TANO — AI Voice Agent

Blog

98,9 en el examen. 57,5 en el trabajo.

Microsoft ha presentado su primer modelo de voz a voz, pensado para centros de llamadas. Sus propios gráficos cuentan algo más útil que el titular del lanzamiento: dónde la IA de voz ya es fiable y dónde empieza el trabajo de verdad.

Italiano · English · Español · Deutsch · Français

98,9. Es la puntuación que Microsoft atribuye a MAI Realtime 1 en Big Bench Audio, una prueba en la que un modelo de voz tiene que responder preguntas de razonamiento planteadas en voz alta. Es la más alta del gráfico que Microsoft publicó el martes. Unas líneas más abajo, en la misma página, aparece otra cifra: 57,5. Es el porcentaje de gestiones de atención al cliente que el mismo modelo completa en τ-Voice, una prueba donde no basta con entender. Hay que cerrar el asunto.

El mismo modelo, en la misma página. Puestas una al lado de la otra, esas dos cifras explican mejor que cualquier eslogan en qué punto está la IA de voz. Y si vendes por teléfono, son lo más útil que ha salido esta semana.

Qué ha lanzado Microsoft

El 17 de noviembre, en su conferencia Ignite, Microsoft AI presentó siete modelos nuevos. Solo uno tiene que ver con el teléfono, y es el primero de su tipo desarrollado por la propia Microsoft: MAI Realtime 1, un modelo de voz a voz. Escucha a quien llama y le contesta hablando, sin pasar por un texto escrito entre medias. Google y OpenAI ya tenían el suyo. Ahora Microsoft también.

Funciona en dos niveles. Una capa rápida mantiene la conversación en tiempo real y, cuando la petición se complica, recurre a un motor de razonamiento más potente. Según Microsoft, lo hace sin silencios incómodos. El tiempo hasta el primer audio, lo que tarda en empezar a responder cuando la otra persona termina, es de 880 milisegundos en la mediana. Menos de un segundo.

Microsoft también deja claro dónde quiere verlo trabajar: dentro de Dynamics 365 Contact Center, su producto para centros de llamadas, y en Dragon Copilot, donde hace de paciente simulado para que el personal de enfermería practique. Entre las primeras empresas que lo están probando cita a Agoda, la plataforma de reservas de viajes.

Cómo se comporta en una llamada

La lista de capacidades es corta y va directa a los defectos que conoce cualquiera que haya peleado con una centralita automática. El modelo gestiona las interrupciones. Entiende los «ajá» y los «vale» que soltamos mientras el otro habla, y no los confunde con una respuesta. Sabe esperar a que la persona termine. Capta la petición aunque haya ruido de fondo o gente hablando cerca. Se conecta a los sistemas de la empresa, así que puede hacer cosas además de contestar. Y el carácter y el tono se fijan con instrucciones, no con meses de entrenamiento.

En la página del modelo hay seis llamadas de ejemplo, cada una con una personalidad distinta. En una hace de recepción de una clínica dental: encuentra un hueco que le va bien al paciente, deja una nota a la higienista sobre sus encías sensibles y confirma la cita. En otra trabaja para una tarjeta de crédito. Cuando el cliente se distrae repite la pregunta, cuando le pide ir al grano va al grano, y antes de cancelar la cuenta pide confirmación. En una tercera cambia un vuelo, y como el vuelo más tarde se sale del presupuesto del viajero, le busca una opción mejor a la mañana siguiente.

Son ejemplos elegidos por quien vende el modelo, claro. Pero dejan clara una cosa: la voz ya no es el problema. El tono y la paciencia ya están ahí. Lo que cuenta ahora es lo que pasa durante la llamada. La nota para el compañero, la cita que tiene que encajar, la confirmación antes de tocar nada.

Las cifras

Microsoft publicó dos gráficos. Recogemos los modelos de los grandes laboratorios. El primero es Big Bench Audio: preguntas de razonamiento hechas de viva voz, y cuenta cuántas respuestas son correctas.

ModeloBig Bench Audio
MAI Realtime 1 (Microsoft)98,9%
Gemini 3.8 Live Extended Thinking, High (Google)97,7%
Grok Voice 2.0 (xAI)97,2%
GPT-Realtime-2, High (OpenAI)96,6%
GPT-Realtime-2.1, High (OpenAI)95,8%
Gemini 3.8 Live (Google)91,7%
GPT-Live-1 Astra, medium (OpenAI)90,1%
GPT-Live-1 Sol, low (OpenAI)89,0%
GPT-Realtime-2.1 Mini, High (OpenAI)74,7%

Fuente: Microsoft AI, página del modelo MAI Realtime 1, gráfico «Big Bench Audio score», 17 de noviembre de 2026. Las puntuaciones de los demás modelos las mide Artificial Analysis; la de MAI Realtime 1 viene de una evaluación interna de Microsoft. Más alto es mejor.

El segundo es τ-Voice. El modelo hace de agente de atención al cliente y tiene que completar gestiones reales, con normas que respetar y sistemas que usar, mientras habla con un cliente simulado. Lo que cuenta es cuántas gestiones resuelve bien.

