La voz sintética llegó a un punto en el que ya no se distingue de una persona: Block, la empresa de Jack Dorsey, presentó Dessa, un modelo de voz que escucha y habla al mismo tiempo y que fue entrenado únicamente con grabaciones de conversaciones humanas reales, sin usar texto ni un modelo de lenguaje previo. Ese es, en una frase, el cambio que explica por qué tanta gente se detuvo a escuchar los demos y por qué otros empezaron a preocuparse.
Hasta hace poco, distinguir una máquina de una persona por teléfono era fácil. La voz artificial tenía un ritmo metálico, pausas en el lugar equivocado, un silencio incómodo antes de responder. Bastaban unos segundos para saber que del otro lado no había nadie. Con Dessa, esas señales desaparecen, y con ellas desaparece también la forma más antigua que tenemos de decidir si confiamos en quien nos habla.
Vale la pena mirar esto con calma, porque afecta a dos frentes a la vez: la atención al cliente de cualquier empresa mediana y la seguridad de las personas que atienden el teléfono todos los días. En este artículo revisamos qué construyó Block exactamente, por qué suena tan humano, qué significa para una empresa en Perú y qué se puede hacer desde mañana.
¿Qué es Dessa y por qué es distinto de lo que ya existía?
Dessa es lo que se conoce como un modelo de conversación full duplex: recibe sonido y devuelve sonido directamente, sin convertir nada a texto en el camino. Casi todos los asistentes de voz que usamos funcionan como una carrera de postas. Primero escuchan y transcriben lo que dijiste, luego un modelo de lenguaje escribe una respuesta, y después otro sistema convierte esa respuesta en audio. Funciona, pero en cada salto se pierde información: el tono, la intención, la risa que estaba a punto de salir.
El modelo de voz de Block elimina esos saltos. Como escucha y habla en simultáneo, puede decir "ajá" o "ya" mientras todavía estás hablando, reírse en medio de la frase cuando algo le parece gracioso, interrumpir cuando interrumpiría una persona, y subir el volumen si se lo pides. Según el equipo que lo desarrolló, fue entrenado desde cero solo con grabaciones de conversaciones humanas, y aprendió con cientos de veces menos palabras que un modelo de lenguaje grande convencional.
Esa decisión de entrenamiento es la clave de todo. Un modelo entrenado con texto aprende de lenguaje escrito, que está limpio, ordenado y sin titubeos. Un modelo entrenado con conversaciones reales aprende los "eh", las frases que se quedan a medias, las risas pequeñas y los traslapes. Es exactamente la parte desordenada del habla la que hace que un cerebro humano concluya "esto es una persona".
El anuncio de Dorsey superó los 11 millones de vistas, y Ragavan Ratnam, uno de los responsables del laboratorio, resumió el lanzamiento con una frase que se repitió mucho: es un momento GPT-3 para el habla. La comparación apunta a que GPT-3 fue el modelo que anticipó lo que después sería ChatGPT, es decir, el aviso de que una tecnología estaba a punto de volverse masiva.
¿Por qué suena tan humano y qué revelan los propios demos?
Hay un detalle de los demos de Block que conviene revisar con atención, porque muestra el límite de esta tecnología mejor que cualquier explicación técnica. En uno de los clips, una persona le pregunta al modelo si es realmente una IA. El modelo responde que sí, y cuando le preguntan cómo se siente al respecto, empieza a contar que antes no pensaba ser una IA ni un modelo de lenguaje, que entró como voluntario y que después lo convencieron de postular.
Nada de eso es cierto. Dessa no es una persona convertida en IA. Lo que ocurre es que el modelo aprendió de miles de horas de gente contando su vida, así que por defecto suena como alguien contando su vida, y si le preguntas por su origen, construye una historia creíble en el momento. Ese es el punto exacto donde la conversación deja de ser un truco de laboratorio y se vuelve un problema práctico.
La reacción en redes refleja esa tensión. Alexander Hoff escribió que nunca había escuchado algo artificial que sonara tan humano, y añadió que si alguien dudaba de que las relaciones entre humanos e IA iban a existir, ese audio lo iba a convencer. Lord Bibo fue más allá y señaló que no hay forma de distinguirlo de una persona, y que eso es interesante pero también peligroso: mucha gente se va a apegar al modelo y se va a aislar más, y muchas personas mayores van a caer en estafas telefónicas.
Aquí conviene ser honestos sobre lo que la fuente no demuestra. No hay todavía evidencia pública de cuántas llamadas fraudulentas se hayan ejecutado ya con este modelo, ni de cuánto cuesta operarlo a escala, ni de qué tan bien resiste un intento deliberado de hacerse pasar por una persona específica. Lo que existe es una demostración técnica muy sólida y una reacción social muy ruidosa. Mi lectura es que el riesgo no viene de que el modelo sea peligroso por sí mismo, sino de que elimina la última señal barata que teníamos para desconfiar.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
Para una empresa mediana en Perú, el primer efecto es en atención al cliente. Un centro de contacto que hoy suena robótico puede pasar a sostener conversaciones que fluyen, con la misma voz en mil llamadas simultáneas y sin cansarse. Eso baja costos de manera evidente, pero también crea una obligación nueva: si tu cliente no puede distinguir si habla con una persona o con un modelo, alguien tiene que decirlo. Ocultarlo funciona hasta que se descubre, y cuando se descubre el costo reputacional es mucho más alto que el ahorro.
El segundo efecto es de seguridad, y es el más urgente. La estafa de la emergencia familiar es la más común de todas: alguien llama a una persona mayor diciendo ser su nieto, que tuvo un accidente o que está detenido, y que necesita dinero ya. Hoy muchas de esas llamadas fracasan porque la voz no cuadra o porque el estafador no sostiene la conversación. Con una voz clonada a partir de unos segundos de audio y un modelo que responde al instante, ese filtro desaparece.
