avatarin ha puesto en producción un agente de voz basado en GPT-Realtime en las tiendas japonesas de Yamada Denki. Soporte multilingüe, 24 horas al día. En dos semanas, 30.000 personas hablaron con el agente y el 92% de las respuestas a una encuesta de satisfacción fueron positivas.

La voz se estaba consolidando como canal operativo para agentes enterprise, como contábamos el 24 de julio. Este es el primer caso publicado donde un agente de voz se sostiene a escala real, no en laboratorio.

El punto para quien se potencia con IA no es el 92%. Es que alguien sacó un agente de voz de la demo y lo puso a correr noche y día. La voz es el canal más difícil: no tienes tiempo de releer, el cliente no espera, y un retraso de dos segundos en la respuesta suena como una falla. Ver un deployment real ayuda a entender dónde estamos realmente, aunque el comunicado cuente solo el lado que funciona.

Lo que falta es el reverso: qué pasó con el 8% de respuestas negativas, cuánto cuesta mantener el servicio en pie, cómo se manejan las conversaciones que se salen de carril. El caso está publicado por OpenAI, que tiene todo el interés en mostrar el éxito.

En detalle

Lo que había antes. Los sistemas de voz para retail eran IVR: menús en árbol, «presiona 1 para…», reconocimiento limitado de palabras clave. Funcionaban porque eran determinísticos, pero no entendían una frase fuera del guión. Luego llegaron los chatbots con text-to-speech: transcribían, generaban texto, reconvertían en voz. Tres componentes separados, con latencias acumuladas que hacían la conversación poco natural.

Qué cambia con GPT-Realtime. La API Realtime de OpenAI gestiona audio en streaming: el modelo recibe el audio, lo procesa y responde en voz en el mismo flujo, sin pasos intermedios. Para quien no desarrolla, la diferencia está entre un sistema que «escucha, piensa, habla» como una única cosa y un sistema que pega tres piezas diferentes. La latencia cae por debajo del umbral donde la conversación se vuelve aceptable para un ser humano.

El caso de avatarin. El agente ofrece soporte multilingüe a clientes de Yamada Denki, una cadena de electrónica. No es un asistente general: responde preguntas sobre productos, horarios, disponibilidad. El perímetro es estrecho, y esto probablemente contribuye al 92% de satisfacción. Un agente que hace pocas cosas tiene menos ocasiones de equivocarse.

Los números, con cautela. 30.000 usuarios en dos semanas y 92% de respuestas positivas son los números del caso de estudio publicado por OpenAI. No conocemos la metodología de la encuesta, el tamaño de la muestra, ni qué cuenta como «positivo». El 8% de respuestas negativas no se analiza. Sin estos detalles, el 92% es un indicador, no una medida. Es como leer el benchmark de quien construyó el modelo: útil, pero hay que tomarlo por lo que es.

Qué queda abierto. No tenemos datos sobre costos por conversación, tasa de conversaciones abandonadas, o casos límite donde el agente tuvo que pasar a un operador humano. Un deployment real se evalúa en estas métricas, no solo en satisfacción declarada. Para quien quiera construir algo similar, las preguntas que debe hacerse son las mismas que abordamos en la lección sobre costos, latencia y seguridad: cuál es la latencia máxima que tu cliente acepta, y qué sucede cuando el agente no sabe responder?