Resumen del webinar: Cómo crear agentes IA que suenan naturales

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

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

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

Por qué sonar natural es más difícil de lo que parece

La mayoría de los 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 muy 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 - un ritmo 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 una buena noticia
3. Contexto - incorporar el historial de usuario, los 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 predeterminada

Demostración: un agente que suena natural en acción

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

Qué se muestra:

• El agente empezó con calidez y reconoció el aniversario antes de hacer nada más
• Detectó una pequeña discrepancia entre la hora de reserva indicada y la que realmente se había reservado, y lo aclaró 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 usó pausas naturales, muletillas y un tono que se adaptaba al momento: tranquilizador, cálido y sin prisas

Por qué importa: Nada de esto procedía de un modelo diferente ni de una plataforma más potente. Venía del prompt. El prompt del sistema daba al agente permiso para corregirse a mitad de frase, dejar frases en suspenso de forma natural mientras "buscaba algo" y cambiar su tono emocional para adaptarse a quien llamaba: las mismas técnicas que hoy tiene a su disposición cualquier equipo que cree en la plataforma.

Siete elementos para crear agentes naturales

1. Etiquetas emocionales - disponibles con el modo expresivo del modelo conversacional v3 y Eleven v4; el factor más importante para variar el tono
2. Ruido de fondo - ambiente de oficina, sonido urbano o ruido de tecleo para un contexto más familiar y humano
3. Tono en el prompt del sistema - aquí es donde realmente radica la mayor parte de la diferencia
4. Ajustes de iniciativa (eager / normal / patient) - adaptados al tiempo que necesita la interacción
5. Diccionario de pronunciación / palabras clave - para nombres, marcas y palabras extranjeras que, de otro modo, el agente pronunciaría mal. 
6. Ajustes de salida - algunos equipos añaden deliberadamente teléfonos sonando de fondo en vez de un audio impecable, ya que clientes que migran desde un centro de contacto tradicional están acostumbrados a ese tono ligeramente amortiguado
7. Diseño de voz o clonación - crear una voz totalmente personalizada y alineada con la marca en lugar de elegir una predeterminada. El diseño de voz permite usar un prompt para algo concreto (por ejemplo, "un hombre de unos treinta años que suena como si hablara a través de unos auriculares con micrófono"). Clonación de voz abarca desde un clon instantáneo (unos 30 segundos de audio) hasta un clon profesional (más material y mayor fidelidad). 

Buenas prácticas para agentes que suenan naturales

Escribe el tono directamente en el prompt del sistema. Aquí es donde realmente radica la mayor parte de la diferencia entre un agente plano y uno natural. Dale al agente permiso explícito para corregirse a mitad de frase ("como habla la gente de verdad"), dejar frases en suspenso de forma natural mientras busca algo y dejar que haya silencio después de algo serio antes de responder.

Adapta las etiquetas emocionales al momento. Una etiqueta "excited" no es adecuada para un momento serio o delicado. Coloca las etiquetas de forma intencionada donde realmente aparecerán en la conversación y adáptalas al estado emocional de quien llama a medida que avance la llamada (por ejemplo, un tono calmado y tranquilizador para alguien ansioso frente a uno rápido pero cálido para alguien con prisa).

Ajusta el nivel de iniciativa de forma intencionada. Eager funciona en intercambios ágiles y con mucha información; patient funciona cuando alguien necesita tiempo para buscar un documento o un número. Usar eager 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". Más allá de la elección del modelo, tanto la generación especulativa de turnos (que permite al modelo empezar a formular una respuesta mientras quien llama sigue hablando) como las muletillas tras un tiempo de espera flexible reducen la sensación de duración de una pausa, incluso cuando el tiempo de respuesta real no ha cambiado.

Localiza en lugar de traducir. Elige voces entrenadas realmente en el idioma de destino, usa un diccionario de pronunciación y, para casos de uso en 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 puntuar si una llamada se supera o no tras terminar y análisis de sentimiento turno a turno para detectar exactamente en qué punto de una conversación el agente usó un tono incorrecto; después, usa esa información para ajustar el prompt.

Ve la sesión completa

Ve el webinar completo aquí.