Un agente de texto puede pensar cinco segundos y nadie lo nota: en el chat aparece «escribiendo…». Uno de voz no puede. La persona al teléfono oye silencio y pregunta «¿hola?», y si el agente dice un número de pedido como «cincuenta y un mil ciento treinta y seis», la persona no tiene nada que releer. Grow2.ai, la división de IA de Auspex, construye agentes de voz para las llamadas de sus clientes: confirmación de pedidos, gestión de la entrega y registro del resultado en el CRM. A continuación, siete diferencias con un agente de texto; cada una apareció primero como un defecto en una llamada real.
Los ejemplos vienen de dos clientes que no nombramos por acuerdo: una tienda online de ropa (el agente confirma pedidos) y una empresa de servicios cuyos abonados son en su mayoría personas mayores (el agente toma pedidos con envío por Nova Poshta, el servicio de paquetería ucraniano). Las frases de las llamadas están traducidas del ucraniano. Cómo escucha el agente lo contamos en otro artículo: dónde falla el reconocimiento del ucraniano. Este trata de cómo habla y cómo mantiene el ritmo.
1. Tienes alrededor de un segundo para responder
En un chat, una respuesta en tres segundos es normal. En una llamada, dos segundos de silencio ya suenan a «algo se rompió». Tras las primeras pruebas, la tienda nos escribió: «se nota que es IA: la voz, la entonación, las pausas antes de responder». La pausa antes de responder en esas grabaciones era de 2,0 segundos. En el segundo cliente medimos 2,6–2,9 segundos.
Esa pausa tiene tres partes: el reconocimiento de voz tiene que detectar que la persona terminó, el modelo tiene que escribir la respuesta y la síntesis tiene que empezar a sonar. Cada parte hay que recortarla por separado. Cuando ajustamos la detección del final de la frase, la mediana bajó de 0,56 a 0,31 segundos en las mismas grabaciones, sin cortar a nadie a mitad de palabra.
Otra trampa es la primera solicitud después de un rato inactivo. El 6 de septiembre, tras el «¿Hola?» de la persona, la primera respuesta del modelo tardó 4,5 segundos y las siguientes, 0,7–0,8. Ahora, mientras suena el saludo, el agente «calienta» el modelo con una solicitud corta, y la primera respuesta no arranca en frío.
2. No hay tiempo para pensar, y se paga en calidad
A un agente de texto se le puede activar el modo de razonamiento: primero piensa y luego responde. A uno de voz eso le cuesta segundos que no tiene. El precio se ve en un ejemplo: las personas mayores suelen deletrear el apellido con nombres propios, así que «María, Oleh, Román, Oksana, Zoia» significa «Moroz». En modo rápido, sin tiempo para razonar, el modelo no reconoció ese deletreo ni una vez de cinco. Por eso escribimos los casos difíciles como reglas en el guion o los pasamos al código, como en los puntos siguientes.
3. El saludo y las cifras, como texto preparado
Mientras el modelo componía el saludo de una llamada entrante, pasaban 1,4–2 segundos hasta el primer sonido. Un «¿hola?» temprano de la persona podía cancelar ese saludo, y una auditoría del 14 de septiembre encontró llamadas con hasta 59 segundos de silencio en la línea. Con las salientes pasó algo parecido: el 30 de octubre, en tres llamadas el agente nunca llegó a presentarse. Ahora el saludo es texto preparado que va directo a la síntesis, sin pasar por el modelo.
Lo mismo con las cifras del guion. Tarifas, precios y códigos de marcación están copiados literalmente de los documentos del cliente. Un código como *141# que un día se convirtió en *140# solo se oye en la grabación: en el CRM no se ve, y durante un mes nadie lo notará.
4. El agente no dice los números por su cuenta: los recibe ya separados
Un agente de texto escribe «51136» y la persona ve las cifras. Uno de voz tiene que decirlas, y el modelo decide cómo. En las llamadas de prueba del 19 de septiembre leyó el número de pedido 51136 como una cantidad, «cincuenta y un mil…», y en la llamada siguiente se equivocó en una cifra. La regla «díctalo en grupos» estaba en el prompt todo el tiempo.
