Retell escala a 100 millones de llamadas al mes con modelos de OpenAI y Codex

Retell AI, una startup norteamericana, desarrolla agentes de voz para centros de contacto. Ahora atiende a más de 4000 empresas, y su tráfico mensual ha pasado de 30 millones de llamadas a principios de 2026 a más de 100 millones en septiembre. Los modelos de OpenAI generan las respuestas en el 80% de las llamadas, el consumo total ha superado 1 billón de tokens y la tasa de consultas resueltas de los clientes es superior al 80%. Los ingresos por empleado son de 1,6 millones de dólares en términos anuales. OpenAI publicó este caso el 27 de octubre de 2026.

Cómo se elige el modelo para una llamada en vivo

Un agente de voz en un entorno corporativo debe cumplir las políticas de la empresa, no salirse de su rol y no perder el hilo cuando la conversación se desvía. Para comparar modelos, Retell construyó un benchmark interno, vCX: decenas de modelos se prueban en diálogos complejos de varios turnos tomados de escenarios reales de producción. Se evalúan el seguimiento de instrucciones, el anclaje en la información proporcionada, la corrección de las llamadas a herramientas y la naturalidad del habla.

En la ejecución del 13 de octubre de 2026, GPT-6 Astra quedó primero en seguimiento de instrucciones, con un 89,7%. Las mediciones anteriores, realizadas antes de la salida de Astra, mostraban otro panorama: GPT-5.5 lideraba en porcentaje de respuestas sin alucinaciones (88,0%) y en corrección de llamadas a herramientas (88,3%) con el razonamiento activado, por delante de Gemini-3.1-Pro y Claude-4.6. Sin razonamiento, también fue el primero en respuestas sin alucinaciones. Retell incorpora los nuevos modelos el mismo día de su lanzamiento y vuelve a ejecutar el benchmark.

Qué ocurre dentro de una llamada

La capa de orquestación de Retell ejecuta los modelos de audio, sigue el curso de la conversación y decide cuándo el agente debe hablar, escuchar o reaccionar a una interrupción. Los modelos de OpenAI generan los textos de las respuestas y las solicitudes de llamada a herramientas. Después, Retell ejecuta esas llamadas mediante integraciones con los sistemas del cliente y puede escribir el resultado en la ficha del cliente. Si hace falta una persona, el agente pone al operador en contexto, responde a sus preguntas y solo cuando este confirma que está listo transfiere al abonado. Tras la llamada, GPT-5.6 Terra analiza la transcripción y extrae los resultados y los datos estructurados.

En cuanto a las latencias, el tráfico diurno supera en más de 50 veces el mínimo nocturno, por lo que Retell utiliza servidores dedicados de OpenAI, compartidos entre todos sus clientes. Los endpoints regionales de la API acortan la ruta de red y ayudan a cumplir los requisitos de residencia de datos en sanidad y finanzas. Además, Retell mantiene su propia pila de telefonía con una de respaldo, así como circuitos de reserva para los servicios de voz y de modelos.

• GPT-6 Astra: primer lugar en seguimiento de instrucciones (89,7%), latencia mediana de la primera frase de 883 ms; también se usa en las pruebas automáticas de interfaz
• GPT-6 Sol: latencia mediana de 883 ms
• GPT-6.1 Sol: generación de respuestas y llamadas a herramientas durante las llamadas
• GPT-5.6 Luna: mejor latencia del benchmark, 497 ms
• GPT-5.5: 88,0% sin alucinaciones, 88,3% de llamadas a herramientas correctas
• GPT-5.6 Terra: análisis de transcripciones tras las llamadas
• Realtime API y text-to-speech de OpenAI: disponibles para los clientes como motor de voz
• Anker: 80,4% de consultas resueltas, NPS 63, soporte de primera línea en EE. UU. y Reino Unido
• Pine Park Health: 55,7% de citas agendadas en el contacto con el paciente, 2,1 puestos equivalentes de tiempo liberado de asistentes médicos

Codex como compañero virtual

La economía de Retell no depende únicamente de los modelos que atienden las llamadas. Los ingenieros dan a Codex un requisito general, y este estudia el código, lo contrasta con datos reales y explica qué hay que cambiar. Uno de los ingenieros afirmó que Codex hace ese análisis mejor y bastante más rápido que él. Durante la implementación, Codex suele detectar detalles que el desarrollador no había tenido en cuenta, y en la depuración cruza los logs y los registros de la base de datos con el código. También se usa en el trabajo con clientes, por ejemplo para redactar con más rapidez las instrucciones de los modelos en sus aplicaciones.

Aparte está la prueba del frontend. Cuando un ingeniero abre un pull request, GPT-6 Astra abre la interfaz mediante computer use, hace clic, recorre los escenarios, intenta romperlos e informa de los problemas que encuentra. Según Retell, los modelos anteriores lo hacían de forma poco fiable. El equipo sigue contratando, pero necesita menos ingenieros de los que crece el negocio.

Qué se puede sacar de este caso

Para quienes construyen agentes de voz, el caso deja varias lecciones prácticas. Hace falta un benchmark propio con diálogos reales: en Retell, es el que decide qué modelo pasa a producción. Conviene asignar modelos distintos a tareas distintas: la rápida Luna para la latencia, Astra para la disciplina en las instrucciones y Terra para el posprocesamiento. Se necesitan endpoints regionales y respaldo en cada capa. Por último, con una carga cuyo pico es 50 veces superior al mínimo, la capacidad dedicada deja de ser un lujo y pasa a ser una condición para responder de forma estable.

Conviene recordar que todas las cifras las aporta la propia Retell y OpenAI las ha publicado como caso de cliente. El benchmark vCX es interno y no tiene verificación independiente. Entre los planes de la compañía están ampliar el control de calidad y las simulaciones, añadir idiomas y habilitar el autoaprendizaje a partir de la base de conocimiento.