Los call centers llevan años prometiendo que la IA de voz va a reemplazar a los operadores humanos. La realidad en 2026 es más matizada: la tecnología existe, está desplegada en millones de llamadas al día, y tiene un problema persistente que nadie ha resuelto todavía. Lo explican en una entrevista reciente Shawn Wen, CEO de PolyAI, y Alex Gay, CEO de Otter.ai: los sistemas de reconocimiento automático de voz (ASR) siguen cometiendo errores en las palabras que más importan.
Un sistema de IA de voz puede gestionar perfectamente un flujo de preguntas y respuestas predecibles. Pero cuando el cliente dice el nombre de un medicamento poco habitual, una referencia de producto con caracteres alfanuméricos o una petición fuera del guion, el ASR tiende a ignorar o mal transcribir exactamente esas palabras. El resultado es una conversación que parece funcionar hasta que no funciona, y en el peor momento posible: cuando el cliente necesita algo concreto y urgente.
He probado más de una docena de sistemas de IA conversacional para call centers desde 2023, tanto en entornos de prueba como en llamadas reales como cliente, y el patrón es consistente. El sistema maneja el «sí, mi número de cuenta es…» perfectamente. Falla en «el problema es con el Lyrica de 150 mg» o «el número de seguimiento es XK7421-B».
Los call centers están adoptando IA de voz más rápido de lo que los clientes se dan cuenta
PolyAI es una de las empresas líderes en IA conversacional para empresas, con clientes en el sector hotelero, sanitario, de telecomunicaciones y retail. Su sistema gestiona llamadas completas sin intervención humana en escenarios bien definidos: reservas, consultas de estado de pedido, cambios de cita, preguntas frecuentes. El CEO Shawn Wen apunta que en los últimos dieciocho meses la adopción entre grandes empresas ha pasado de proyectos piloto a despliegues en producción que manejan millones de llamadas mensuales.
Otter.ai tiene un perfil diferente —originalmente una herramienta de transcripción para reuniones— pero ha extendido sus capacidades de análisis de voz en tiempo real a entornos de atención al cliente, donde se usa para asistir a operadores humanos con transcripción en directo y detección de sentimiento. Alex Gay señala que la combinación de IA de apoyo al agente humano y IA de reemplazo total del agente coexiste en muchas empresas: no es un camino de uno u otro, sino de capas.
Crear un asistente de voz con IA para tu empresa ya era técnicamente accesible en 2024. Lo que ha cambiado en 2026 es el nivel de fiabilidad en entornos no controlados y el coste por llamada, que ha bajado de forma significativa con los modelos más eficientes de las plataformas líderes.
¿Por qué la IA de voz sigue cortando conversaciones y perdiendo palabras clave?
El problema técnico tiene dos capas. La primera es el ASR: los modelos de reconocimiento de voz tienen un vocabulario de entrenamiento que cubre el lenguaje común, pero lucha con nombres propios poco frecuentes, terminología especializada, números de referencia alfanuméricos y acentos muy marcados. Cuando el sistema no reconoce una palabra con suficiente confianza, tiene dos opciones: hacer una suposición (que puede ser errónea) o ignorar esa parte del audio. En los escenarios críticos —un número de cuenta, el nombre de un medicamento, una referencia de reclamación— cualquiera de las dos opciones crea fricción o error.
La segunda capa es la comprensión semántica en tiempo real. El modelo de lenguaje que interpreta la transcripción del ASR trabaja con una secuencia de palabras que puede tener errores silenciosos. Si el ASR transcribe «Lyrica 150» como «Lirika ciento cincuenta» o simplemente pierde el número, el modelo de lenguaje que intenta entender la petición del cliente ya parte de una información incorrecta.
Los sistemas full-duplex —donde la IA puede hablar y escuchar al mismo tiempo, sin los turnos rígidos del diálogo tradicional— existen técnicamente y están en producción en algunos sistemas de PolyAI. Pero introducen un problema nuevo: la IA necesita razonar sobre lo que el cliente está diciendo mientras todavía lo está diciendo. La velocidad de razonamiento de los modelos actuales genera una latencia de respuesta que el usuario percibe como que «la máquina va lenta». En llamadas de alta emoción —reclamaciones, urgencias médicas— esa latencia es suficiente para deteriorar la percepción de calidad.
Full-duplex existe, pero la velocidad de razonamiento sigue siendo el cuello de botella
La diferencia entre una conversación humana fluida y una interacción con IA de voz es principalmente latencia. Un humano procesa lo que le dicen y responde en milisegundos. Los mejores sistemas de IA de voz actuales tienen latencias de entre 300 y 800 milisegundos desde que el usuario termina de hablar hasta que la IA empieza a responder. En conversaciones telefónicas, el umbral de incomodidad está alrededor de los 200 milisegundos: por encima, el silencio se percibe como pausa incómoda o posible desconexión.
La industria está trabajando en dos frentes para reducir esta latencia: modelos de lenguaje más pequeños y especializados para dominios concretos (que razonan más rápido porque tienen menos espacio de búsqueda) y arquitecturas de streaming donde el modelo empieza a generar la respuesta antes de recibir la oración completa del usuario. Ninguno de los dos frentes ha alcanzado todavía los 200ms de forma consistente en entornos de producción real.
¿Cuándo veremos una IA de voz en call center que no se note como tal? La respuesta honesta de Shawn Wen es «más tiempo del que la mayoría esperan». El benchmark no es «¿suena natural?» sino «¿resuelve el problema del cliente sin frustrarlo?». En el 70-80% de los casos de uso habituales, ya lo hace. En el 20-30% restante —los casos más complejos, urgentes o con vocabulario poco frecuente— todavía no.
Y ese 20-30% es, casi siempre, el que más importa para el cliente que llama.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí
No hay comentarios.:
Publicar un comentario