Tu agente de IA ahora llama al servicio de atención al cliente, y las empresas tienen que responder

En su evento Decagon Dialogues del 1 de octubre, Decagon lanzó cuatro productos dirigidos a un problema para el que la mayoría de las empresas aún no ha empezado a planificar: qué ocurre cuando quien llama al otro lado no es una persona, sino el agente de IA de otra persona.

Los cuatro lanzamientos fueron Voice 3 con un nuevo modelo de voz llamado Chord, una Personal Agent Gateway con un protocolo de autorización complementario, Agent Modules y una beta llamada Duet Apprentice. Los dos primeros son los más importantes, porque juntos describen ambos lados de una conversación que está volviéndose habitual.

El modelo de voz superó el listón humano

Chord es el primer modelo de voz propio de Decagon, entrenado específicamente para conversaciones con clientes en lugar de para el habla general. La empresa realizó una prueba a ciegas con tres pares de grabaciones, cada uno emparejando a una persona real con esa misma voz procesada a través de Chord. De media, alrededor del 90 % de los oyentes no pudo identificar cuál era humana.

Dos detalles sobre cómo funciona Chord valen más que la cifra titular. El modelo moldea el habla frase a frase, bajando el ritmo para números de teléfono y códigos de confirmación antes de volver al ritmo conversacional. Y funciona con una arquitectura dúplex con dos capas que operan en paralelo: un modelo de baja latencia se encarga de escuchar y hablar, mientras que un modelo más pesado gestiona el razonamiento, la invocación de herramientas y las barreras de seguridad detrás de la conversación.

El diseño se refleja en el comportamiento. El agente procesa el audio entrante mientras sigue hablando, así que puede dejar pasar un "mhm" casual y luego ceder ante una interrupción genuina, en lugar de hablar por encima de quien llama o quedarse en silencio. Puede narrar el progreso durante una tarea larga y atender una pregunta de seguimiento sobre la marcha en vez de poner a quien llama en espera.

Decagon afirma que Chord se entrena con datos con licencia y con voces de profesionales que han dado su consentimiento, y nunca con datos propiedad de los clientes. Voice 3 admite más de 70 idiomas, detecta el idioma de quien llama y cambia automáticamente incluso cuando la persona alterna entre idiomas a mitad de frase, y cada idioma es validado por hablantes nativos antes de su lanzamiento.

El problema más difícil es el otro agente

Hoy en día, una buena voz sintética es lo mínimo exigible. El lanzamiento más interesante es la Personal Agent Gateway, y la razón por la que Decagon la creó se explica en su propio anuncio: en el mes previo al evento, Meta lanzó Muse, OpenAI presentó dots e Instinct empezó a hacer llamadas telefónicas por los usuarios. Se trata de agentes personales que reservan, compran, cancelan y negocian en nombre de su propietario, y ya están contactando con el servicio de atención al cliente.

Eso rompe una suposición sobre la que se construye cualquier stack de soporte. Quien pide algo no es necesariamente quien es titular de la cuenta, y puede que no sea quien está autorizado a aprobar el cambio.

La gateway aborda esto con dos piezas. La detección de agentes personales marca a los probables agentes personales tanto en el chat como en la voz, usando señales de la empresa y de la plataforma, y cada empresa decide qué ocurre después y a qué pueden acceder esos agentes. Después, un canal dedicado a agentes personales convive con el chat, el correo electrónico y la voz, con Agent Operating Procedures separados, de modo que una misma solicitud sigue un flujo de trabajo distinto según si quien pregunta es una persona o un agente.

Los permisos viven dentro de esos procedimientos. Una empresa define qué ámbitos puede solicitar un agente y qué secciones de un flujo de trabajo requieren cada ámbito, y una sección nunca se expone a un agente que carece del permiso correspondiente. El ejemplo de Decagon es una aerolínea: el agente personal de un viajero pide permiso para ver y cambiar la reserva de un vuelo, y el viajero aprueba solo la visualización. El agente obtiene el itinerario, pero no la capacidad de modificarlo.

