Hablar con una IA mientras trabaja: el problema está en los silencios

No estoy satisfecho con las soluciones de voz que uso. Quiero poder hablar con mis agentes, también desde el móvil, mientras trabajan en distintas tareas y proyectos. Una cosa es contestar una pregunta sencilla. Otra, atender una petición que obliga a recuperar contexto, consultar información y pensar, mientras seguimos hablando.

Ahí aparecen los silencios. Y las frases que intentan llenarlos: «un momento», «ahora mismo», «estoy en ello». No me basta con que la voz suene natural. Quiero que la conversación siga siendo útil cuando el sistema tiene trabajo pendiente y que me escuche cuando necesito corregirlo.

Cuando hablo con Hermes en el ordenador, funciona bien. Me refiero a Hermes Agent, de Nous Research.[24] Pero, si cambio de sesión, a veces el cambio funciona y a veces no. En mi uso, esa conversación solo funciona delante del ordenador, no en el móvil. Para conectarlo al móvil uso Hermes Conduit, un cliente gratuito y de código abierto para iPhone y iPad que se conecta a tu propia instalación de Hermes.[25] En mi uso me da muchos errores: a veces no envía el mensaje, se corta o no se conecta. Es mi experiencia con esa configuración, no una evaluación general de estos productos.

El tiempo que cabe entre dos frases

Una conversación humana tiene un ritmo exigente. Un estudio de preguntas y respuestas en diez lenguas encontró una separación media de 208 milisegundos entre turnos: aproximadamente dos décimas de segundo. Es una referencia descriptiva, con variaciones culturales y según la respuesta; no una obligación de contestar cualquier pregunta en ese tiempo.[1]

La IA debe resolver varias cosas antes de responder. Primero, recibir el sonido. Después, decidir si hemos terminado. Una pausa para buscar una palabra puede parecer un final de frase. Si espera demasiado, resulta lenta; si se precipita, nos corta.

En muchos sistemas viene luego una cadena de tres pasos: transcribir la voz, preparar una respuesta con un modelo de lenguaje y convertirla de nuevo en sonido. Parte del trabajo puede adelantarse mientras hablamos. Pero la red, el procesamiento y la reproducción siguen consumiendo tiempo.[2]

Los modelos nativos de voz reducen esa separación entre piezas. Moshi, presentado por Kyutai en 2024, publicó una latencia práctica de 200 milisegundos en sus condiciones experimentales. Esa cifra no significa que pueda resolver un expediente o completar una búsqueda en dos décimas.[3]

Para valorar si esto me sirve, necesito distinguir tres momentos: cuándo la máquina acusa recibo, cuándo aporta la primera información útil y cuándo termina la tarea. Una respuesta inmediata de «lo estoy mirando» mejora el primero. Los otros dos siguen pendientes.

Una voz disponible mientras otro componente trabaja

La idea del recepcionista y el trabajador ayuda a entender una solución que ya existe. Un componente escucha, aclara y conversa; otro se ocupa de lo que requiere más tiempo. No tiene por qué haber dos proveedores ni dos personajes: basta con separar responsabilidades.

OpenAI documenta esa división en GPT-Live, disponible de forma general en su API desde septiembre de 2026. La conversación puede continuar mientras un modelo o agente de fondo utiliza herramientas. La aplicación decide si ese trabajo sigue cuando el usuario interrumpe.[4][5]

LiveKit también publica un patrón de delegación a un subagente. Su documentación reconoce riesgos muy concretos: que el interlocutor improvise una respuesta antes de recibir el resultado o que después no lo comunique correctamente.[6]

El recepcionista necesita saber qué está pasando. Si el trabajador sigue atendiendo el encargo anterior y nosotros cambiamos de proyecto, la respuesta que llegue puede ser correcta para una pregunta que ya no estamos haciendo.

En un despacho se entiende enseguida. Quien atiende una llamada puede mantener informado al cliente mientras otra persona consulta el asunto. Pero necesita distinguir «lo he pedido», «lo están revisando» y «ya está comprobado». La IA necesita esa misma disciplina.

«Un momento» ayuda, hasta que deja de ayudar

Los rellenos no son una casualidad. ElevenLabs permite configurar una frase cuando la respuesta tarda. OpenAI anunció el 15 de octubre más expresiones breves durante las búsquedas en su modo de voz.[7][8]

La investigación ofrece una respuesta matizada. Un estudio de 2025 con 54 participantes y agentes en realidad virtual encontró que combinar gestos y expresiones verbales mejoraba la percepción de la espera, sin mejoras estadísticamente significativas en los otros indicadores generales evaluados. No aisló el efecto de la voz por separado.[9]

La diferencia útil está entre acompañar y aparentar. «La consulta sigue pendiente» informa de una situación, si el sistema la conoce. «Ya casi está» exige saber que realmente falta poco. Una música de espera o un sonido de teclado no demuestran actividad.

Tampoco conviene confundir «pensar en voz alta» con ofrecer acceso a lo que ocurre dentro del modelo. Para trabajar, suele ser más útil una explicación breve del siguiente paso y del obstáculo encontrado que una narración continua de supuestos pensamientos.

Interrumpir la voz no siempre detiene la acción

«Sí, te sigo» y «no, para» pueden sonar mientras la IA habla, pero cumplen funciones distintas. El primero acompaña; el segundo intenta cambiar lo que está ocurriendo. Un detector que solo reacciona al sonido puede confundirlos.

