Un asistente de voz basado en inteligencia artificial puede gestionar una solicitud de reembolso por teléfono, sin agente humano. Según la guía publicada por ElevenLabs, estos asistentes, que combinan reconocimiento de voz, modelo de lenguaje y síntesis de voz, se multiplican en los servicios de atención al cliente de las empresas. El documento detalla los pasos para construir uno.
Concretamente, un asistente de voz con IA es un software que comprende el habla y permite al usuario actuar sobre sistemas conectados. Combina tres bloques: el reconocimiento de voz (speech to text), un gran modelo de lenguaje (LLM, capaz de razonar sobre un texto) y la síntesis de voz (text to speech). Más allá de la transcripción, puede lanzar una aplicación, recuperar datos o controlar máquinas. Los asistentes de consumo como Siri, Alexa o Google Assistant responden sobre todo a comandos simples, mientras que organizaciones desarrollan otros para procesos más complejos. La guía cita a la aseguradora Admiral, que diseñó un asistente de voz destinado a millones de clientes, capaz de responder preguntas, consultar documentos y descargar a los agentes humanos de tareas repetitivas.
Definir la misión y elegir las herramientas
Antes de escribir una sola línea de código, la guía recomienda definir la misión del agente, consultar a expertos del dominio sobre las dificultades de los usuarios y fijar indicadores medibles. Para un proceso de venta, por ejemplo, el agente debe saber hacer preguntas de preselección. Según el documento, el agente SDR (prospección comercial) de ElevenLabs, llamado Dom, alcanzó una precisión de calificación del 92 %.
El desarrollador debe luego elegir entre dos vías. Las API brutas, accesibles vía ElevenAPI, ofrecen control total sobre el modelo de lenguaje, la orquestación, la telefonía y la supervisión, pero exigen construir y mantener todo. La plataforma gestionada ElevenAgents agrupa modelos, herramientas, base de conocimiento y conectores hacia servicios como Salesforce, Zendesk o HubSpot, con funciones de prueba y análisis. La guía sugiere validar primero el caso de uso en ElevenAgents, y luego escribir código solo para las capas que exijan mayor control.
Latencia, interrupciones y verificación
El tiempo de respuesta es un punto central. La guía recomienda mantenerse por debajo de los 500 ms de ida y vuelta, e indica que un agente que tarde más de 700 ms en responder parecerá poco natural. Según ElevenLabs, su modelo Scribe v2 Realtime transcribe el habla en menos de 150 ms, excluyendo red y tiempo de aplicación, y su modelo de síntesis v4 Turbo muestra una latencia de unos 100 ms, solo para la inferencia. La detección de fin de habla (VAD) se basa, según el documento, en algoritmos de aprendizaje profundo más que solo en la duración del silencio.
Para operaciones sensibles, la guía prevé una confirmación verbal explícita. Si un cliente quiere cancelar un pedido, el agente debe preguntar: «¿Está seguro de que quiere cancelar el pedido?», y luego esperar la respuesta. La identidad de quien llama también debe verificarse, cruzando su número con una ficha de cliente y una pregunta cuya respuesta solo conoce el titular de la cuenta, validada por una herramienta y no por el modelo de lenguaje. Para limitar las alucinaciones, es decir, las respuestas plausibles pero inexactas, la guía recomienda un sistema de generación aumentada por recuperación (RAG), que vincula el modelo a la base documental de la empresa. Finalmente, cuando la conversación se tensa o supera las capacidades del agente, este puede transferir la llamada a un humano con la transcripción, mediante un mecanismo que el documento describe como una transferencia en caliente.
Antes del lanzamiento, la guía propone probar la latencia, las interrupciones, el turno de palabra, la precisión en entornos ruidosos y la seguridad, y luego seguir tras el despliegue la tasa de resolución, la tasa de escalada a un humano, la tasa de error de palabras y la satisfacción del cliente.
