Lo más importante de la IA de voz no es la voz

Lo más importante de la IA de voz no es la voz. Es la experiencia que esta puede hacer posible.

Piensa en la mejor experiencia de atención que hayas tenido. Sentiste que te entendían. No tuviste que repetirte, aprender cómo funcionaba la organización ni desenvolverte entre sus complejidades internas. Explicaste qué necesitabas y alguien recurrió al contexto, al criterio y al conocimiento de la organización para ayudarte a lograr un buen resultado.

¿Y si las empresas pudieran ofrecer más experiencias así, de forma más constante y a mayor escala?

Esa es la verdadera promesa de los agentes de voz, no simplemente sustituir la escritura por el habla ni automatizar todas las interacciones humanas. Los agentes de voz transforman la experiencia: en vez de navegar por sistemas, uno expresa lo que necesita. Un cliente o empleado explica con sus propias palabras lo que quiere conseguir. El agente comprende el contexto, coordina los conocimientos y sistemas adecuados en segundo plano, realiza las acciones permitidas e incorpora a una persona cuando se necesita criterio, empatía o autoridad.

Durante décadas, las personas se han adaptado a la tecnología. Aprendimos dónde hacer clic, qué menú abrir y cómo convertir una intención sencilla en una serie de comandos. La IA generativa empezó a cambiar eso al permitirnos conversar en lenguaje cotidiano. La voz da el siguiente paso y empieza a invertir por completo la relación: la tecnología se adapta a la manera natural en que se comunican las personas, mientras la complejidad de la empresa pasa a un segundo plano.

Por qué la voz transforma la experiencia empresarial

La voz es importante porque elimina obstáculos para empleados, clientes y nuevas incorporaciones por igual. Un empleado que llama a una mesa de ayuda no debería tener que saber qué sistema gestiona un problema o contiene la solución. Un cliente no debería tener que repetir la misma información al pasar de un canal a otro. Una persona recién incorporada no debería limitarse a materiales de formación estáticos cuando podría practicar una conversación realista y recibir comentarios al instante.

La voz también amplía el acceso para quienes están lejos de un teclado, trabajan sobre el terreno o simplemente se sienten más cómodos hablando que escribiendo. Las capacidades multilingües ayudan a las organizaciones a comunicarse de forma coherente en distintas regiones sin convertir cada interacción en un proyecto independiente.

Sin embargo, la voz no sustituye a todas las pantallas ni a todas las conversaciones humanas. Los formatos visuales y escritos siguen siendo mejores para comparar información densa y revisar detalles precisos, y el criterio humano sigue siendo esencial cuando una situación es ambigua, delicada o trascendente. La oportunidad consiste en usar la voz cuando conversar sea la vía más natural para lograr un resultado y, cuando no lo sea, diseñar transiciones claras hacia otras opciones.

Una interfaz de voz no basta

No basta con que la voz suene natural. El valor real depende de que el agente pueda mejorar sustancialmente la experiencia: eliminar obstáculos, mantener el contexto, agilizar la resolución y ayudar a alguien a conseguir el resultado adecuado. Para ello se necesita más que una interfaz atractiva. Se requieren datos y flujos de trabajo conectados, límites claros, derivaciones fiables y responsabilidad por lo que ocurra después.

Por eso conviene distinguir entre seguir un guion y atender a una intención. Un flujo de trabajo tradicional establece de antemano cada paso. En cambio, un agente de voz diseñado para lograr resultados recibe la intención, comprende las reglas y el contexto, y adapta su enfoque hasta alcanzar el objetivo o hasta que se necesite el criterio de una persona.

Es útil saber en qué punto se encuentran realmente los compradores, porque el sector empresarial ha atravesado tres fases en poco tiempo. Durante un tiempo vivimos un frenesí de adopción, en gran medida por la adopción misma. Después, los líderes tuvieron que rendir cuentas por el retorno de esas inversiones y, a menudo, no podían explicar el valor que habían obtenido. Eso llevó a replantear el enfoque en torno a los resultados. La pregunta ya no era solo si una implementación producía un resultado, sino también si conseguirlo ponía en riesgo algo fundamental. Existe una forma de escepticismo abierto: una auténtica disposición a invertir, acompañada de la expectativa de que se respondan ambas preguntas.

