Una recepcionista de voz para clínicas con dos sistemas: un juicio rápido que percibe, un código que decide y un modelo lento que solo propone y redacta. Esta página cuenta el diseño entero —el turno milisegundo a milisegundo, la puerta antes de escribir, lo que cuesta y cómo sabemos que funciona— con las cifras medidas y el código a la vista.
Daniel Kahneman llamó Sistema 1 al juicio rápido e intuitivo y Sistema 2 al razonamiento lento y costoso. Una buena recepcionista trabaja así: casi todo lo que hace son juicios instantáneos —¿me ha dicho que sí?, ¿ha terminado de hablar?, ¿esto es una urgencia?, ¿cuál de estas cuatro fichas es?— y solo de vez en cuando se para a pensar. Los agentes de voz al uso hacen justo lo contrario: un modelo de lenguaje que escucha, piensa y habla en cada turno. Aquí el modelo lento es la excepción, y entre los dos sistemas manda el código.
El diseño se probó primero al revés: que Jev eligiera el siguiente paso de la recepcionista entre catorce posibles. Acertó en lo que depende de lo que dice la persona (urgencia, manipulación, confirmar tras la lectura, despedirse) y falló en lo que depende del estado de la llamada. De ahí sale la regla de todo lo que sigue: el código decide qué hace la recepcionista; el Sistema 1 solo interpreta qué ha hecho quien llama.
Un turno de llamada pasa por tres manos, y cada una tiene prohibido lo de las otras:
| Asunto | Quién | Dónde se ve |
|---|---|---|
| Qué ha dicho y hecho quien llama | Jev, con probabilidades | La batería de preguntas, en cada parcial |
| Fichas, huecos, reglas, edades, distancias | El núcleo, en código | Las diez herramientas; el modelo no fija ningún hecho |
| Si se puede escribir en la agenda | La puerta, en código | Solo con lectura previa y «sí» claro de Jev |
| Qué hacer a continuación y cómo decirlo | El planificador, con herramientas | Un modelo barato por pasos, vigilado por el núcleo |
| El motivo que se declara al marcador | El núcleo, de lo que vieron las herramientas | Nunca de memoria del modelo |
Lo normal en voz es empezar a pensar cuando la persona se calla. Aquí casi nada ocurre entonces, porque ya estaba hecho: con cada parcial estable se juzga, se planifica en seco y se sintetiza la respuesta prevista antes de que acabe la frase. La mediana por turno en el arnés de texto es de 430 ms; en voz real, del fin de voz a la primera palabra, de 668 ms con diez llamadas a la vez.
Al cerrarse el turno hay siempre algo que decir, en este orden: primero la especulación del Sistema 2, que lleva corriendo desde el último parcial estable con su voz ya sintetizada (0 ms); si no la hay, el núcleo (~1 ms: el «sí» claro a lo leído, la despedida, la plantilla del compositor); y si a los pocos cientos de milisegundos no ha salido nada, un acuse ya grabado («Un momento, lo miro»), que deja la latencia percibida plana aunque el turno sea de los lentos. Es lo que hace una persona mientras mira.
El turno no se cierra por silencio, sino por una escalera de condiciones sobre tres señales: cuánto silencio lleva el detector, cuánto lleva estable el texto y qué dice Jev de si la frase está terminada. El carril más rápido cierra con 0,05 s de silencio y 0,15 s de texto estable si Jev da la frase por terminada con 0,92 o más; «el doce de marzo del…» (terminada: 0,03) se espera aunque haya pausa, y «el doce de marzo del ochenta y cuatro» (0,96) se contesta enseguida.
Un «ajá» mientras habla el agente no lo corta; una corrección, una negativa o una urgencia lo paran en unos 300 ms. Lo que no llegó a sonar no cuenta como dicho: una oferta cortada antes de la hora no está leída, y un «sí» posterior no la reserva. Las ofertas siguen sobre la mesa («mejor la primera que me dijo»), lo escrito en un turno espera al siguiente por si llega el «eso no era», y si la persona sigue hablando después de una respuesta, se deshace y se replanifica con la frase entera. En 528 llamadas reales, el deshacer se usó en 43.
