Resumen del webinar: Cómo crear agentes IA que suenan naturales

La mayoría de equipos quieren crear un agente que suene natural.

La carencia que detectan la mayoría de equipos está en los agentes que completan la tarea, pero no entienden el contexto, la urgencia ni la emoción. Y, cuando quien llama se da cuenta, la confianza disminuye, al igual que la calidad de la interacción.

En nuestro reciente Taller en directo: Creación de agentes de IA que suenan naturales, Luigi Sambuy (ingeniería de despliegue) explicó qué diferencia a un agente que suena robótico de uno que parece realmente humano.

Por qué sonar natural es más difícil de lo que parece

La mayoría de equipos que implementan agentes ya han resuelto la precisión: el agente da la respuesta correcta, reserva la mesa correcta o cancela el vuelo correcto. 

Lo más difícil es acertar con la entonación.

Un agente que no refleja la emoción de quien llama, no detecta la urgencia y responde a todas las preguntas con el mismo ritmo plano siempre parecerá artificial, por correctas que sean sus respuestas. Clientes no solo quieren que se resuelva su problema, sino sentir que se les escucha mientras ocurre.

Las cuatro cualidades de un agente que suena natural

1. Ritmo y fluidez - cadencia natural, pausas y variaciones de velocidad en lugar de una lectura monótona
2. Reflejo - responder con preocupación a quien llama frustrado y con calidez ante las buenas noticias
3. Contexto - incorporar el historial del usuario, sistemas empresariales y referencias culturales o regionales para que las respuestas no sean genéricas
4. Identidad - una voz creada realmente para la marca, no una opción predeterminada estándar

Demostración: un agente que suena natural en acción

Situación: Un cliente llama al restaurante Rosette para cambiar su reserva. Es su quinto aniversario de boda y llega tarde.

Lo que se muestra:

• El agente comenzó de forma cálida y reconoció el aniversario antes de hacer nada más
• Detectó una pequeña discrepancia entre la hora de reserva indicada y la que realmente figuraba en la reserva, y pidió aclaraciones en vez de hacer suposiciones
• Cambió la reserva a las 21:00 y ofreció de forma proactiva una mesa junto a la ventana para la ocasión, sin que se lo pidieran
• Durante toda la llamada, el agente utilizó pausas naturales, muletillas y un tono que se adaptaba al momento: tranquilizador, cálido y sin prisas

Por qué importa: Nada de esto provino de un modelo diferente ni de una plataforma más potente. Vino del prompt. El prompt de sistema dio al agente permiso para corregirse a mitad de frase, dejar frases en suspensión de forma natural mientras «buscaba algo» y cambiar su tono emocional para adaptarse a quien llamaba: las mismas técnicas disponibles hoy para cualquier equipo que cree soluciones en la plataforma.

Siete palancas para crear agentes naturales

1. Etiquetas emocionales - disponibles con el modo expresivo del modelo conversacional v3; la mayor clave para variar el tono
2. Ruido de fondo - ambiente de oficina, sonido urbano o ruido de teclado para ofrecer un contexto más familiar y humano
3. Tono en el prompt de sistema - aquí es donde realmente reside la mayor parte de la diferencia
4. Ajustes de proactividad (proactivo / normal / paciente) - adaptados al tiempo que necesita la interacción
5. Diccionario de pronunciación / palabras clave - para nombres, marcas y palabras extranjeras que el agente, de otro modo, pronunciaría mal. 
6. Ajustes de salida - algunos equipos añaden deliberadamente teléfonos sonando de fondo en lugar de audio impecable, ya que clientes que migran desde un centro de contacto tradicional están acostumbrados a ese tono ligeramente apagado
7. Diseño de voz o clonación - crear una voz totalmente personalizada y alineada con la marca, en lugar de elegir una opción estándar. El diseño de voz permite escribir un prompt para algo específico (por ejemplo, «un hombre de unos treinta años que suena como si hablara a través de unos auriculares»). Clonar Voz IA abarca desde un clon instantáneo (unos 30 segundos de audio) hasta un clon profesional (más material y mayor fidelidad). 

Prácticas recomendadas para agentes que suenan naturales

Escribe el tono directamente en el prompt de sistema. Aquí es donde realmente reside la mayor parte de la diferencia entre un agente plano y uno natural. Da al agente permiso explícito para corregirse a mitad de frase («como habla la gente de verdad»), dejar frases en suspensión de forma natural mientras busca algo y dejar que el silencio se asiente tras algo serio antes de responder.

Adapta las etiquetas emocionales al momento. Una etiqueta «emocionado» no es adecuada para un momento serio o arriesgado. Coloca las etiquetas de forma deliberada donde realmente aparecerán en la conversación y ադáptalas al estado emocional de quien llama a medida que avanza la llamada (por ejemplo, un tono tranquilo y reconfortante para alguien ansioso frente a uno ágil pero cálido para alguien con prisa).

Configura la proactividad de forma deliberada. El modo proactivo funciona en intercambios ágiles y con mucha información; el paciente funciona cuando alguien necesita tiempo para buscar un documento o un número. Usar el modo proactivo por defecto en todos los casos puede hacer que un agente parezca insistente en vez de natural.

Elige el LLM para cada nodo. Usa modelos más ligeros y rápidos para pasos de enrutamiento sencillos, y modelos más capaces para nodos que toman decisiones reales. 

Considera la latencia percibida como parte de lo «natural». Además de elegir el modelo, tanto la generación especulativa de turnos (permitir que el modelo empiece a formular una respuesta mientras quien llama aún está hablando) como las muletillas durante esperas breves reducen la duración percibida de una pausa, aunque el tiempo de respuesta real no haya cambiado.

Localiza en vez de traducir. Elige voces entrenadas realmente en el idioma de destino, usa un diccionario de pronunciación y, para casos de uso de un solo idioma, valora escribir el propio prompt en ese idioma para mejorar el rendimiento. Multilingual v2 sigue siendo una opción sólida cuando una latencia ágil entre idiomas importa más que el rango expresivo.

Supervisa tu agente. Usa pruebas de simulación para validar un agente sin llamadas reales, criterios de evaluación para calificar las llamadas como aptas o no aptas y análisis de sentimiento turno a turno para detectar exactamente en qué punto de una conversación el agente utilizó un tono incorrecto; después, usa esa información para ajustar el prompt.

Ve la sesión completa

Ve el webinar completo aquí.