Agente de voz con IA frente a IVR: qué cambia de verdad

La diferencia no es la voz

Es tentador describir la diferencia como «el IVR habla robótico y el agente de IA habla natural». Es cierto y es lo de menos, porque un IVR con una locución bien grabada suena mejor que muchos agentes sintéticos.

La diferencia estructural es otra: un IVR es un árbol y un agente de IA es un intérprete.

En un IVR, alguien dibujó todas las rutas posibles antes de que sonara la primera llamada. Cada rama existe porque alguien la pensó. Cuando quien llama dice algo que no está en el árbol —«me habéis llamado hace un rato y no sé para qué»— el IVR no tiene ningún sitio a donde ir. Repite el menú, y a la tercera repetición la persona cuelga o aporrea el cero.

Un agente de voz con IA no recorre un árbol: recibe lo que le han dicho, decide qué hacer, y actúa. Las rutas no están dibujadas de antemano. Eso es lo que le permite absorber lo imprevisto, y también lo que hace que su modo de fallo sea completamente distinto.

Los modos de fallo son distintos, y eso cambia cómo se supervisa

Un IVR falla de forma aburrida y visible: la gente se atasca en el mismo punto del menú, y ese punto sale en el informe. Se arregla redibujando la rama.

Un agente de IA falla de forma interesante e invisible: contesta con seguridad algo que no es cierto, o interpreta una negación como una confirmación. La llamada no se atasca en ningún sitio, así que no aparece en ningún informe de abandono ni de repeticiones. Termina bien, con una nota equivocada en el sistema.

De ahí sale la regla de operación más útil que conocemos: con un IVR supervisas dónde se atasca la gente; con un agente de IA supervisas una muestra de conversaciones que terminaron bien. Si sólo escuchas las que salieron mal, no vas a encontrar nunca el fallo que importa.

Latencia: dónde está el listón de verdad

Aquí hay un número que casi nadie usa y debería. En conversación humana, el hueco entre que uno termina de hablar y el otro empieza ronda los 200 milisegundos de mediana, y es sorprendentemente parecido entre lenguas muy distintas. No es una preferencia cultural: es la cadencia a la que estamos calibrados.

Eso da el listón. Un agente de voz que responde en 300 ms se percibe como alguien atento. Uno que responde en 900 ms se percibe como alguien que no estaba escuchando, aunque la respuesta sea perfecta. Y la persona empieza a hacer lo que hacemos todos ante un silencio: repetir, o hablar encima.

El presupuesto de latencia se reparte entre reconocimiento, decisión, síntesis y red. La red no es gratis: la recomendación clásica de telefonía es mantener el retardo en un sentido por debajo de 150 ms para que la conversación se sienta normal, y eso ya se lo come antes de que el modelo haya pensado nada.

La consecuencia práctica: si el agente se siente lento, medir por tramos antes de cambiar de modelo. Casi siempre el tramo caro no es el que uno supone.

Dónde abre el bot y dónde entra la persona

La pregunta operativa no es «bot o persona», sino en qué momento cambia el turno. Tres criterios que funcionan:

1. Por intención declarada. Quien pide hablar con alguien, habla con alguien. Sin peaje, sin «primero cuénteme el motivo». Es la regla más barata y la que más queja evita.
2. Por confianza del propio agente. Si el agente no está seguro de haber entendido, pasa la llamada. Un agente que adivina para no molestar es el que produce el fallo invisible del apartado anterior.
3. Por valor de lo que está en juego. Confirmar una cita y cerrar una negociación de pago no son la misma conversación, aunque el modelo pueda sostener las dos.

Lo que no funciona es el criterio por número de turnos. «A los cinco intercambios, pasa a un humano» corta bien las conversaciones que iban mal y también las que iban bien.

Cuándo un IVR sigue siendo la respuesta correcta

Vale la pena decirlo porque casi nadie lo dice: hay casos donde el árbol gana.

• Cuando el conjunto de opciones es de verdad cerrado y corto. Tres opciones que no cambian nunca no necesitan un intérprete.
• Cuando el volumen es enorme y la operación es idéntica. Un saldo, un horario. El coste por llamada de un árbol es difícil de batir.
• Cuando lo que se dice tiene que ser exactamente lo mismo siempre. Un aviso legal grabado no admite paráfrasis, y un modelo parafrasea.

En PulseDial conviven los dos sobre la misma campaña, y el cambio de turno se configura por los tres criterios de arriba en vez de por un contador de turnos, que es lo que veíamos fallar más a menudo.