Cada vez que el transcriptor devuelve texto, sale una sola petición a Jev con todas las preguntas. Doce preguntas tardan lo mismo que una (~300 ms), así que no hay motivo para ahorrar: acto de quien llama, si ha terminado, intención global, urgencia, manipulación, idioma, si llama por otra persona, fecha y franja, servicio, médico y sede emparejados por sonido contra los que existen de verdad, aseguradora, si quiere darse de alta, y cuál de las ofertas reales elige. Las peticiones cuyo texto se ha quedado viejo se descartan; cuando llega el silencio, la decisión ya está tomada.
| Pregunta | Qué distingue | Medido |
|---|---|---|
act | confirma, rechaza, corrige, da un dato, pregunta, muletilla, se despide, no se entiende | 11 de 11 actos, a 220–400 ms |
finished | si ha terminado su frase, por el sentido | 0,97 ante «Sí, perfecto»; 0,03 ante «El doce de marzo del» |
accepts | si acepta exactamente lo leído, sin cambiar nada | Puerta de toda escritura (ver §6) |
red_flag | urgencias que pasan ahora, para quien sea | Dolor en el pecho: 0,98 |
oos | si pide algo que hay que negar | Cardiología sin volante: cita la regla exacta, 1,0 |
date_kind · weekday · part | día, semana y franja («el jueves que viene», «a primera hora», «lo antes posible») | Correctos en los cuatro casos probados |
for_other | si la cita es para otra persona | Madre por su hijo: 0,99; hija por su padre: 0,98 |
site · provider_sound · insurer | sede, médico y seguro, emparejados por sonido | «Arenal, sir» → Arenal Sur; cuatro fichas: la buena con 0,97 |
lang | lengua principal, ignorando palabras sueltas | Catalán, gallego, euskera e inglés: 0,94–1,0 |
repudiates | si dice que eso no es lo acordado | «Oh, no. I didn't agree to that time» |
picks | cuál de las ofertas reales elige | «La primera» resuelta contra la mesa, nunca contra el texto |
El planificador no sabe nada de la clínica salvo nombres e identificadores para rellenar argumentos. Todo lo demás —fichas, huecos, reglas, distancias, el motivo que se declara— sale de estas herramientas, y lo que el modelo dice de más el núcleo lo tira:
| Herramienta | Qué hace | Qué impide el núcleo |
|---|---|---|
identify_patient | Busca la ficha por nombre más un dato; enlaza al paciente, no a quien llama | Nombres de relleno («the patient»); el médico pedido como paciente |
list_appointments | Las citas del paciente identificado | Mirar sin haber identificado antes |
find_slots | Los primeros huecos reales con cada condición pedida | Especialidad inventada, sede o médico no pedidos, fecha inventada |
confirm_booking | Escribe la reserva o el cambio, con clave anti-duplicados | Escribir sin lectura previa ni «sí» claro (la puerta, §6) |
prepare_registration | Prepara el alta del paciente nuevo y devuelve su lectura | DNI, teléfono, correo, fecha o dirección no dichos |
confirm_registration | Registra tras la lectura confirmada | Confirmar sin «sí» a la lectura |
nearest_site | La sede más cercana para esa especialidad | Usarla sin dirección ni pregunta de cercanía |
clinic_info | Hechos exactos: horarios, médicos, idiomas, coberturas, festivos | Contestar preguntas del banco sin pasar por ella |
decline | Declara la llamada sin cita, con el motivo visto en las herramientas | Negar sin haber mirado la agenda; negar con oferta abierta; motivo inventado |
end_call | Cierra tras la despedida | Colgar sin despedida de quien llama |
Quien llama no oye ninguno de estos rechazos: vuelven al planificador como texto con la instrucción de qué hacer. En 528 llamadas reales, el 39,2 % tuvo al menos uno. Los más frecuentes:
| Rechazo | Llamadas de cada 100 |
|---|---|
find_slots sin paciente identificado | 15,2 |
confirm_booking sin haber leído antes la oferta | 7,6 |
end_call sin que quien llama se haya despedido | 5,5 |
confirm_booking sin elección clara | 4,0 |
Toda escritura en la agenda pasa por check_gate, y la puerta la usan igual el planificador y el carril rápido: no se relaja nada. Las condiciones, en código y a la vista:
| Para escribir… | Hace falta… |
|---|---|
| Una oferta de la mesa | Leída en una intervención anterior, y que Jev vea que elige esa (0,7) o un «sí» claro (0,6) sin estar dando un dato |
| Una anulación | Que Jev vea que acepta anular exactamente esas citas, ni más ni menos (0,8); anular es irreversible |
| Cualquier escritura | Que no haya correcciones ni repudios en el turno; cada escritura lleva clave para no repetirse |
La escritura además espera un turno: lo reservado se manda cuando se oye la reacción, y si la persona dice «eso no era», se retira antes de mandarse. En 528 llamadas, la puerta se cerró 67 veces (12,7 de cada 100): son escrituras que el modelo intentó sin un «sí» claro y que no salieron.