Modeloτ-Voice, gestiones completadas
GPT-Live-1 Astra, medium (OpenAI)74,5%
Grok Voice 3.0 (xAI)71,6%
Gemini 3.8 Live Extended Thinking, High (Google)68,6%
GPT-Live-1 Sol, low (OpenAI)59,3%
MAI Realtime 1 (Microsoft)57,5%
Qwen Audio 3.0 Realtime Plus (Alibaba)54,6%
GPT-Realtime-2.1, High (OpenAI)45,7%
Qwen Audio 3.0 Realtime Flash (Alibaba)35,9%
Gemini 3.8 Live (Google)30,1%
GPT-Realtime-2.1 Mini, High (OpenAI)29,4%

Fuente: la misma, gráfico «τ-Voice task completion». Solo modelos que escuchan y hablan a la vez. El gráfico original incluye también modelos de dos proveedores especializados que no recogemos; uno de ellos es el primero en esta prueba. Más alto es mejor.

Entender no es resolver

Si pones las dos tablas juntas, salta a la vista lo más interesante del anuncio, aunque Microsoft no lo subraye. En Big Bench Audio casi todos los modelos grandes rondan o superan el 90%. Entender una pregunta hablada y razonar sobre ella es, a efectos prácticos, un problema resuelto. En τ-Voice ningún modelo de los grandes laboratorios llega al 75%, y los mismos nombres se reparten entre el 29 y el 74,5.

MAI Realtime 1 es el caso más claro: primero en la primera prueba, a media tabla en la segunda. Gemini 3.8 Live, en su versión rápida, saca 91,7 en una y 30,1 en la otra. Si se le da tiempo para pensar, con la versión Extended Thinking, sube a 68,6.

Para quien vende por teléfono es una buena noticia, y además práctica. Lo que hace dos años daba risa, la IA que no entiende lo que le dices, hoy funciona. Lo que queda por hacer bien es otra cosa. Darle al agente una tarea clara, conectarlo a los sistemas adecuados y marcarle reglas firmes sobre lo que puede hacer solo y lo que tiene que confirmar. Eso es diseñar la llamada, no tecnología. Y se puede hacer ya.

Un modelo para cada trabajo

Las tablas tienen una segunda lectura, y es la más útil: ningún modelo gana en todo. El que manda en razonamiento hablado no es el que más gestiones cierra, y la versión rápida de un modelo puede portarse de forma muy distinta a la que se toma su tiempo para pensar. Con Microsoft, ya son al menos cinco los laboratorios con un modelo de voz serio (Google, OpenAI, xAI, Alibaba y Microsoft), casi todos en varias versiones.

Eso cambia la forma de elegir. Una llamada para confirmar una cita es corta y pide reflejos: hace falta un modelo rápido, que no deje al cliente esperando. Una llamada que tiene que comprobar datos, proponer tres horarios y dejar una nota en el CRM pide un modelo que termine las tareas, aunque tarde medio segundo más. Que MAI Realtime 1 sea compatible con la Realtime API de OpenAI ayuda: si ya tienes un agente montado así, puedes probarlo sin empezar de cero.

Lo que el anuncio no cuenta

Tres cosas, y la primera pesa.

Los idiomas. Ni el anuncio ni la página del modelo dicen qué idiomas habla MAI Realtime 1. Otros modelos de voz de Microsoft cubren muchos, pero para este no consta, y todos los ejemplos publicados están en inglés. Mientras Microsoft no lo diga, mejor no darlo por hecho, tampoco el español.

Quién ha medido. Las puntuaciones de los demás modelos son de Artificial Analysis, una firma independiente. Las de MAI Realtime 1 salen de la evaluación de la propia Microsoft, que reconoce que los resultados dependen de la configuración y cambian según la aplicación. La comparación orienta, no es una clasificación oficial.

En qué fase está. El modelo está en vista previa. Se puede probar en MAI Labs, con conversaciones de dos minutos como máximo y solo para uso personal, o apuntarse a la vista previa de acceso limitado en Foundry. Para ponerlo a llamar a diario habrá que esperar un poco.

Qué hacer el lunes por la mañana

Coge las llamadas que hace tu empresa cada semana y sepáralas en dos columnas. En la primera, las que solo piden entender y contestar bien: confirmar una cita, recordar un vencimiento, dar una información. En la segunda, las que tienen que acabar con algo hecho. Una cita en la agenda, un dato actualizado en el CRM, una nota para el compañero que va a ver al cliente.

Pongamos que instalas placas solares y haces 300 llamadas a la semana. El recordatorio de la visita técnica de mañana va a la primera columna. La llamada que tiene que encontrarle al técnico un martes libre, preguntar qué tipo de tejado es y apuntarlo en el CRM va a la segunda. Casi siempre la segunda columna es más corta. Y es la que más vale.

La primera columna ya es terreno seguro para un agente de voz, con casi cualquier modelo de esta generación. La segunda es donde se notan las diferencias entre modelos, y entre un agente bien diseñado y otro montado a toda prisa. Al lado de cada llamada de la segunda columna apunta qué sistema tiene que tocar: agenda, CRM, correo. Esa lista es el punto de partida de cualquier proyecto serio de agente de voz, y la tienes en una hora.

Nosotros trabajamos dos llamadas concretas, y las dos están en la segunda columna: las llamadas en frío que consiguen citas y la reactivación de contactos que se quedaron parados.

Fuentes

¿Quieres oírlo con tus propias llamadas? Montamos y gestionamos el agente por ti. Lo escuchas en tu sector, apruebas cómo habla y recibes las citas. → Reserva una llamada

Todos los artículos →

Hablemos

Media hora sobre tu caso, no una presentación

Vemos cómo trabajas hoy, te hacemos escuchar el agente en tu sector y te decimos si tiene sentido. Si no lo tiene, te lo decimos.

Si el calendario no carga, abre directamente la página de reservas.

Abrir el calendario