Por eso se combinan detección de voz, interpretación del final de una intervención y sistemas capaces de escuchar mientras hablan. Esta última capacidad se llama full-duplex. Es un avance importante, pero no garantiza que cada pausa o corrección se entienda bien.[3][10]

Además, hay varias cosas que detener: el sonido que queda por reproducir, la respuesta que se está generando y el trabajo externo. Deepgram advierte expresamente que descartar una respuesta no revierte una operación que el sistema externo ya haya ejecutado.[11]

Imaginemos una petición de envío seguida de «espera, ese destinatario no». Que la IA se calle no demuestra que el envío se haya cancelado. La respuesta correcta depende del estado real: detenido a tiempo, ya realizado o todavía sin confirmar.

Mi criterio es sencillo: que calle y escuche primero. Después, en función de lo que yo diga, que detenga la tarea o continúe. Interrumpir una explicación para añadir un dato no es lo mismo que cancelar el encargo. Tampoco quiero tener que esperar a que termine de hablar para poder aclararlo.

Para aplicar ese criterio, el sistema necesita saber en qué estado está cada tarea: pendiente, en ejecución, terminada o con un resultado todavía sin confirmar. Esa información debe llegar a quien mantiene la conversación. Como muestra la advertencia de Deepgram, no puede responder «cancelado» simplemente porque haya dejado de hablar; debe comprobar qué se pudo detener y qué ya ocurrió.[11]

Qué ofrecen ya los productos

En octubre de 2026, el panorama va bastante más allá de dictar y escuchar una respuesta. ChatGPT documenta conversación simultánea y delegación; Google presenta Gemini 3.8 Live con razonamiento y herramientas en paralelo. Claude ofrece voz con herramientas en web, escritorio y móvil, todavía en beta.[8][10][12][13]

Alexa+ se orienta a conversaciones y acciones cotidianas; Amazon mantiene acceso anticipado en España. Siri AI llegó como beta en septiembre, con lista de espera y restricciones por dispositivo, región e idioma. Los anuncios de expansión no deben confundirse con funciones disponibles para todos.[14][15]

OpenAI también documenta llamadas a sus Dots: se puede conversar con el agente sobre su trabajo y colgar sin que ese trabajo deba detenerse.[16]

En mi experiencia, Dot de ChatGPT funciona mejor. Pero encuentro pocas opciones de voz, tengo que llamar y muchas veces no coge. Y, además, es ChatGPT: no son mis agentes. Esa diferencia importa para lo que busco. Quiero hablar con los bots a los que he asignado distintas tareas y proyectos, no valorar únicamente si una conversación aislada resulta agradable.

Lo que cuento de Hermes, de la conexión al móvil y de Dot es mi experiencia de uso. Las capacidades publicadas por los fabricantes permiten conocer la oferta, pero no convierten esa experiencia en una comparación objetiva. Para eso haría falta probar las mismas tareas, idioma, conexión e interrupciones. Una demostración agradable tampoco acredita que el sistema gestione bien varios proyectos o comunique todos sus resultados.

La conversación también tiene condiciones jurídicas

Cuanto más humana suena una voz, más relevante resulta saber quién responde. En la UE, el artículo 50 del Reglamento de IA obliga al proveedor a diseñar estos sistemas para informar de que se interactúa con IA, salvo cuando resulte evidente en el contexto previsto por la norma. La información debe llegar, como máximo, al comenzar la interacción. Esta obligación se aplica desde el 2 de agosto de 2026.[17][18]

Noruega requiere una precisión. En agosto, su Gobierno seguía preparando la incorporación del reglamento y planteaba presentar la ley en primavera de 2027. Esa intención no acredita una entrada en vigor noruega. Tampoco excluye que determinadas actividades de una empresa noruega entren en el ámbito territorial europeo.[19][20]

Informar de que habla una IA no autoriza automáticamente a grabar. Bajo el RGPD hay que determinar la base jurídica, la finalidad, la información al interesado y la conservación. El consentimiento puede ser necesario según el supuesto; no es la única base posible para cualquier tratamiento de voz.[21]

La grabación puede contener datos personales y revelar información especialmente protegida. No toda grabación queda sometida por ello al régimen especial de datos biométricos: importa que exista un tratamiento técnico específico de la voz dirigido a identificar o autenticar de manera unívoca a una persona.[21][22]

En un despacho se añade el secreto profesional. Hay que conocer quién recibe audio y transcripciones, qué conserva, a qué terceros recurre y con qué garantías. La guía técnica del CCBE insiste en examinar esos flujos y contratos. «No usamos tus datos para entrenar» no responde por sí solo a todas esas preguntas.[23]

Lo que falta por resolver

Por eso estoy creando mi propia solución: una app interna que se conecta con el ordenador para hablar con mis cinco bots principales. Cada uno tiene una voz y una personalidad determinadas y se ocupa de distintas tareas y proyectos. Ese es el sistema que estoy construyendo; no estoy diciendo que los problemas de conexión, espera o interrupción ya estén resueltos.

Lo que le exijo es poder terminar una frase, seguir conversando mientras hay trabajo pendiente y recibir información fiel sobre ese trabajo. Si interrumpo, primero debe callar y escuchar; después, decidir según lo que diga si corresponde detener o continuar. Para eso necesita distinguir lo que ya hizo de lo que solamente intentó.

La investigación sirve para precisar esas exigencias. No garantiza que mi app vaya a resolverlas mejor. Pero sí deja claro qué quiero comprobar: que pueda hablar con mis agentes, conservar el control de las tareas y entender qué está ocurriendo cuando la respuesta tarda.