· 7 min de lectura · Automatización
Un modelo acierta el 96,6 % de los caracteres y aun así falla una de cada cuatro referencias. Qué se automatiza de un audio y qué no.
En el móvil del comercial hay cinco audios antes de las ocho de la mañana. Uno dura cuarenta segundos, se oye una carretilla de fondo y termina con «y de lo de siempre, mándame dos». Los pedidos por nota de voz llevan años entrando así en las distribuidoras españolas, y no van a dejar de entrar porque a ti te venga mal: al cliente hablar le cuesta seis segundos y escribir dos minutos.
La pregunta no es si se pueden automatizar. Es qué parte se automatiza hoy sin que te cuele un error en el albarán, y qué parte sigue siendo trabajo de una persona.
La transcripción, en sí, está resuelta: un modelo actual pasa a texto una conversación normal en castellano con una precisión altísima. El problema aparece en cuanto en ese audio hay una referencia.
El dato más útil sobre esto es de un corpus académico, el Sheffield Numbers Corpus (SNuC): veinte horas de grabaciones de más de cincuenta hablantes leyendo identificadores alfanuméricos del tipo que usa la industria como números de serie y de pieza. Sobre datos reales de una empresa, el sistema acertaba el 96,6 % de los caracteres sueltos. Suena estupendo. Pero la referencia completa, entera y bien, solo salía el 77 % de las veces. Casi una de cada cuatro tenía algo mal.
Es aritmética, no mala suerte: ocho caracteres con un 96,6 % de acierto cada uno salen enteros bastante menos del 96,6 % de las veces. Y el error no avisa. Te llega una referencia que existe, que es válida, que entra en el ERP sin protestar, y que no es la que pidió el cliente.
Los fallos típicos están documentados y son siempre los mismos. Speechmatics los agrupó en mayo de 2026: pares de letras que suenan casi igual (P y B, M y N, T y D), letras que suenan como cifras (la O y el cero, la I y el uno), separadores que desaparecen sin dejar rastro (un «MBR-99021» que se queda en «99021») y el clásico de los números al final de la frase, donde «siete» se entiende «setenta». En castellano súmale la b y la v, que suenan igual.
La conclusión operativa importa más que el dato: deja de medir esto con el porcentaje de palabras acertadas. La métrica que te dice si funciona en tu casa es cuántas referencias completas salen exactas. Es un número mucho más feo y mucho más honesto. La buena noticia del mismo estudio: adaptando el sistema a ese vocabulario concreto, la referencia completa pasó del 77 % al 91,7 %. No es magia, es darle tu catálogo.
Un audio de cuarenta segundos suele llevar cinco cosas mezcladas, y solo una se parece a un pedido:
La que rompe todo es la segunda, y no se arregla con un modelo mejor: se arregla con datos tuyos. Es el mismo problema que contamos en por qué hay que limpiar el maestro de artículos antes de automatizar nada, y aquí duele más, porque en un audio no hay ni un código que rascar.
No hay que elegir entre «lo hacemos a mano» y «que lo haga la IA entera». Esto se despliega por escalones y cada uno aporta solo:
Nivel 1: transcribir y pegar. El audio llega, se transcribe y el texto queda en el hilo del cliente, buscable. Riesgo cero, porque nadie decide nada con eso. Se acabó reescuchar un audio tres veces para apuntar la última línea.
Nivel 2: borrador de pedido con confianza por línea. El agente propone cantidad, referencia y cliente, y marca cada línea con lo segura que está: en verde las que casan exactamente con algo que ese cliente ya compra; las dudosas, con las dos o tres candidatas al lado. La persona confirma en un minuto en vez de teclear ocho. Aquí está el grueso del ahorro.
Nivel 3: alta automática, solo para lo que cumpla tus reglas. Cliente habitual, referencia idéntica a una que compra todos los meses, cantidad dentro de su rango normal. Lo demás pasa por el nivel 2.
Tres cosas que ayudan mucho y cuestan poco:
Toca la parte incómoda, que es la que te ahorra dinero.
Se inventa frases cuando hay silencio. El estudio de Koenecke y otros presentado en FAccT 2024 encontró que alrededor del 1 % de las transcripciones contenía frases enteras alucinadas —inventadas, no mal oídas— y que el 38 % de ellas incluía contenido dañino. El hallazgo que más te afecta: pasa desproporcionadamente con hablantes que dejan pausas largas. Una nota de voz de almacén es exactamente eso: pausas, ruido de fondo y frases a medias. Si nadie valida, ese 1 % acaba en un albarán.
No sabe cuántas unidades es «media caja» de ese formato para ese cliente. Eso está en tu cabeza y en tu ERP, no en el audio.
Se pierde con dos voces a la vez y con el audio que es medio pedido y medio conversación. «Y lo del jueves lo hablamos luego» no es una línea de pedido.
Un error de referencia no se ve hasta el albarán, y entonces ya es un descuadre con su abono, su llamada y su cabreo. El coste está detallado en las siete causas reales de un descuadre entre albarán y factura.
Si quieres que miremos cuántos de tus pedidos entran por audio y cuánto se puede quitar de en medio sin arriesgar el albarán, pide la auditoría gratuita de procesos. Media hora, y te decimos también lo que no te compensa automatizar.
Transparencia: este artículo contiene partes generadas con un agente de IA de MALDITAIA y se ha publicado con aprobación humana. Predicamos con el ejemplo.
Volver al blog de MalditaIA · Solicita una consultoría gratuita