Qué midió la prueba de Sierra y qué encontró
El 21 de octubre, Sierra, empresa estadounidense de agentes de atención al cliente, publicó τ-i18n, una ampliación de su conjunto de pruebas τ-bench. Evalúa agentes de voz en cinco idiomas además del inglés: español, portugués de Brasil, hindi, coreano y mandarín. Hizo 2.700 llamadas con tres agentes de voz (GPT Live 1, Gemini 3.8 Live y Grok Voice Think Fast 2.0) sobre las mismas tareas de aerolínea, comercio y telecomunicaciones en cada idioma.
Los hallazgos principales fueron:
- El español sale bien librado en tareas: la tasa de tareas completadas en español quedó solo 2,4 puntos por debajo del inglés; en portugués, la diferencia fue de 6,4 puntos.
- La conversación es el punto débil: en más del 80 % de las llamadas, GPT Live 1 y Gemini 3.8 Live no respondieron a un turno del cliente, contestaron con lentitud o no cedieron la palabra. Grok Voice Think Fast 2.0 tuvo ese problema en el 16 % de las llamadas.
- Reaccionan a lo que no deben: según el agente, entre el 26 % y el 60 % de las llamadas tuvieron más de tres respuestas a muletillas como «ajá» o a voces que no se dirigían al agente.
- Nadie gana en todo: GPT Live 1 lideró en tareas completadas (79,9 %) y calidad del lenguaje; Grok lideró en interacción, pero con baja calidad de lenguaje. En palabras de Sierra, el agente que responde más rápido no es necesariamente el que habla con más naturalidad.
Sierra liberó el código para que otros agreguen idiomas y variantes regionales.
Los lanzamientos de la semana: Mistral y ElevenLabs
El 20 de octubre, la francesa Mistral AI presentó Voxtral 3, una familia de modelos para escuchar, transcribir y hablar, con un kit para construir agentes de voz basado en LiveKit. Según Mistral, la transcripción en tiempo real tiene una latencia inferior a 500 milisegundos, cada turno del agente se completa en menos de un segundo, el español está entre los idiomas soportados y las llamadas telefónicas se conectan por SIP. El servicio de agente de voz cuesta desde 0,04 dólares por minuto y puede usarse desde servidores en Europa o instalarse en la infraestructura del cliente.
Ese mismo día, ElevenLabs lanzó Eleven Realtime, sus primeros modelos de voz a voz para agentes, en dos versiones: Mini, para conversaciones de bajo costo, y Max, para tareas complejas como soporte o calificación de prospectos. La empresa reporta un tiempo promedio hasta el primer audio de 0,57 segundos para Max y 0,62 segundos para Mini, soporte para más de 90 idiomas y compatibilidad con la interfaz de tiempo real de OpenAI. Todas estas cifras son del fabricante.
Por qué la latencia decide si una llamada funciona
En una conversación entre personas, las pausas entre turnos son muy cortas. Cuando un agente de voz tarda en responder, el cliente repite la pregunta, habla encima del agente o cuelga. Por eso la industria compite en milisegundos: cada paso (escuchar, pensar y hablar) suma demora, y a eso se agrega el viaje del audio por la red telefónica e internet.
La prueba de Sierra muestra que la velocidad no basta. Un buen agente también debe saber cuándo el cliente terminó de hablar, ignorar ruidos o comentarios dirigidos a otra persona y dejarse interrumpir. Es la misma razón por la que operadores como Orange y Elisa empiezan a ejecutar IA de voz dentro de sus redes, más cerca del usuario.
Qué significa para las empresas en Colombia y Latinoamérica
Las noticias son buenas para quien quiere automatizar llamadas en español: hay más opciones, precios por minuto más bajos y un rendimiento en tareas cercano al del inglés. Pero antes de contratar un agente de voz, conviene hacer estas preguntas al proveedor:
- ¿Cuánto tarda en responder en una llamada real? Pida medir la demora desde que el cliente termina de hablar hasta que escucha la respuesta, sobre la red telefónica, no en una demostración web.
- ¿Cómo maneja las interrupciones y las muletillas? Pruebe a interrumpirlo, decir «ajá» o hablar con alguien al lado.
- ¿Lo probaron con español de Colombia? Las pruebas usan español general; acentos, nombres propios, cédulas y direcciones locales deben validarse con llamadas reales.
- ¿Dónde se procesan y guardan la voz y las transcripciones? Es un dato personal protegido por la ley de protección de datos.
- ¿Cómo pasa la llamada a una persona? Debe existir siempre una salida a un asesor humano, con el contexto de lo que ya se habló.
En 19 80 TIC Cloud conectamos agentes de voz con IA a sus números y a su PBX o call center en la nube, para que pueda probarlos con sus propios clientes y escalar a un asesor cuando haga falta.
