El auge de la inteligencia artificial en el ámbito de la voz ha suscitado un gran interés entre los inversores, quienes han desembolsado miles de millones en startups que desarrollan tecnologías que abarcan desde modelos de generación de voz hasta servicios de atención al cliente empresarial. Este momento innovador también ha traído consigo una serie de desafíos técnicos que aún deben ser superados para alcanzar una experiencia completamente fluida y humana.
Durante la reciente conferencia HumanX, Shawn Wen, CTO de la plataforma de voz AI PolyAI, destacó que, a pesar de la introducción de modelos de interacción a doble vía que pueden hablar mientras escuchan, la inteligencia artificial en este ámbito aún no ha tenido su «momento ChatGPT». Según Wen, aunque se ha avanzado en la creación de modelos que permiten la conversación, el siguiente gran reto es lograr que el razonamiento de estos modelos sea lo suficientemente rápido como para que las interacciones se sientan más naturales.
Wen subrayó la importancia de que los agentes de servicio al cliente no suenen robóticos. La confianza del cliente en la capacidad del agente para resolver problemas es crucial. Con el tiempo, los usuarios podrían llegar a sentirse cómodos interactuando con un agente virtual, siempre que este logre establecer una relación de confianza en los primeros intercambios.
Innovaciones en la automatización de reuniones
Alex Gay, director de marketing de Otter, una herramienta de toma de notas en reuniones, también compartió su visión sobre la necesidad de mejorar la identificación de hablantes y la captura de intenciones para avanzar en la automatización eficaz. Otter está implementando «gemelos digitales» que podrían representar a personas en las reuniones. Para ello, la clave está en que la voz generada por la IA transmita las mismas expresiones emotivas que se esperarían en una conversación humana.
Gay hizo hincapié en que las mejores discusiones en reuniones surgen cuando hay un verdadero debate y una relación subyacente entre los participantes. Sin estas dinámicas, la interacción se reduce a una simple funcionalidad de preguntas y respuestas, lo que limita notablemente la efectividad del sistema.
A pesar de los avances, existe una preocupación importante en cuanto a la comprensión y la transparencia de los modelos de voz AI. Wen señaló que los modelos de reconocimiento automático de voz (ASR) a menudo pasan por alto palabras clave cruciales, lo que compromete el contexto completo de la conversación. Gay coincidió, enfatizando que una transcripción incorrecta puede llevar a errores en las acciones subsiguientes, erosionando así la confianza en la plataforma.
La transparencia también se ha convertido en un tema central. Es vital que las herramientas informen a los usuarios si están siendo grabados o si están interactuando con una IA. Otter está implementando métodos para notificar a todos los involucrados en una reunión que la sesión está siendo grabada, un paso que busca fomentar la confianza en un entorno donde la información es clave.