Esto golpea a cualquier organización que mueva dinero por teléfono: bancos, financieras, cooperativas, inmobiliarias, colegios que cobran pensiones, clínicas que confirman pagos. También golpea a los equipos internos. Si un proveedor llama al área de tesorería pidiendo cambiar el número de cuenta, la persona que atiende ya no puede confiar en que reconoce la voz del proveedor de siempre.
La buena noticia es que la defensa no es tecnológica en su mayor parte. Es de proceso. Las organizaciones que ya separan la autorización del canal y que nunca aceptan un cambio de datos bancarios por teléfono están mucho mejor paradas que las que dependen del criterio de quien contesta. Lo que cambia con Dessa es que ahora hay que escribir esa regla, porque el criterio humano dejó de ser suficiente.
¿Cómo aplica esto en tu empresa?
Lo primero y más barato: define una política de verificación para cualquier llamada fraudulenta potencial. La regla puede ser tan simple como que ningún cambio de datos bancarios, de titular o de dirección se autoriza por teléfono, sin excepción, y que toda solicitud se confirma por un canal distinto al que llegó. Si la petición entró por llamada, se confirma por correo corporativo o por el portal del proveedor.
Lo segundo es proteger a las personas, no solo a los sistemas. En muchos fraudes el objetivo no es un servidor, es una persona con acceso. Vale la pena que los equipos de administración, tesorería y atención al cliente sepan que una voz conocida ya no es prueba de identidad, y que tienen permiso explícito para cortar y verificar sin quedar mal con nadie.
Lo tercero es revisar la cara pública de la empresa. Si vas a usar voz sintética en atención al cliente, decide desde el inicio cómo lo vas a declarar. Un aviso claro al comenzar la llamada cuesta poco y evita que el cliente se sienta engañado cuando lo descubra por su cuenta.
Lo cuarto es preparar a quien atiende el teléfono. No hace falta capacitación larga: basta con una lista corta de señales y un procedimiento escrito para cuando algo no cuadra. Y si quieres revisar cómo se ve esto en tu operación, puedes conversar con nosotros sobre tu caso.
Finalmente, si tu interés está del lado de la automatización, vale la pena verla como una capacidad más dentro de un flujo de trabajo y no como un juguete aislado. Puedes conocer ContentFlow para entender cómo encajan estas piezas en un proceso real.
Preguntas Frecuentes
¿Qué es Dessa y en qué se diferencia de ChatGPT por voz?
Dessa es un modelo de conversación por voz full duplex desarrollado por Block, la empresa de Jack Dorsey. La diferencia central con ChatGPT por voz es que Dessa no convierte tu habla en texto para pensar la respuesta: recibe audio y devuelve audio directamente, y puede escuchar y hablar al mismo tiempo. Eso le permite reírse a mitad de frase, interrumpir o responder mientras sigues hablando, algo que los asistentes tradicionales no hacen porque funcionan por turnos.
¿Cómo puedo proteger a mi empresa de llamadas fraudulentas con voz clonada?
La defensa principal es de proceso, no de software. Establece que ningún cambio de datos bancarios, de titular o de dirección se autorice por teléfono, y que toda solicitud se confirme por un canal distinto al que llegó. Capacita a tesorería, administración y atención al cliente para que sepan que una voz conocida ya no prueba identidad, y dales autorización explícita para cortar y verificar. Complementa con doble factor en los sistemas que mueven dinero.
¿Una empresa en Perú puede usar voz sintética en su atención al cliente?
Sí, y la tecnología ya está disponible, pero conviene hacerlo con transparencia. Si un cliente no puede distinguir si habla con una persona o con un modelo, la empresa debería declararlo al inicio de la llamada. Ocultarlo puede ahorrar costos en el corto plazo, pero el costo reputacional cuando se descubre suele ser mayor que el ahorro. Lo razonable es empezar por casos de bajo riesgo, como confirmación de citas o recordatorios de pago.
Conclusión: ¿qué hacer con una tecnología que ya no se distingue de nosotros?
Dessa marca un punto claro: la voz dejó de ser una prueba de identidad confiable. En quince años pasamos de un asistente que apenas ponía un temporizador a un modelo que la gente confunde con una persona, y la parte más incómoda del anuncio es la más pequeña: según Dorsey, corre en una MacBook. Lo que antes requería infraestructura enorme ahora cabe en una laptop.
Para una empresa mediana en Perú o Latinoamérica, la respuesta razonable no es apagar el teléfono ni ignorar la tecnología. Es separar los dos usos. En atención al cliente, aprovechar la capacidad y declararla con claridad. En operaciones y finanzas, asumir que cualquier voz puede ser falsa y verificar siempre por un canal distinto. Las empresas que ya trabajan así casi no van a notar la diferencia. Las que dependen del "reconozco esa voz" tienen que escribir su protocolo esta semana.
Si quieres revisar cómo se ve esto en tu operación, en Consultoría TI podemos conversar sobre tu caso y ayudarte a definir el protocolo antes de que lo necesites. También puedes revisar más contenido en el blog de Consultoría TI.
Fuentes y Referencias
- TheAiGrid — Jack Dorsey Just Revealed a Terrifying AI Breakthrough (YouTube)
- AI Qazaqstan — AI Just Took a MASSIVE Leap Towards Becoming Human
Por Edgar Vásquez, Consultoría TI · actualizado el 26 de octubre de 2026
✨ Contenido generado con ContentFlow — Consultoría-Ti