Bots conversacionales e IA aplicada
Un modelo es buenísimo conversando
y pésimo garantizando.
Por eso lo que no puede fallar no se le confía. El modelo atiende, entiende y responde; las decisiones que tienen consecuencias las toma código que se puede auditar, o una persona. Suena menos moderno y aguanta mejor la primera semana en producción.
El reparto de responsabilidades
Qué hace el modelo y qué hace el código
Esta división es toda la propuesta. No es una limitación técnica que haya que superar con un modelo mejor: es la decisión que permite poner un bot donde el error se paga.
Lo que sí le confiamos al modelo
- ·Entender lo que quiere decir alguien que escribe mal, con prisa o en otro idioma
- ·Redactar una respuesta que suene a persona y no a formulario
- ·Resumir una conversación larga para quien la reciba después
- ·Decidir a qué tema se parece más una consulta
Lo que no le confiamos nunca
- ·Calcular una dosis, un precio o un importe
- ·Decidir si alguien cumple un criterio de riesgo
- ·Confirmar disponibilidad, stock o una reserva
- ·Cualquier cosa cuyo error se note en una factura o en una persona
Un caso donde la diferencia se puede medir
En un proyecto de salud, los cuestionarios de riesgo no los responde el modelo: van por botones y por reglas. La conversación alrededor sí es natural, pero la parte que decide es código.
100 %
de acierto en su batería de prueba
17
ataques de red-team, cero fugas
Con un modelo de lenguaje respondiendo esas preguntas no se puede afirmar lo mismo, por bueno que sea. La superficie de alucinación no es pequeña: es cero, y eso es una propiedad del diseño, no una promesa.
Lo que va de serie
API oficial de WhatsApp con firma verificada
Detección de idioma
Traspaso a persona con bandeja web
Envío de fichas técnicas
Preguntas frecuentes
Dónde poner el modelo y dónde no
¿Por qué decís que no hay que confiarle todo al modelo de lenguaje?
Porque un modelo es excelente conversando y pésimo garantizando. No hay forma de demostrar que nunca se equivocará al calcular una dosis o al decidir si alguien cumple un criterio de riesgo: puede acertar mil veces y fallar la mil una, y no sabrás cuál. Por eso lo que tiene consecuencias va en reglas deterministas que se pueden probar una a una, y el modelo se queda con lo que hace bien: entender y redactar.
¿Eso no hace el bot más tonto?
Lo hace más aburrido y más fiable, que en producción es lo que se quiere. La persona que escribe no nota la diferencia: sigue conversando en lenguaje natural. Lo que cambia es qué hay detrás de las respuestas que importan. Un cuestionario de riesgo por botones y reglas tiene cero superficie de alucinación, y eso no es una opinión: es una propiedad del diseño.
¿Tenéis alguna medición de eso?
En un caso de salud, los cuestionarios de riesgo van por botones y reglas en vez de por modelo. En su batería de prueba dieron 100 % de acierto, y aguantaron 17 ataques de red-team sin una sola fuga. Con un modelo de lenguaje respondiendo esas preguntas no se puede afirmar lo mismo, por bueno que sea el modelo.
¿Trabajáis con la API oficial de WhatsApp?
Sí, con la API oficial de WhatsApp Business, con firma de las peticiones verificada. También con Telegram. Importa porque los bots montados sobre WhatsApp no oficial funcionan hasta que dejan de funcionar, normalmente con la cuenta bloqueada y sin aviso.
¿Qué pasa cuando el bot no sabe seguir?
Traspasa a una persona, con la conversación entera y un resumen, a una bandeja web. Un bot sin salida a persona no ahorra trabajo: lo desplaza al cliente enfadado que llama por teléfono. La detección de idioma y el envío de fichas técnicas también van de serie.
¿Se puede hacer algo más allá del chat?
Sí. Hemos construido interfaz física con robot en 3D, reconocimiento de gestos por cámara y voz con palabra de activación, configurable por cliente. La conversación no tiene por qué ocurrir en una pantalla de móvil.
¿Qué pasa si tu bot se equivoca?
Si la respuesta es «nada grave», casi cualquier herramienta te vale. Si la respuesta incluye una factura, una dosis o una persona, hablemos.
Cuéntanos tu caso