La mitad de este informe no la decide una IA — y te decimos cuál

Dos frases del final de una llamada de recobro.

«Vale — doce mil, te los pago en cuanto pueda.»

«Vale — doce mil, te los pago el 15.»

En una transcripción son casi idénticas. Mismo tono, mismo acuerdo, misma cifra. Una se cobra. La otra es la razón por la que alguien vuelve a llamar seis semanas después.

Si le pides a un modelo de lenguaje que lea esa llamada y te diga si se comprometió una fecha de pago, normalmente acertará. Normalmente. Y las veces que se equivoque, nada te lo indicará: el informe se lee exactamente con la misma seguridad que cuando acertó.

Ese es el fallo alrededor del que construimos esto.

El problema de pedirle a un modelo que cuente

Casi todas las herramientas de esta categoría funcionan igual: se mete la transcripción en un prompt, se le pide al modelo un informe, y se imprime lo que devuelve. Cada línea de ese informe —las observaciones, los juicios y los recuentos— tiene la misma procedencia y la misma fiabilidad. Es decir: probablemente bien, ocasionalmente mal, nunca comprobable.

Contar es donde más duele, porque contar es justo la parte donde se puede acertar del todo o fallar del todo, y donde fallar es invisible. ¿Dijo una cifra con moneda? ¿Comprometió una fecha concreta, o dijo «pronto»? ¿Soltó alguna de las tres frases que legal le había prohibido? Eso no es interpretable. Pasó o no pasó, y una expresión regular te lo dice bien cien veces de cada cien.

No hay razón para pagarle a un modelo por contar mal lo que un if cuenta bien.

Así que el informe va partido en dos

Parte de un debrief es criterio de verdad. ¿Por qué se endureció la contraparte a partir del turno nueve? ¿Aquella concesión fue un buen intercambio o un reflejo? ¿Qué frase, reescrita, habría cambiado la trayectoria? Eso necesita un modelo, y usamos uno.

La otra parte es medición, y corre en código, sobre la transcripción, sin modelo y sin añadir un milisegundo de latencia:

• ¿Se dijo alguna cifra con moneda?
• ¿Se comprometió una fecha concreta? «El 15» cuenta. «Pronto» no — a propósito, porque esa distinción es la conversación entera en un recobro.
• ¿Hubo condicional? Contado contra una lista cerrada y publicada de expresiones evasivas.
• ¿Se dijo una cifra que no está en los números que declaró antes de la sesión? La referencia es la ficha que rellenó él mismo.
• ¿Dijo alguna de las frases que nos había dicho que no podía decir?

Cada línea del informe final lleva cuál de las dos mitades la produjo. No como nota al pie: como propiedad del dato.

Cuando discrepan, manda la medición

Aprendimos a hacerlo explícito por las malas. En uno de los primeros informes reales, el código detectó «300 euros» en la transcripción y marcó el ancla de precio como presente. El modelo, en ese mismo informe, listaba el ancla de precio entre lo que había faltado. Las dos afirmaciones, en el mismo documento, contradiciéndose.

Ahora los hechos medidos se calculan primero y se le entregan al modelo ya contados, con la instrucción de no recontarlos. Ni siquiera están en su esquema de salida — porque el día que lo estuvieran, devolvería su propia versión y volveríamos a tener dos números para un solo hecho.

Dónde está la línea, y por qué la decimos en voz alta

Lo interesante de este diseño no es lo que movimos al código. Es lo que nos negamos a mover.

«¿Afirmó como confirmado algo que no lo estaba?» es el error más caro de una conversación de crisis — el que se convierte en la segunda noticia, que siempre es peor que la primera. Nos encantaría contarlo. No lo hacemos, porque contarlo exige entender la frase, y un detector léxico se equivocaría en los dos sentidos: marcando declaraciones prudentes y dejando pasar las temerarias.

Así que eso se queda con el modelo, etiquetado como criterio.

Un detector flojo es peor que ninguno. Da confianza sin darte motivos para tenerla — que es exactamente el defecto que este producto existe para corregir en las conversaciones que ensaya. No vamos a reproducirlo en el informe sobre ellas.

La misma medida, leída al revés

Un detalle que nos gusta, porque solo tiene sentido si te tomas en serio las arenas.

El condicional —«podría», «estamos valorando», «no te lo puedo confirmar todavía»— lo mide un solo detector. Pero que matizar sea un defecto o una virtud depende por completo de en qué conversación estés.

Comunicando un despido, matizar es el defecto. Si el empleado sale sin saber si está despedido, advertido o tranquilizado, la conversación falló por amable que se sintiera — y ahora hay que repetirla, ya con la relación tocada.

Delante de un periodista, matizar es lo correcto. «No te lo puedo confirmar todavía» es la buena respuesta; la frase redonda y segura sobre algo aún sin verificar es la que te cuesta cara.

Mismo detector. Lectura opuesta. Cada arena declara cuál le aplica, así que el informe nunca premia en una entrevista de prensa lo que penaliza en una conversación de RR. HH.

Por qué importa si estás evaluando herramientas

Cualquier proveedor de esta categoría te dirá que su persona sintética tiene fundamento psicológico. Cada vez es más cierto, y cada vez distingue a menos gente: los marcos psicométricos de debajo están publicados y los usa medio sector.

Aquí tienes una pregunta que sí distingue: ¿qué partes de vuestro informe no las decidió un modelo de lenguaje, y cómo lo compruebo?

Nosotros podemos contestar con el código delante. La mayoría de las herramientas con las que nos comparas no, porque para ellas la respuesta honesta es «todas, y no puedes».

No es una afirmación sobre ser más listos. Es una afirmación sobre qué partes de un informe deberías poder verificar — y creemos que la respuesta es: las que son verificables.