La conclusión es sencilla: un código que la persona compara con su pedido no debe decirlo el modelo por su cuenta. Ahora el número lo prepara el programa: grupos de tres cifras desde la derecha, cada uno como un número aparte, y los ceros se pronuncian. El agente dice «51036» como «cincuenta y uno, cero treinta y seis». Lo mismo con el número de sucursal: el modelo leyó «№18» como «ocho», así que el número le llega al agente ya escrito en palabras.
Los montos, al revés: un número normal, dicho como lo dice la gente. En ucraniano eso significa «mil cuatrocientas noventa y nueve grivnas», sin el «un» libresco delante de «mil».
5. Letras latinas, tallas y abreviaturas, en palabras
En pantalla, «XL» se lee al instante. En una llamada, el modelo decía «large» o «L-X-L», y pasaba a la síntesis cadenas latinas como «XXS-XS» tal cual. Ahora la talla llega ya escrita en palabras (en ucraniano, algo como «ель — ікс-ель»), y el agente tiene prohibido decirla con letras latinas. Las mismas palabras están en el vocabulario del reconocimiento, para que el agente también oiga «XS» correctamente.
Un detalle más: el agente nombra la talla pedida completa una sola vez y después dice «su talla». Si no, «XXS — XS» suena tres veces en una llamada, y eso cansa más de lo que parece sobre el papel.
6. La conversación se construye de otra forma: más corta y por turnos
En texto, la persona ve todo el pedido a la vez. De oído, tres artículos con colores y tallas en una sola frase ya cuestan de retener. En nuestro caso de la tienda, en las primeras llamadas el agente hablaba el 59–66 % del tiempo de la conversación: cada frase era «Gracias», un bloque de información y «¿Es correcto?», con dos preguntas de menú seguidas. Ahora los artículos van de dos en dos o de tres en tres, con un breve «¿todo bien?» tras cada grupo, una pregunta en lugar de dos y sin lenguaje burocrático.
El dictado es un género que en el chat no existe. Mientras la persona deletrea el apellido de una a tres letras, el agente responde con una palabra, «Sí.», como un operador que va anotando. Si el número de sucursal llega con la dirección («la 12, calle Shevchenka, 5»), el agente no repite la calle: para el envío bastan la ciudad y el número.
Y al revés: una respuesta corta de la persona también tiene que entenderse como terminada. Al principio el agente tomaba «Sí, una.» por una frase a medias y esperaba que siguiera: 4 segundos de silencio. Ahora calibra las respuestas cortas según el público.
7. Lo que no se puede pronunciar no debe llegar a la síntesis
Un agente de texto puede poner un emoji, y está bien. Uno de voz envía a la síntesis todo lo que escribió el modelo. Del 13 al 19 de octubre salió a la línea la frase «¿Qué diferencia hay? ☎️», y una respuesta consistía solo en un ☎️. Ahora los pictogramas se eliminan antes de la síntesis, mientras que «№» y «°» se quedan, porque la síntesis los lee como palabras.
Lo mismo con las etiquetas de servicio. El ritmo del habla lo fijamos con una etiqueta para la síntesis, y el 4 de septiembre 242 palabras de esa etiqueta se filtraron a la transcripción y al contexto del modelo, que empezó a repetir «[speaking very quickly]» por su cuenta. En otra llamada el ritmo cambiaba de una frase a otra, porque distintas partes de la respuesta recibían etiquetas distintas. Ahora hay un solo ritmo para toda la llamada.
Cómo probar un agente de voz: de oído, no por la transcripción
La mayoría de los defectos de arriba se verían bien en una transcripción. «51136» es correcto como texto, *140# parece verosímil y una pausa de 2 segundos en los registros es solo un número. Por eso aceptamos un agente de voz de oído: con grabaciones de llamadas reales y llamadas de prueba en cada nueva versión del guion. Un plan para esa prueba antes del lanzamiento está en la lista de verificación del primer piloto de dos semanas, y qué hacer con los errores de reconocimiento, en el artículo sobre la corrección de transcripciones.
Si estás eligiendo un agente de voz para tus llamadas y quieres saber dónde va a tropezar con tus propios datos, empieza por una auditoría de IA de Grow2.ai.
Por Andrew Maryasov, fundador de Auspex y de Grow2.ai, la división de IA de Auspex.