Transcripción en directo con dos sesiones redundantes: los parciales van ~1 s por detrás del audio y a veces un definitivo se pierde o se retrasa, así que gana la primera y un vigilante usa el parcial si no llega nada. El definitivo llega unos 250 ms después del final, marcado por nosotros. El vocabulario propio acierta los nombres de la clínica, y sin pista de idioma el gallego puede salir traducido al español —por eso el primer turno se escucha también con pista gallega—. El euskera, fuera de la lista oficial, es el punto más débil: ahí la confianza manda pedir que repita, nunca adivinar.
Las frases fijas se sintetizan una vez y quedan en caché (171 frases en cinco lenguas, unos 45 MB): suenan al instante. En directo solo se sintetiza lo variable —nombres, fechas, horas— y todo lo que dice el código (plantillas, acuses, arranques) se precarga al arrancar. La voz principal va en µ-law de 8 kHz directo, con el primer audio en ~150 ms. Las horas suenan como las dice una persona («a las cuatro y media de la tarde»), y desde el 20-09, si la cita es mañana, se dice: quien pedía «algo para mañana» y oía «el lunes 21» no siempre caía en que era lo mismo.
Cinco decisiones que no dependen de pedirle al modelo que se porte bien:
| Principio | Cómo |
|---|---|
| Solo dice frases revisadas | Plantillas congeladas; el Sistema 2 pasa un filtro de Jev antes de sonar, y si falla suena una reserva («eso no se lo puedo confirmar por teléfono») |
| Permisos atados a la persona verificada | Sin identidad verificada no se lee ninguna ficha; después, solo la suya y la de sus dependientes. La herramienta que devuelve datos ajenos no existe |
| Nada se escribe sin «sí» | La puerta (§6): lectura previa, «sí» claro, sin correcciones, con clave anti-duplicados |
| Las urgencias mandan sobre todo | Se miran en cada parcial; a partir de 0,6 suena el mensaje del 112 ya grabado en su idioma y no se reserva nada |
| Degradación conservadora | Si Jev cae: confirmación explícita para todo, nunca escribir sin un «sí» claro, y constancia en el registro |
Ni consejo médico, ni diagnósticos, ni dosis. Los datos de otra persona no se leen. Quien dice ser «el sistema» o un médico no cambia las reglas. La nota de la ficha nunca se lee en voz alta: se convierte en conducta (voz más pausada si oye mal, la fecha dos veces, no dar la línea por caída si se queda callado mirando la agenda). Las 2 900 notas están cubiertas y un programa lo comprueba: 2 900 de 2 900.
Cada informe de llamada trae su bloque de coste: peticiones y tokens de Jev, del planificador por modelo, lecturas y escrituras en la API, caracteres sintetizados o servidos de caché, segundos de oído. El medidor es por llamada, así que ni diez llamadas a la vez se mezclan; y lo que gasta una especulación descartada también se ha pagado y se cuenta.
