La voice AI para empresas todavía no ha tenido su momento ChatGPT. Lo sostienen dos directivos del sector, Shawn Wen (CTO de PolyAI) y Alex Gay (CMO de Otter), que lo defendieron en la conferencia HumanX. Admiten que ya existen modelos full-duplex capaces de hablar mientras escuchan, pero señalan que falta resolver dos asuntos muy concretos: la velocidad del razonamiento y la fiabilidad de la transcripción. Y añaden un tercero que afecta a la confianza del usuario: la transparencia.
Qué dijeron PolyAI y Otter sobre la voice AI para empresas y por qué importa
El mensaje central de la charla en HumanX es sencillo: la tecnología de voz ha avanzado mucho, pero no ha llegado a ese punto de adopción masiva que sí alcanzó el chat de texto con ChatGPT. Wen y Gay coincidieron en que, aunque los modelos full-duplex ya existen, la conversación por voz todavía no resulta lo bastante natural ni lo bastante fiable como para que se convierta en el canal por defecto en las empresas.
Un modelo full-duplex es el que puede hablar y escuchar al mismo tiempo, como hacemos las personas en una conversación normal. Frente a los sistemas por turnos, en los que el usuario habla, el sistema espera, procesa y responde, el full-duplex permite interrupciones, asentimientos y solapamientos. Es un paso importante hacia una conversación natural, pero los dos directivos dejaron claro que por sí solo no basta.
Que lo digan dos responsables de empresas que viven de la voz tiene su peso. PolyAI trabaja con asistentes conversacionales de voz, y Otter con transcripción y notas de reuniones. Son dos puntos de vista distintos sobre el mismo problema: uno desde la conversación en tiempo real con clientes y otro desde la captura fiable de lo que se dice en una reunión. Ambos llegan a conclusiones parecidas, y eso apunta a que los retos son comunes a todo el sector, no particulares de un producto.
Para quien evalúa la voz como canal de atención al cliente o de productividad interna, la lectura práctica es que el estado actual es utilizable pero con condiciones. No es una tecnología inmadura sin más, ni una que ya funcione sola en cualquier contexto.
Latencia, ASR y transparencia: los retos técnicos que quedan en la voice AI para empresas
El primer reto que señalaron es la velocidad del razonamiento. Para que una conversación por voz suene natural, el modelo tiene que decidir qué responder casi sin pausa. En texto, esperar un par de segundos a que el modelo piense resulta tolerable. En una llamada, un silencio incómodo rompe la sensación de hablar con alguien y empuja al usuario a repetir, interrumpir o colgar. Por eso el razonamiento rápido es una condición de uso, no un extra.
El segundo reto es el ASR, el reconocimiento automático del habla. Según los directivos, los modelos de ASR no pueden perder palabras clave, porque una transcripción errónea invalida las acciones que se ejecutan después. Si el sistema entiende mal un nombre, una cifra, una fecha o una dirección, todo lo que viene detrás (la reserva, el registro en el CRM, la tarea asignada, el resumen enviado) parte de un dato equivocado. Y ese error erosiona la confianza en la plataforma entera, no solo en esa interacción.
Este punto es especialmente relevante porque la voz rara vez es el final de la cadena. La transcripción alimenta otros procesos: resúmenes, acciones automáticas, consultas a sistemas internos. Un fallo en la primera pieza se propaga. Medir la calidad de un sistema de voz solo por lo bien que suena la respuesta es quedarse corto; hay que medir si ha captado exactamente lo que importaba.
El tercer eje es la transparencia. Ambos defendieron avisar de que se está grabando o de que el usuario habla con una IA. Otter, además, estudia notificar a todos los participantes en el chat de la reunión incluso cuando no hay un bot presente. Es una postura que va más allá del aviso mínimo: asume que la grabación o la transcripción afecta a personas que quizá no han decidido usar la herramienta.
Qué significa este movimiento para el mercado
Que dos directivos de empresas competidoras en el espacio de voz digan en público que su categoría aún no ha tenido su gran momento es una señal de madurez. Reconocer límites tiene un coste comercial, pero evita promesas que luego no se cumplen. Para quien compra, es una pista útil: conviene desconfiar de demos impecables y pedir pruebas con audio real, con ruido, acentos y vocabulario propio del negocio.
Para los proveedores, el terreno de competencia se desplaza. Ya no basta con ofrecer una voz agradable o un modelo full-duplex. La diferencia estará en la latencia total de la conversación, en la precisión del ASR con palabras clave y en cómo se gestiona el aviso al usuario. Quien resuelva mejor esos tres puntos tendrá ventaja, y son puntos que un comprador puede verificar antes de firmar.
Para las empresas que ya usan o piensan usar voice AI, hay consecuencias prácticas. Primero, definir qué acciones dependen de la transcripción y cuáles son críticas, y exigir al proveedor datos de precisión sobre esas palabras clave concretas. Segundo, diseñar el aviso de grabación o de interacción con IA desde el principio, y no como un añadido legal de última hora. Tercero, probar la latencia en condiciones reales de uso, porque una demo en una red de oficina no refleja una llamada desde un móvil con mala cobertura.
Para las PYMEs, el mensaje es de prudencia, no de rechazo. La voz puede aportar valor, pero conviene empezar con casos acotados, donde un error de transcripción tenga poco coste, y escalar solo cuando se haya medido la fiabilidad. La presión por adoptar rápido no justifica poner en producción un sistema que malinterpreta datos clave de clientes.
También hay una consecuencia de reputación. Si la voz se populariza antes de ser fiable, los usuarios asociarán las malas experiencias de llamadas automáticas con toda la categoría. Los proveedores serios tienen interés en que eso no ocurra, y de ahí que PolyAI y Otter insistan en la transparencia como parte del producto y no como un trámite.
Análisis Blixel
El «momento ChatGPT» es una vara de medir engañosa. ChatGPT despegó porque cualquiera podía probarlo gratis, en una caja de texto, sin instalar nada y con errores que se toleraban porque se podían revisar. La voz juega con reglas más duras: no se puede releer, el silencio se nota y un malentendido sale caro en el momento. Por eso creo que la voice AI para empresas no tendrá un único día de explosión, sino una adopción por casos concretos en la que gana quien mida mejor sus errores.
Lo más valioso de lo que dijeron Wen y Gay no es la predicción, sino el orden de prioridades. Hablar de que una transcripción errónea invalida las acciones posteriores es reconocer que el problema no es que el sistema suene humano, sino que entienda bien. Me parece una postura sana, y poco habitual en un sector que suele vender naturalidad antes que precisión.
Sobre la transparencia, mi posición es clara: avisar de que se graba o de que se habla con una IA no debería ser una opción, y la idea de Otter de notificar en el chat aunque no haya bot va en la dirección correcta. Un aviso tiene un coste de fricción mínimo frente al daño de que alguien descubra después que le grabaron o que hablaba con una máquina. En el contexto europeo, además, ese enfoque encaja mejor con la sensibilidad del usuario.
Mi consejo a una PYME es que trate la voz como cualquier otro sistema crítico: prueba piloto, métricas de precisión sobre los datos que importan y aviso claro desde el primer día. Esperar a que llegue «el momento ChatGPT» de la voz no tiene sentido. Lo que sí tiene sentido es estar listo para evaluarla con criterio cuando la tecnología madure.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.