La IA de voz empresarial no necesita más personalidad. Necesita empatía por diseño

He trabajado en voz desde 2017, tiempo suficiente para haber vivido un ciclo de hype y observar cómo una segunda ola gana verdadero impulso. Aunque esta segunda ola es técnicamente más impresionante, la conversación en torno a ella se ha reducido a números. Muy poco se trata de cómo la gente realmente habla y diría que hemos perdido la conexión apasionada con la lingüística y la psicología que marcó gran parte de las fases tempranas de la voz.

Si revisas los anuncios, verás cifras de latencia, tasas de resolución y afirmaciones ambiciosas sobre lo que los agentes pueden hacer. Todo eso es importante, pero un agente con una voz hermosa es inútil si no puede completar la tarea. Es notable que los productos de voz empresarial cada vez dependen más del mismo conjunto de modelos subyacentes, lo que significa que la velocidad es, en realidad, un requisito básico.

La diferencia está en otro lugar por completo. ¿Qué sabe el agente? ¿Qué puede hacer? ¿Cómo se siente la interacción mientras lo hace? Y, lo más importante, ¿el cliente tiene que hacer trabajo extra porque el agente es una máquina?

Ahí es donde comienza el diseño de voz guiado por la empatía. No me refiero a añadir una voz cálida o una frase simpática. Me refiero a diseñar alrededor de la intención del llamante, la carga cognitiva y el probable estado emocional. El agente debe saber lo que la empresa ya conoce, explicar lo que está haciendo, recuperarse limpiamente cuando se equivoca y dejar de hablar cuando el trabajo está terminado.

A warm synthetic voice that asks for the same account number three times has not made the call any easier and the warmth is not doing any work.

La empatía no es un ajuste de voz

Una voz puede sonar reflexiva sin que el sistema detrás entienda el problema o pueda hacer algo útil. Un cliente puede estar llamando por una interrupción, una factura disputada o un obstáculo de implementación que afecta a varios equipos. Si el agente solo conoce las preguntas frecuentes, un tono cálido o pulido no hará que la experiencia sea empática. El agente necesita saber quién llama, qué ha comprado, cuál fue la última interacción en su cuenta y qué está autorizado a hacer para ayudar al cliente.

Un agente de voz empresarial necesita el contexto correcto del cliente y del producto, con los permisos adecuados, para poder responder y actuar mientras la persona sigue en la línea. El llamante no necesita que se le lean resultados de búsqueda. Puede necesitar que se emita el reembolso, que se corrija el registro o que se involucre al especialista adecuado.

Veo la empatía tanto como una disciplina de diseño como un requisito del sistema. El diseño de la conversación determina cómo se comporta el agente. La arquitectura subyacente determina si sabe lo suficiente como para ser útil. Considero el resultado combinado como la textura del producto de voz: lo que el sistema sabe, cómo usa ese conocimiento, cómo maneja la incertidumbre y cómo se siente la persona cuando la conversación termina.

La voz crea un contrato social

La voz no es una interfaz neutral. Recientemente estuve en una llamada con un cliente y el agente de demostración tenía una voz femenina. En menos de un minuto, la gente en la sala la llamaba “ella”. Nadie anunció esa decisión; simplemente surgió de forma natural en la conversación.

Este efecto precede a la IA generativa. En 1994 investigación sobre computadoras como actores sociales, Clifford Nass, Jonathan Steuer y Ellen Tauber demostraron que las personas aplican respuestas sociales a las computadoras incluso cuando saben que están interactuando con una máquina. La voz intensifica esa respuesta mediante el ritmo, la confianza y el tono.

Eso cambia la forma en que se percibe el fracaso. Por ejemplo, una caja de texto que devuelve el enlace incorrecto resulta irritante, y una voz que habla sobre ti, malinterpreta el mismo punto dos veces e insiste en que ha resuelto el problema resulta grosera. La tecnología no ha desarrollado sentimientos. El llamante sí los tiene.

La confianza ya es escasa. Un estudio global de 2025 liderado por la Universidad de Melbourne con KPMG encuestó a más de 48 000 personas en 47 países. Encontró que el 66 % usa IA con regularidad, pero solo el 46 % está dispuesto a confiar en ella. Cada interacción de voz gana un poco de confianza o la gasta.

También existe una tensión ética. La industria a menudo trata al agente que suena más humano como el mejor. Pero la gente no quiere ser engañada. Cuando diseño un agente, quiero que se identifique, explique a qué puede acceder y declare lo que hará antes de realizar algo de importancia. La transparencia debe ser parte de la conversación.

Diseña para el oído, no para la vista

Una pantalla es indulgente. La gente puede escanear, releer y retroceder. El habla desaparece al ser escuchada, lo que convierte la carga cognitiva en una restricción práctica de diseño más que en una nota al pie académica.

La revisión de Nelson Cowan sobre la memoria de trabajo describe un almacén central limitado a aproximadamente tres a cinco elementos significativos en adultos jóvenes. Sin embargo, los sistemas de voz todavía leen menús extensos y agrupan varias preguntas en un solo turno. La mayoría de las personas no pueden retener todo eso, sobre todo cuando están distraídas, conduciendo o ya molestos.