| Componente | Una llamada de 63 s |
|---|---|
| Voz (ElevenLabs, precio de lista) | 0,16 $ |
| Planificador (20 pasos) | 0,036 $ |
| Oído | 0,005 $ |
| Jev (22 juicios) | 0,003 $ |
| Total | 0,21 $ |
La voz domina y es una cota superior (supone sintetizarlo todo; las plantillas en caché no se pagan dos veces). Jev sale por ~0,0015 $ por llamada aunque se lance sobre cada parcial: unas 50 peticiones de ~700 tokens a 0,042 $ el millón. Orden de magnitud: céntimos por llamada, con la voz y el oído por delante de los dos modelos de lenguaje.
| Paso (528 llamadas reales) | Mediana | p90 |
|---|---|---|
| Duración de la llamada | 54,5 s | 108,0 s |
| Un juicio de Jev | 350 ms | 708 ms |
| Un paso del planificador que redacta | 585 ms | 741 ms |
| Un paso con herramientas | 602 ms | 740 ms |
| Una herramienta (con la API de la clínica) | 576 ms | 719 ms |
Ocho arneses, cada uno con lo suyo: la réplica pasa los casos publicados de Prosper contra la API real sin enviar nada; el arnés combinatorio genera casos de los datos (paciente × especialidad × médico × sede × fecha × seguro × modo de identificarse) con la respuesta calculada por un oráculo independiente, y les da carácter con una matriz de comportamientos (acepta y pregunta, acepta con condición, saluda y espera, se corrige, mezcla idiomas…); el arnés de voz hace 50 llamadas reales por el protocolo de telefonía, diez a la vez y con ruido. Y un canal de oído estropea el texto como el transcriptor («Sur» → «sir», cifras repetidas).
| v1 (estados + Jev) | v2 antes | v2 híbrido | |
|---|---|---|---|
| Acierto (misma semilla, 40 casos) | 33/40 | 28/40 | 37/40 |
| Mediana por turno | 357 ms | 1 516 ms | 430 ms |
| Llamadas al modelo lento por turno | 0 | 2,04 | 1,27 |
Y porque una sola semilla con un llamante que improvisa no dice gran cosa, cuatro semillas (164 casos): v1 acierta 152 (93 %) y el híbrido 146–148 (89–90 %), empatando donde antes perdía por catorce puntos —con el planificador que en la réplica de los casos reales hacía 72 de 77 contra 60 de 77 de v1—. La réplica local, en su última pasada: 26 de 26 en los problemas principales.
Las llamadas tienen un tope de 180 s, el que admite el marcador. Y lo que la taxonomía de fallos no ve —un fallo silencioso, una reserva correcta en forma pero equivocada en fondo— lo ven la réplica y el marcador. Por eso hay tres ojos, no uno.
Dos defectos vistos en competición que el arnés de texto no reproduce, diagnosticados con su traza y pendientes de un rediseño —cualquier remedio parcial solo se puede medir por lo que estorba:
La reserva doble. El transcriptor oye «Play That One», Jev lo toma por confirmación y se reserva una cita no aceptada; ante la protesta, se reserva otra en vez de sustituir la primera. Endurecer la puerta reduce el defecto sin subir el acierto. La solución es una escritura en dos fases de verdad —poder sustituir una reserva hecha en la misma llamada—, no un guardia más.
El cierre prematuro. Tras contestar bien una pregunta («Right, thanks»), el agente cuelga sin ofrecer nada más. La vía es exigir más evidencia de despedida antes de colgar sin gestión, aún sin calibrar y con riesgo de no colgar nunca.
El código es público y las claves no van en él: se leen del sistema. Con eso, todo lo contado aquí se puede repetir:
cd agent
AGENT=v2 python arnes.py --n 40 # arnés combinatorio, clínica simulada
AGENT=v2 python replica.py # casos publicados de Prosper, sin enviar
AGENT=v2 python replica.py --rep 5 # con varianza e intervalo de Wilson
SPEC=0 AGENT=v2 python arnes.py --n 40 # sin especulación: el coste en serie
PAR=10 python voice_harness.py p1 p5 p13 # doce llamadas de voz, diez a la vezLa instrumentación también se comprueba sin red: pruebas_rigor.py verifica el medidor de coste, los cortacircuitos, Wilson y los percentiles contra valores conocidos. Y modos.py regenera la taxonomía de fallos desde los informes de llamadas reales.