Las previsiones apuntan en la misma dirección. Gartner espera que la IA agéntica resuelva de forma autónoma el 80 % de los problemas habituales de atención al cliente para 2029. No importa que la cifra exacta sea el 80 %. La palabra importante aquí es resolver. La conversación empieza con el acceso, pero el producto es la resolución.

Cliente cero ante un público muy amplio

En DXC, una de nuestras primeras implementaciones de IA de voz tuvo lugar en un entorno de gran visibilidad: nuestras llamadas de presentación de resultados. Durante tres trimestres consecutivos, el director ejecutivo Raul Fernandez escribió el guion que iba a leer, mientras un modelo de voz de IA personalizado, creado con ElevenLabs, lo presentaba con su voz.

La primera llamada demostró la capacidad básica. En la segunda, sus palabras pudieron compartirse en español, francés, alemán, portugués y árabe. Para la tercera, el guion se emitió simultáneamente en seis idiomas. En cada ocasión, Raul explicó a quienes lo escuchaban que él había escrito el texto y que un modelo de IA lo estaba reproduciendo.

Una conferencia telefónica sobre resultados no es un entorno sencillo: está sometida a escrutinio y regulación, y no da margen a nada que suene siquiera ligeramente mal. De poner en marcha el experimento allí, en lugar de hacerlo en un entorno más seguro, surgieron cuatro conclusiones.

• La autoría importa más que la forma de transmitir el mensaje. Las palabras son suyas; el modelo simplemente las lee. Las organizaciones pueden ampliar la comunicación a distintos idiomas sin cambiar quién escribió el mensaje ni quién sigue siendo responsable de él.
• La transparencia reforzó el resultado, en lugar de socavarlo. Al principio no estaba claro si anunciar que se trataba de una voz de IA nos restaría credibilidad. Ocurrió lo contrario, y la alternativa —esperar que nadie se diera cuenta— habría sido errónea tanto desde el punto de vista ético como desde el práctico.
• La transmisión en varios idiomas aportó un valor real. Los accionistas que, de otro modo, tendrían que esperar una traducción ahora escuchan las mismas palabras, con la misma voz y al mismo tiempo. Esto cambia quién tiene igual acceso a la información; no es una mejora de la eficiencia de producción.
• La confianza se basa en la rendición de cuentas, no en el acabado. Las personas aceptan un mensaje transmitido por IA cuando saben quién lo redactó, quién lo respalda y qué recurso tienen a su disposición. Nada de eso se oye en la voz.

Esto refleja un principio que aplicamos en LabX, la incubadora de productos nativos de IA de DXC: antes de pedir a los clientes que confíen en una tecnología emergente, debemos estar dispuestos a probarla en nuestro propio entorno. Ser el cliente cero permite detectar problemas que una demostración impecable no revela: dónde vacilan las personas, dónde se quiebra la confianza y qué salvaguardas se necesitan para operar de forma responsable a gran escala. Los desafíos más difíciles de la IA empresarial suelen ser humanos, no técnicos.

De la demostración a experiencias transformadas

Nuestra alianza estratégica con ElevenLabs, la empresa de IA especializada en modelos de audio y agentes de voz, se basa en esa experiencia como cliente cero y aplica la voz en tres ámbitos prácticos. En cada caso, se parte de un resultado definido, no simplemente de implementar una tecnología.

• En los centros de asistencia, los agentes de voz pueden ayudar a los empleados a describir un problema con naturalidad, encontrar información pertinente, completar pasos rutinarios y transmitir todo el contexto a un especialista cuando sea necesario escalar el caso. La medida no es cuántas llamadas se evitaron. Lo importante es si la persona que llamó obtuvo una solución en una sola interacción, sin tener que describir el problema tres veces.
• En las plataformas de experiencia del cliente, las interfaces multilingües con voces naturales ofrecen interacciones más uniformes en los canales telefónicos y digitales. En la mayoría de las organizaciones de servicios, la calidad varía según quién atienda y en qué momento. Hay una oportunidad de mejora real: todas las interacciones pueden basarse en el mismo contexto, mientras que los casos más difíciles siguen derivándose a las personas mejor preparadas para resolverlos.
• En la formación, la voz convierte el contenido pasivo en práctica. Los empleados pueden ensayar una conversación con un cliente, una situación de seguridad o una conversación difícil con un directivo, y después recibir orientación personalizada. Las personas adquieren competencia más rápido cuando practican la conversación real que cuando leen sobre ella.

