Ejecutivos de IA de voz: falta el "momento ChatGPT"

Inversión millonaria, pero falta un salto clave

La idea de que la voz será la próxima gran interfaz tecnológica ganó fuerza en los últimos meses, con inversores que destinaron miles de millones de dólares a startups de inteligencia artificial de voz. Estas empresas trabajan en distintos frentes: desarrollo de modelos, atención al cliente corporativa, transcripción de reuniones y dictado por voz.

Cada semana aparece un nuevo modelo o herramienta que promete sonar humano y mantener una conversación natural. Sin embargo, según Shawn Wen, director de Tecnología de la plataforma empresarial PolyAI, la inteligencia artificial de voz todavía no tuvo su "momento ChatGPT", pese a la llegada de los modelos full-duplex, capaces de hablar y escuchar al mismo tiempo.

Wen planteó este diagnóstico el mes pasado durante una charla en la conferencia HumanX. "Llegamos al hito de desarrollar modelos full-duplex. El próximo desafío es lograr que el razonamiento sea muy rápido, para que los modelos busquen respuestas con velocidad y la conversación se sienta natural", explicó.

El directivo agregó que los agentes de IA usados en atención al cliente no deberían sonar robóticos, sino transmitir confianza suficiente para que quien llama sienta que su problema puede resolverse. "Una vez que la voz es lo bastante buena y el cliente está dispuesto a interactuar durante los primeros dos o tres turnos, empieza a generarse confianza. Con el tiempo, van a sentir que tal vez no necesitan hablar con un humano si el agente puede resolver el problema", señaló.

Alex Gay, director de Marketing de Otter, empresa dedicada a la transcripción de reuniones, coincidió en que identificar quién habla, captar intenciones y cruzar esa información con el conocimiento organizacional son pasos clave para avanzar hacia la automatización. Otter también desarrolla "gemelos digitales" que podrían representar a personas en reuniones, para lo cual la voz generada debería replicar las mismas expresiones emotivas de una conversación humana.

"Las mejores conversaciones en una reunión son aquellas donde hay debate, discusión estratégica y una sensación de vínculo. Si no se puede lograr eso con un avatar, termina siendo solo un chatbot de preguntas y respuestas", apuntó Gay.

Errores de transcripción y falta de transparencia

Aunque los modelos de voz mejoraron, persisten problemas: asistentes que no entienden bien a los usuarios o transcriptores de reuniones que muestran resúmenes incorrectos.

Según Wen, los sistemas de reconocimiento automático del habla (ASR) suelen pasar por alto palabras clave importantes, lo que genera dificultades para capturar el contexto completo de una conversación.

Gay coincidió con ese diagnóstico y señaló que Otter sigue trabajando para mejorar sus transcripciones, otro punto donde los modelos de voz todavía tienen margen de avance.

"Para Otter, la transcripción nunca fue el objetivo final, sino la capa sobre la que podíamos generar ganancias de productividad. Pero si la transcripción original no tiene la precisión necesaria, todas las acciones posteriores quedan mal. Y en el momento en que eso empieza a generar acciones erróneas, se pierde la confianza en la plataforma", explicó el ejecutivo. Por eso, agregó, es crítico seguir mejorando el modelo ASR, ya que el impacto de los errores se traslada a toda la cadena de uso.

La llegada de estas herramientas también abre un debate sobre transparencia:

• Las empresas deberían informar a los usuarios cuando están siendo grabados o hablando con una IA.
• Otter busca generar confianza incluso en reuniones donde su bot no participa, notificando por chat que el encuentro está siendo grabado.
• PolyAI remarcó que es importante dejar en claro cuándo una persona está hablando con una inteligencia artificial en llamadas corporativas.