Los ejecutivos creen que la IA de voz aún no ha alcanzado su momento ChatGPT
La idea de que el habla será la próxima gran interfaz tecnológica ha ganado fuerza considerable en los últimos meses. Inversores han invertido miles de millones de dólares en startups especializadas en inteligencia artificial de voz, que abarcan desde desarrolladores de modelos hasta proveedores de servicio al cliente empresarial, pasando por herramientas de toma de notas de reuniones y dictados impulsados por IA. Cada semana surge un nuevo modelo o herramienta que afirma poder imitar con fidelidad la conversación humana.
Sin embargo, la realidad puede ser distinta. Shawn Wen, CTO de PolyAI, una plataforma empresarial de IA de voz, sostiene que, aunque se hayan logrado avances significativos como los modelos full-duplex —que permiten hablar mientras escuchan—, la tecnología aún no ha experimentado su “momento ChatGPT”. En una charla durante la conferencia HumanX, Wen señaló que ahora el reto está en hacer que los sistemas razonen rápidamente para ofrecer respuestas inmediatas y mantener conversaciones naturales.
Wen enfatizó que los agentes de IA en atención al cliente deben evitar sonar mecánicos y generar confianza en los usuarios desde el inicio del intercambio. “Cuando la voz es suficientemente buena y el cliente está dispuesto a interactuar durante las primeras dos o tres preguntas, empiezan a sentirse seguros de que pueden resolver sus problemas sin necesidad de hablar con un humano”, explicó.
Alex Gay, CMO de Otter, una empresa especializada en toma de notas de reuniones mediante IA, coincidió con esta visión. Para él, los elementos clave para automatizar procesos incluyen la identificación correcta de los participantes, la comprensión del propósito de las intervenciones y la integración con conocimiento organizacional. Además, Otter está explorando tecnologías de ‘digital twins’ —representaciones virtuales de personas en reuniones— para mejorar la experiencia.
Gay destacó que, en reuniones efectivas, lo más valioso es la conexión interpersonal y el debate estratégico. “Si no puedes tener esa conexión con un avatar, entonces es solo un chatbot de preguntas y respuestas”, afirmó. Para lograr esa sensación humana, es vital que la voz generada mantenga la expresividad emocional propia de las conversaciones cara a cara.
Aunque los modelos de voz han mejorado notablemente, aún existen limitaciones. Wen señaló que los sistemas de reconocimiento automático de voz (ASR) tienden a omitir palabras clave importantes, lo cual afecta negativamente la comprensión del contexto completo. Esta falla puede provocar malentendidos en la interpretación de intenciones y mensajes.
Otter, según Gay, no considera la transcripción como un fin en sí mismo, sino como una base para generar productividad. Sin embargo, si la precisión del reconocimiento es deficiente, todas las acciones posteriores basadas en esa información también se ven comprometidas. “Una vez que comienzas a actuar con datos incorrectos, pierdes la confianza en la plataforma”, dijo Gay.
El experto subrayó que mejorar continuamente el modelo ASR es fundamental para mantener la credibilidad del sistema. “Todo lo demás depende de una transcripción precisa. Si eso falla, todo el valor del producto se ve afectado”, concluyó.
La industria continúa avanzando, pero muchos expertos coinciden en que aún falta un punto de inflexión similar al que vivió el campo del lenguaje con ChatGPT. La clave está en lograr que las interacciones sean fluidas, confiables y, sobre todo, humanas.
Este desarrollo representa una oportunidad crucial para empresas que buscan transformar la forma en que se comunican, colaboran y resuelven problemas en entornos laborales digitales.
Traducción y adaptación por Tecnología 365.
Fuente original: TechCrunch