La IA de voz aún no vive su momento ChatGPT, según ejecutivos

Los inversionistas han destinado miles de millones de dólares a empresas emergentes de IA de voz, que abarcan desde creadoras de modelos hasta herramientas de atención al cliente empresarial, transcriptores de reuniones y dictado por IA. Cada semana aparecen nuevos modelos y herramientas que afirman sonar humanos. Pero, según dos ejecutivos que hablaron en el escenario de la conferencia HumanX el mes pasado, la tecnología todavía no ha alcanzado el tipo de hito de adopción masiva que representó ChatGPT para la IA basada en texto.

Shawn Wen, director de tecnología (CTO) de la plataforma empresarial de IA de voz PolyAI, dijo que la industria ya superó un obstáculo: los modelos full-duplex, capaces de hablar mientras escuchan a quien llama. El siguiente desafío, señaló, es lograr que el razonamiento subyacente sea lo bastante rápido para que las conversaciones se sientan naturales. “Hemos alcanzado el hito de desarrollar modelos full-duplex. El siguiente desafío es hacer que el razonamiento sea muy rápido, para que los modelos puedan obtener respuestas con rapidez y la conversación se sienta natural”, dijo Wen. Agregó que los agentes de atención al cliente construidos sobre estos modelos deben sonar seguros y no robóticos: Wen explicó que, una vez que quien llama interactúa con un agente durante sus primeros dos o tres turnos de conversación, esa persona tiende a generar suficiente confianza como para dejar de esperar hablar con un humano.

Alex Gay, director de marketing de Otter, el transcriptor de reuniones, señaló un conjunto distinto de carencias: la identificación de quién habla, la captura de intención y la vinculación de esa información con el conocimiento organizacional. Otter también trabaja en gemelos digitales que podrían representar a personas en reuniones, lo cual, según Gay, exige que la voz generada tenga el mismo rango emotivo que una persona real; de lo contrario, dijo, un avatar en una reunión se convierte en poco más que un chatbot de preguntas y respuestas, incapaz del debate y la discusión estratégica que caracterizan a las mejores reuniones.

Ambos ejecutivos coincidieron en que la precisión del reconocimiento de voz sigue siendo un punto débil. Wen dijo que los sistemas de reconocimiento automático de voz (ASR, por sus siglas en inglés) a menudo pasan por alto palabras clave importantes, lo que rompe el contexto más amplio de una conversación. Gay dijo que Otter sigue perfeccionando su propio modelo de ASR por el mismo motivo: una transcripción inexacta corrompe cada acción posterior que un usuario realiza con base en ella, lo que erosiona la confianza en la plataforma.

En cuanto a la transparencia, ambos ejecutivos coincidieron en que las herramientas de voz deben declarar cuándo una conversación está siendo grabada o gestionada por IA. Otter dijo que quiere notificar a todos en un chat cuando se está grabando una reunión, incluso si su propio bot no está presente, y PolyAI dijo que establecer que quienes llaman a una empresa están hablando con una IA es una prioridad.

Por qué importa

La brecha que describen estos ejecutivos —entre el fuerte entusiasmo de los inversionistas y la velocidad de razonamiento y precisión de transcripción todavía sin resolver de la IA de voz— sugiere que los compradores empresariales deberían esperar más iteraciones antes de que las interfaces de voz puedan reemplazar de forma confiable a los agentes humanos.