezclan idiomas. NextReply responde en el idioma en que le hablan, sin que tengas que configurar nada extra. Un spa cerca de Polanco o un consultorio dental que atiende a extranjeros en Guadalajara pueden contestar en inglés a las 11 de la noche sin que nadie del equipo tenga que hacerlo.
- مرحبا، عندكم موعد؟ / Olá, tem horário? / Hola, ¿hay cita? / Hi, any slots?
- Detecta el idioma: Por texto o nota de voz en WhatsApp
- Responde en ese idioma: Lo configuras una vez
Fotos además de audios
Los clientes no solo hablan, también enseñan. Por WhatsApp mandan la foto del corte que quieren, del diseño de uñas, de la mancha en la alfombra, de la llanta ponchada o de la receta del doctor. NextReply entiende imágenes y las usa como contexto: relaciona la foto con el servicio que más se parece y ofrece cita. Cuando la foto requiere el criterio de un profesional, por ejemplo una lesión o un daño difícil de valorar, el chat pasa a tu equipo con la imagen incluida. En consultorios recuerda que una foto de salud es un dato sensible; lo explicamos en nuestra guía sobre sectores de salud.
Cuándo el audio pasa a una persona de tu equipo
La IA es buena con la mayoría de los audios cotidianos, pero hay casos en que lo correcto es que conteste alguien de tu negocio:
- Quejas o molestias. Un cliente enojado merece una persona, no una respuesta automática.
- Audios ininteligibles. Si el ruido tapa lo importante, la IA pide que lo repita o lo escriba, y si sigue sin entender, pasa el chat.
- Temas médicos o legales. La IA no da diagnósticos ni consejos profesionales.
- Negociaciones. Descuentos, paquetes especiales o eventos los decides tú.
Cuando pasa el chat, tu equipo ve la conversación completa con la transcripción del audio, así no tiene que escucharlo de nuevo para entender el contexto. Tú decides las reglas de ese paso.
- Petición poco habitual: Queja, devolución o caso especial
- Recepcionista con IA: Sabe cuándo parar
- Responde con tus preguntas frecuentes: Servicios, horarios y precios / Pasa la conversación: Tu equipo recibe un aviso
- Tu equipo responde: El mismo chat, con todo el historial
Audios a medianoche: el caso más común
Mucha gente graba sus audios de noche, cuando por fin tiene tiempo. Si el negocio contesta a las 10 de la mañana del día siguiente, el cliente ya se olvidó o ya agendó en otro lado. Con la IA el audio de las 11:30 p.m. recibe respuesta en segundos y la cita queda en tu calendario. Lo detallamos en atención fuera de horario.
Audios en otros canales: por ahora, solo WhatsApp
WhatsApp es el canal donde más audios recibes y es donde NextReply funciona hoy. Por ahora, entender notas de voz y fotos es una función solo de WhatsApp. Instagram, Messenger y Telegram llegan pronto con la misma información de tu negocio; puedes ver qué hará cada uno en canales.
Cómo probar que la IA entiende tus audios antes de decidir
No te quedes con la promesa: pruébalo con los audios que tú recibes. Una prueba de 15 minutos basta. Desde un celular que no sea el del negocio, manda estos cuatro audios y revisa qué contesta la IA:
- Un audio corto y claro pidiendo precio de tu servicio más común.
- Un audio largo, grabado en la calle, que pida cita para "el jueves en la tarde" con una persona específica de tu equipo.
- Un audio que mezcle dos preguntas: precio y estacionamiento, por ejemplo.
- Un audio molesto, quejándose de una cita anterior.
Lo que esperas ver: los tres primeros se resuelven con respuesta escrita y horarios reales; el cuarto pasa a tu equipo. Si algo falla, casi siempre es información que falta en tus servicios o preguntas frecuentes, y se corrige en el panel en minutos. Repite la prueba después de ajustar.
Privacidad de los audios
Un audio puede traer nombre, dirección, datos de salud o información familiar. Trátalo como cualquier dato personal: menciónalo en tu aviso de privacidad, no le pidas al cliente más de lo necesario para agendar y define quién de tu equipo puede revisar conversaciones. En México aplica la Ley Federal de Protección de Datos Personales en Posesión de los Particulares. Si quieres saber cómo manejamos los datos, revisa quiénes somos o escríbenos.
Qué plan incluye entender audios
Todos. Entender audios y fotos de WhatsApp viene desde el plan Starter, a US$29 al mes. El Pro (US$59) suma historial completo de conversaciones, útil para revisar audios pasados y mejorar tus respuestas. El Business (US$99) agrega citas ilimitadas y envío de cada cita a tu CRM. Los precios están en dólares estadounidenses y todos los planes empiezan con 7 días de prueba gratis, ideal para hacer la prueba de los cuatro audios. Detalles en precios. Más artículos en el blog y ejemplos por giro en sectores; o empieza por la página principal.