Contexto técnico
Me encantan estas cosas no por el hype, sino por su realismo: no es una demo con audio perfecto, sino una llamada real a un restaurante español. Y es aquí donde la automatización con IA deja de parecer un juguete para convertirse en una base sólida para la telefonía empresarial.
En la PoC (Prueba de Concepto) publicada, el agente llamó, habló en español y reservó una mesa para tres a las 20:00. Lo más interesante no es que «dijera algo», sino que llegó hasta la confirmación de la reserva, a pesar de que el STT (Speech-to-Text) tropezó en el camino y reconoció un ruido como una frase extraña: «¿Qué tipo de escándalos hay acá?».
El stack tecnológico también es revelador. Usaron 11labs para TTS/STT, Zadarma para la telefonía y Gemini 1.5 Flash como cerebro. El coste de la llamada fue de unos 15-20 céntimos por un minuto y medio, y este es el nivel en el que ya no lo veo como un experimento, sino como un candidato para la integración de inteligencia artificial en procesos operativos.
Me gustó especialmente un pequeño detalle que normalmente te hace perder medio día depurando: en la API, el campo se llama message, y no text. Quien haya montado pipelines de voz manualmente sabe cuánto tiempo se pierde con estas tonterías, sobre todo cuando todo parece estar «casi bien».
Más tarde, el autor mostró una segunda llamada, esta vez a la cueva de Pozalagua. La observación allí fue aún más interesante: un breve ¡Hola! al principio funciona mejor que una introducción más larga. Esto es muy real. En los agentes de voz, los primeros 2-3 segundos a menudo lo deciden todo: si la persona entiende lo que está pasando o si cuelga.
El siguiente paso del autor, según sus notas, es un sistema ASR/TTS completamente local. Y lo entiendo. En cuanto sales del entorno de pruebas, surgen la latencia, la privacidad, el coste a escala y la necesidad de controlar la calidad para un idioma y acento específicos.
Impacto en el negocio y la automatización
Si lo miramos no con los ojos de un entusiasta, sino con los de un empresario, la señal es simple: los escenarios telefónicos están empezando a automatizarse de verdad. Reservas, confirmaciones de citas, cambios de visita, respuestas a preguntas frecuentes, recopilación de datos básicos del cliente... todo esto ya se puede integrar en un desarrollo de soluciones de IA funcional, no solo en una presentación para inversores.
Pero no sacaría la falsa conclusión de que el problema principal ya está resuelto. En mi opinión, el punto más crítico aquí no es el TTS ni siquiera la LLM. El principal campo de minas, como se señaló en el debate, es la detección de turnos (turn detection): cuándo hablar, cuándo callar, cuándo no se puede interrumpir y cuándo una pausa significa que es el turno del agente.
Es la detección de turnos lo que marca la diferencia entre un «¡guau, ha llamado solo!» y un «por dios, apaga eso». Sobre el papel, un diálogo puede ser inteligente, pero si el agente interrumpe al interlocutor o se queda colgado tras una respuesta obvia, la experiencia de usuario se desmorona en segundos.
¿Quiénes son los primeros en beneficiarse de estos sistemas? Restaurantes, clínicas, salones de belleza, servicios locales, turismo... es decir, todos aquellos cuyo flujo de entrada sigue dependiendo del teléfono. ¿Quiénes pierden? Los que piensan que basta con conectar un modelo a un SIP para tener un empleado listo, sin configurar escenarios, tiempos, lógica de respaldo y monitorización.
En casos como este, siempre analizo la arquitectura completa: telefonía, reconocimiento, gestión del diálogo, memoria de sesión, reglas de escalado a un humano, registro de errores y coste por minuto. En Nahornyi AI Lab, precisamente resolvemos para nuestros clientes este tipo de tareas de implementación de IA en la intersección entre negocio e ingeniería, donde lo importante no es el hecho de «tenemos un agente», sino que realmente aligere la carga de trabajo del equipo.
Mi conclusión es simple: los agentes de voz ya han superado la fase de truco de circo. Pero no ganarán las voces más «inteligentes», sino los sistemas con una arquitectura de IA cuidadosamente ensamblada, que tengan en cuenta los errores del STT y un ritmo de conversación pulido. Si tu empresa pierde clientes en las llamadas o tu personal dedica horas a conversaciones repetitivas, analicemos tu flujo de forma tranquila y profesional: en Nahornyi AI Lab puedo ayudarte a construir una automatización con IA para que el agente no moleste a los clientes, sino que realmente se encargue de la rutina y libere a las personas para que hagan un trabajo de mayor valor.