Las aplicaciones específicas para cada sector podrían tener las mayores repercusiones. Las aseguradoras pueden explorar procesos guiados de recepción de reclamaciones rutinarias; los fabricantes pueden ofrecer a los técnicos de campo acceso manos libres a los procedimientos; y las organizaciones del sector público pueden facilitar el acceso a la información en varios idiomas. No se trata de agentes genéricos superpuestos a una organización. Deben diseñarse teniendo en cuenta el vocabulario, las normas, los datos y el perfil de riesgo de cada sector.

Ampliar las cualidades de un servicio excelente, no una interacción guionizada

El riesgo, por supuesto, es que la escala dé lugar a la uniformidad. Las empresas ya han cometido ese error: aplicar el mismo árbol de decisiones a todos los casos, satisfacer el caso promedio y fallarles a todos los demás. Lo que realmente debe ampliarse son las cualidades de una interacción de servicio excelente —estar bien informada, ser ágil y orientarse a un resultado—, mientras que la interacción en sí se adapta al idioma, el contexto y las necesidades de cada persona. La uniformidad debe significar una calidad buena y fiable, no que todo sea idéntico.

La confianza forma parte de la experiencia

Cuanto más humana suena la voz de un agente, más importante es la transparencia. Las personas deben saber cuándo interactúan con una IA. Las organizaciones necesitan autorización explícita para crear o usar la voz sintética de alguien, controles sobre quién puede acceder a ella, autenticación sólida para las acciones sensibles, registros de lo que hizo el agente y una vía clara para comunicarse con una persona.

A menudo, estas medidas se consideran una cuestión de cumplimiento normativo que se añade después de diseñar la experiencia, pero deben tratarse como parte de ella. Si alguien no puede saber si está hablando con una persona, no puede determinar qué está autorizado a hacer el agente o no puede comunicarse con alguien cuando lo necesita, no está teniendo una buena experiencia, por muy natural que suene la conversación.

Debemos ser precisos sobre de dónde proviene esa confianza, porque es una relación de doble sentido. Quienes crean un modelo deben calibrarlo adecuadamente. La implementación que lo rodea —el manejo de datos, el control de acceso, el registro de acciones y la definición de los puntos en que una persona toma el control— es un problema aparte, que corresponde a quien pone el sistema en producción. Ninguno sustituye al otro. Ambos son más importantes en la voz, porque la interacción ocurre en tiempo real, el agente puede actuar mientras habla y no hay una pantalla que muestre a la persona lo que acaba de hacer en su nombre.

La orientación externa es útil en este sentido. La Comisión Federal de Comercio ha destacado los posibles daños de la clonación maliciosa de voz, y el Marco de Gestión de Riesgos de IA de NIST ofrece una estructura práctica para identificar y gestionar los riesgos de la IA. El consentimiento, la transparencia, la seguridad, las pruebas y la supervisión continua deben tratarse como requisitos fundamentales del producto.

Crear una vía abierta desde la experimentación hasta la escala

Mi función ampliada como presidente de Innovación y Estrategia de IA & LabX reúne dos aspectos de un mismo desafío: incubar productos nativos de IA y desarrollar la vertiente comercial de la estrategia de plataforma de socios de IA de DXC. LabX sigue siendo un espacio para poner a prueba tecnologías de vanguardia frente a problemas reales de los clientes, pero ahora su mandato también incluye ayudarles a desenvolverse en un ecosistema abierto de socios como Anthropic y ElevenLabs.

Este enfoque abierto es importante porque ningún modelo, plataforma o interfaz será adecuado para todas las empresas y todos los casos de uso. Nuestro trabajo consiste en combinar la tecnología adecuada con conocimientos especializados del sector, diseño de flujos de trabajo, gobernanza y capacidad de implementación, y luego validar que produzca resultados medibles. A veces, la interfaz adecuada será el texto. Otras veces, será visual. Cada vez más, será la voz, a menudo en una combinación bien pensada de las tres.

La pregunta no es dónde puede incorporar voz una empresa, sino dónde una conversación puede ofrecer una mejor experiencia y mejores resultados, y si la organización está preparada para rediseñar el trabajo en torno a ella.