Un chatbot de texto no puede simplemente recibir texto a voz y llamarse producto de voz. El diseño nativo de voz usa turnos más cortos, coloca la información importante al principio y le da al llamante espacio para interrumpir. También reconoce que no todos los vacíos de la conversación necesitan ser llenados, de modo que, aunque la velocidad importe, el diseño nativo de voz puede “leer” cuando la conversación ha concluido.

Mi experiencia incluye la lingüística sociocultural, que estudia cómo funciona el lenguaje entre personas y dentro de contextos sociales. Eso es útil en el diseño de voz porque nos brinda un lenguaje preciso para conceptos como ritmo, prosodia, toma de turnos y reparación. “Haz que suene natural” no es una instrucción de diseño. Poder describir cómo debe funcionar una conversación le da a los equipos algo contra lo que realmente pueden construir.

Cómo se ve el diseño guiado por la empatía

El diseño guiado por la empatía no consiste en hacer que un agente suene más cálido o más humano. Significa estructurar la conversación alrededor de la situación de la persona, reducir el esfuerzo necesario para realizar una tarea y manejar el fracaso sin añadir frustración. En la práctica, eso comienza con algunas decisiones de diseño básicas.

Comienza con el porqué de la llamada

Las personas no llaman para navegar la taxonomía de una empresa. Llaman porque algo está roto, retrasado o confuso. Un llamante que dice “Necesito detener esta entrega” no debe ser canalizado a través de un guion genérico de estado de pedido. El agente debe identificar cuál entrega y si aún puede intervenir.

Usa el contexto para eliminar la repetición

La empatía suele ser más visible en lo que el sistema no pregunta. Si la empresa ya conoce quién es el cliente, qué producto usa y qué ocurrió previamente, el agente debe usar ese contexto aprobado en lugar de obligar al llamante a reconstruirlo.

El mismo principio se aplica dentro de la empresa. Un vendedor entre reuniones debería poder preguntar qué cambió en una cuenta, dictar el seguimiento y que la actualización se registre en el sistema correcto. El valor está en mantenerse en movimiento sin perder contexto ni crear más administración.

Diseña la reparación antes del camino feliz

Todo sistema de voz malinterpretará a alguien. Acentos, ruido de fondo, nombres desconocidos e interrupciones hacen que sea inevitable. El producto se define por lo que ocurre después. El peor patrón de recuperación es repetir la misma pregunta con las mismas palabras. Una mejor respuesta explica lo que el agente entendió y reduce la incertidumbre. Si el problema requiere juicio o acceso que el agente no posee, debe involucrar a una persona antes de que el llamante tenga que exigirlo.

Respeta la transferencia y la salida

Transferir a un llamante a una persona no es un fracaso. Transferirlo sin el contexto de la conversación sí lo es. Si el agente transfiere la llamada sin pasar lo que el cliente dijo, lo que identificó y lo que ya intentó, el cliente tiene que comenzar de nuevo. Eso es exactamente el trabajo que la IA debería eliminar.

Lo mismo ocurre cuando el problema se resuelve. A veces la mejor experiencia de voz es una pregunta, una respuesta precisa y un clic. Los llamantes no necesariamente agradecerán al agente ni confirmarán que su consulta se resolvió antes de colgar. Si tienen lo que necesitan, la interacción ha funcionado.

Mide el esfuerzo, no el teatro de rendimiento

Una llamada perfectamente resuelta en un solo intento puede parecer un rebote porque el cliente cuelga sin confirmar su satisfacción. Si el éxito se define como completar un guion largo, los equipos optimizarán conversaciones más extensas y lo llamarán compromiso.

Yo prefiero medir llamadas repetidas, correcciones, transferencias evitables y si la acción solicitada se completó. Las puntuaciones de satisfacción más amplias como NPS siguen importando, pero la propia conversación revela dónde el cliente tuvo que trabajar más de lo que debería.

En febrero de 2026, Gartner informó que el 91 % de los líderes de servicio y soporte al cliente estaban bajo presión ejecutiva para implementar IA. Esa presión hace que sea aún más importante medir si la automatización realmente elimina trabajo. Un agente de voz que genera llamadas repetidas, transferencias innecesarias o interacciones más largas puede parecer eficiente en papel mientras simplemente traslada costos a otro lugar. La economía mejora cuando el sistema resuelve el trabajo correcto, evita turnos innecesarios y mantiene a los clientes alejados de canales más costosos.

La capacidad y la empatía van de la mano

El mercado de voz empresarial avanza más allá del habla natural. Lo que importa ahora es si un agente puede entender las necesidades del llamante, acceder al contexto empresarial correcto, actuar con precisión y seguridad, y responder apropiadamente cuando la conversación se desvía del guion.

El diseño guiado por la empatía no debe hacer que un agente sea más parlanchín. Cuando se hace correctamente, elimina la repetición, acorta las explicaciones y evita que el llamante tenga que gestionar la máquina. A veces el deleite es simplemente la sensación de que algo difícil se volvió fácil.

La pregunta más importante que me hago al crear cualquier producto de IA es brutalmente simple: ¿por qué alguien se molestaría?

Antes de lanzar un agente de voz, escuche conversaciones fallidas, no solo demostraciones pulidas. ¿Entendió por qué la persona llamó? ¿Sabía lo suficiente para resolver el problema? Cuando falló, ¿facilitó el siguiente paso o lo complicó?

Si la respuesta no está clara, más personalidad, menor latencia y una voz más humana no lo rescatarán.