Ringr inyecta 1.2M€ para consolidar su liderazgo en España

Cuando hablamos con una inteligencia artificial telefónica, muchas veces no sabemos por qué, pero algo no cuadra, nuestro cerebro se da cuenta al instante. Todo es correcto: la entonación es natural, las palabras están bien elegidas, no hay errores gramaticales ni pausas incómodas. Y sin embargo, intuimos que no estamos hablando con una persona. Lo curioso es que ese “algo” que nos hace dudar no suele estar en lo que se dice, sino en lo que no se dice. En lo que falta. En esa capacidad para improvisar, interrumpir, dudar, vacilar. En esa falta de espontaneidad que, irónicamente, revela que estamos hablando con una máquina. Porque al final, parecer humano no es una cuestión de perfección, sino de imperfección.

Las pistas que delatan a la IA

A pesar de los enormes avances en los modelos de lenguaje y los sistemas de voz sintética, la mayoría de asistentes telefónicos siguen sin pasar desapercibidos. La experiencia puede ser correcta, incluso útil, pero no engaña. ¿Por qué?

En gran parte, por un conjunto de señales sutiles que se acumulan y delatan el origen artificial del agente:

• La latencia simétrica: los humanos reaccionamos más rápido o más lento según la dificultad de la pregunta, el estado emocional o la relación con el interlocutor. Una IA responde con una cadencia demasiado regular, lo que resulta sospechoso.

• El control absoluto del turno de palabra: los humanos interrumpimos, dudamos, hablamos encima. Las IAs suelen esperar a que termines de hablar y luego responden con precisión, como si tuvieran una estructura de turnos inalterable.

• El habla sin fricción: sin muletillas, sin “eh…” o “vale…”, sin repeticiones ni correcciones. Las respuestas son demasiado limpias, demasiado bien estructuradas.

• El lenguaje emocionalmente neutro o mal calibrado: la IA puede sonar empática, pero de un modo genérico. Le cuesta modular matices, ironías o el tipo de respuesta emocional que usaría un humano según el contexto.

Estos elementos, por separado, podrían pasar desapercibidos. Pero juntos generan una sensación que muchos usuarios describen como "rara", "fría", o "demasiado perfecta".

¿Por qué desconfiamos de lo perfecto?

La psicología lleva décadas estudiando cómo atribuimos humanidad, confianza o autenticidad a los interlocutores. Uno de los hallazgos más llamativos es que los humanos tendemos a confiar más en lo imperfecto. No por arrogancia o sensación de superioridad, sino porque los errores sutiles nos hacen sentir que estamos ante alguien real.

Cuando todo es impecable, desconfiamos. Sospechamos que hay un guion detrás. Que no hay espontaneidad, ni intención, ni emoción. Esa es, de hecho, la base del llamado valle inquietante (“uncanny valley”): cuando una máquina se parece mucho a un humano pero no lo suficiente, genera rechazo.

El lenguaje es uno de los espacios donde esta tensión se hace más evidente. Porque hablar bien no es hablar perfecto. Es hablar con intención, con ritmo, con duda, con emoción. Y eso implica margen de error, adaptabilidad y contexto.

Fingir errores: una estrategia conversacional

Aquí es donde surge una idea potente y, a primera vista, contradictoria: para sonar más humana, una IA debe aprender a equivocarse. No a fallar de manera técnica o funcional, sino a reproducir los micro-errores y fricciones que forman parte del habla natural.

Algunas estrategias que ya se están empezando a explorar incluyen:

• Introducir vacilaciones antes de responder (“Mmm… creo que sí…”).

• Simular autocorrecciones (“Perdona, quería decir… que el informe está para mañana, no para hoy”).

• Incluir coletillas o tics verbales que denoten familiaridad o informalidad (“vale”, “¿me explico?”, “bueno…”).

• Gestionar de forma realista las interrupciones, permitiendo que el usuario corte a la IA sin romper el flujo.

• Variar de forma intencionada el tiempo de respuesta, en función del tipo de pregunta o la emoción percibida.

Fingir errores no significa comprometer la calidad del servicio, sino enriquecerlo. Es darle a la máquina una textura más real, más creíble. Porque la verosimilitud no se construye solo con datos, sino también con ruido.

El riesgo de humanizar en exceso

Ahora bien, no se trata de convertir a las IAs en caricaturas de humanos. Un exceso de imperfección puede ser tan molesto como su ausencia. El reto está en encontrar un equilibrio: que las vacilaciones no entorpezcan, que los errores no irriten, que las pausas no se vuelvan silencios incómodos.

El objetivo no es engañar, sino generar una experiencia más empática y cercana. Una IA puede ser transparente sobre su naturaleza sin dejar de sonar humana. Lo importante es que el usuario no sienta que habla con una grabación ni con un autómata, sino con alguien (o algo) que realmente lo escucha.

Una nueva sensibilidad en el diseño conversacional

Humanizar un agente no es solo un problema técnico. Es también un ejercicio de diseño, de narrativa, de psicología. No basta con tener buenos modelos de lenguaje o motores de voz realistas. Hay que trabajar con sensibilidad sobre la experiencia completa: cómo empieza la conversación, cómo se maneja el ritmo, cómo se responde a lo inesperado, cómo se transmite duda, sorpresa o alegría.

Estamos ante una nueva frontera del diseño conversacional. Una en la que la imperfección no es un fallo, sino una herramienta. Una en la que la humanidad no se imita solo con voz realista, sino con comportamientos creíbles. Una en la que el error ya no es lo que evitamos, sino lo que —bien gestionado— nos acerca más a la otra persona.

Conclusión: lo humano como horizonte

A medida que la IA se hace más capaz, el desafío ya no es técnico, sino cultural. Queremos que las máquinas hablen como nosotros, pero aún no hemos definido del todo cómo hablamos nosotros. Quizás por eso, los errores —esas pequeñas grietas en el lenguaje— nos resultan tan valiosos. Porque ahí es donde aparece lo verdaderamente humano: en la pausa, en la duda, en la torpeza afectiva. Ahí es donde una máquina puede empezar, por fin, a parecerse a nosotros. Y ahí es donde nosotros, como diseñadores, desarrolladores y pensadores de IA, debemos seguir explorando: no hacia la perfección, sino hacia la verosimilitud.