Ese protocolo es lo que Decagon llama PACT, y su propósito es limitado pero fundamental. Permite a una empresa verificar a quién representa un agente y qué autorizó realmente esa persona, que es la pregunta que un sistema de soporte debe responder antes de hacer cualquier cosa en nombre de alguien.

Por qué esto recae primero en el soporte

Los clientes de Decagon empezaron usando sus agentes para resolver tickets de soporte, y la empresa afirma que esos mismos agentes ahora cualifican leads, incorporan clientes, cobran pagos y cultivan relaciones. Esa expansión es la razón por la que el problema de los agentes personales es urgente y no teórico. El mismo agente que responde a una pregunta también puede modificar un pedido, y el perfil de riesgo de esas dos acciones no es el mismo.

Christian Niedworok, responsable de comunicación de servicios digitales en Deutsche Telekom, describió la experiencia con Voice 3 en términos sencillos en el anuncio de la empresa: la voz suena como si estuviera escuchando y mantiene la conversación en marcha en lugar de quedarse en silencio mientras trabaja. Esa es una descripción de latencia y de toma de turnos, que es exactamente lo que hacía que los agentes de voz más antiguos parecieran robóticos.

Los otros dos lanzamientos apuntan en la misma dirección

Los Agent Modules y la beta de Duet Apprentice completan el lado operativo. Los Modules empaquetan capacidades definidas que una empresa puede activar para un trabajo concreto, que es la diferencia entre un asistente general y algo que puedes dirigir a una cola. Duet Apprentice aprende de las wikis de la propia empresa y de escalados anteriores, y mantiene ese conocimiento dentro del espacio de trabajo del cliente, de modo que un agente mejora con el material de la propia organización en lugar de con un fondo compartido.

Ninguno de los dos lanzamientos es tan llamativo como la demo de voz. Ambos importan por la misma razón que la gateway. Las empresas que despliegan agentes a escala están dejando atrás la pregunta de qué puede hacer un modelo y avanzando hacia la pregunta de qué puede saber, decir y cambiar un agente concreto dentro de un flujo de trabajo real.

Por qué el listón de la voz fue la parte fácil

Vale la pena señalar lo rápido que la cifra del 90 % deja de ser la noticia. Una voz sintética indistinguible de una humana ya es un problema resuelto para una tarea acotada y bien definida como una llamada de soporte, y los proveedores que no han lanzado una lo harán pronto.

El listón que sigue moviéndose es el de la autorización. El propio enfoque de Decagon lo deja claro: los agentes personales que reservan, compran, cancelan y negocian ya están contactando con el soporte, y las empresas que reciben esas llamadas no tienen una forma establecida de comprobar a quién representa el agente. Una voz perfecta en una solicitud no autorizada es peor que una voz torpe en una verificada.

Por eso la gateway, y no el modelo de voz, es el lanzamiento que dará forma al próximo año de herramientas de soporte. También por eso el protocolo PACT importa más de lo que sugiere su alcance modesto. Alguien tiene que definir cómo es una prueba de autorización cuando quien solicita es un software, y la primera definición creíble tiende a convertirse en la predeterminada.

Qué deberían decidir ahora las empresas

La parte incómoda de este cambio es que obliga a tomar una decisión que la mayoría de las empresas ha postergado: qué puede hacer un interlocutor automatizado y cómo demuestras que estaba autorizado.

Merece la pena responder a tres preguntas antes de que lleguen las solicitudes. ¿Pueden tus sistemas distinguir a un agente de una persona, y eso importa en cada flujo de trabajo? ¿Cuál es el conjunto mínimo de permisos que necesita un agente personal para tu solicitud más habitual? Y cuando un agente actúa en nombre de alguien, ¿qué registro guardas de la autorización y quién puede inspeccionarlo?

Ninguna de ellas es una pregunta sobre modelos. Son preguntas de política, y son las que determinarán si tu stack de soporte trata a un agente entrante como un cliente, una amenaza o algo para lo que el sistema no tiene categoría. Decagon ya ha enviado la fontanería. Las definiciones siguen dependiendo de las empresas al otro lado.