Formación con avatares IA: ¿vídeo o solo voz?

La formación con avatares IA es práctica de role play con una persona a la que puedes ver y oír: un personaje en vídeo en tiempo real que hace de cliente, de paciente o de candidato mientras hablas con él en voz alta. La cara aporta algo cuando el trabajo en sí es cara a cara. Cuando el trabajo ocurre por teléfono, la práctica solo con voz se acerca más a la realidad y suele ser la mejor opción.

Esta guía es para responsables de formación que están decidiendo si activar las personas en vídeo para sus equipos. Encontrarás una definición, los puestos en los que una cara añade valor formativo y aquellos en los que no, lo que dice la investigación sobre presencia social, el lado de los costes y una tabla de decisión por puesto.

Dos cosas llamadas «formación con avatares IA»

La expresión agrupa dos productos sin relación entre sí, y los resultados de búsqueda los mezclan.

El primero es la generación de vídeo con avatares para e-learning: software que convierte un guion en un vídeo de un presentador que lo lee. Útil para módulos de cumplimiento normativo y explicaciones de producto. Es contenido, no práctica. Nadie te responde, y este artículo no trata de eso.

El segundo es el role play basado en avatares: una persona con cara que reacciona a lo que dices, en tiempo real, durante una conversación que tú llevas. El alumno habla, la persona responde, la expresión cambia con el intercambio. Ese es el tema de este artículo. Para los fundamentos de la práctica en sí, lee antes qué es el roleplay con IA.

Qué aporta una cara, y qué no

El role play entrena el comportamiento en condiciones cercanas a la tarea real. La pregunta para cualquier realismo añadido es sencilla: ¿la tarea real contiene ese elemento? Si el alumno va a tener a una persona delante en un mostrador, una mesa o una cama de hospital, la cara de esa persona forma parte del trabajo. Si va a oír una voz por unos auriculares, no.

Elemento de la tarea real	La práctica solo con voz lo cubre	La persona en vídeo lo añade
Encontrar las palabras bajo presión	Sí	Sin cambios
Tono, ritmo y silencios	Sí	Sin cambios
Que te miren mientras hablas	En parte	Sí, la persona te devuelve la mirada
Leer un gesto de disgusto o una mirada que se desvía	No	Sí, dentro de lo que el avatar es capaz de mostrar
Mantener el contacto visual mientras piensas	No	Sí
Llevar una conversación por teléfono o con auriculares	Sí, exactamente	Añade algo que el trabajo no tiene

La última fila es importante. La práctica no debería ser más exigente en aspectos en los que el trabajo no lo es. Un agente de call center que practica con una cara aprende a gestionar un contacto visual que nunca va a necesitar, mientras que la habilidad que sí necesita, oír la frustración solo en la voz, no recibe ninguna ayuda extra.

Puestos en los que la cara añade valor formativo

Tienda

Un cliente se acerca, pregunta por un producto y observa la reacción del vendedor. El vendedor saluda, lee si el cliente quiere ayuda o espacio, y mantiene la conversación mientras alguien le mira. Practicar con una persona que devuelve la mirada se acerca más a eso que practicar con audio. Un plan de formación de ventas en tienda que incluya el saludo y la detección de necesidades encaja de forma natural.

Consultas con pacientes

Los profesionales sanitarios dan noticias, explican opciones y comprueban la comprensión mientras observan la cara del paciente. Hacer una pausa cuando el paciente parece perdido es una habilidad visible. En una sesión solo con voz, el alumno tiene que deducirlo del silencio. Con una persona en vídeo, hay algo que ver.

Conversaciones de recursos humanos

Un entrevistador, un responsable que da un feedback difícil o alguien que lleva una evaluación del desempeño se sientan frente a una persona. El alumno aprende a dejar una pregunta abierta mientras el otro piensa, en lugar de llenar el hueco. Una cara que espera lo entrena mejor que una voz que espera.

Hostelería y recepción

El check-in, una queja en el mostrador de recepción, un huésped que pide algo que el hotel no puede ofrecer. Son intercambios cara a cara en los que una expresión amable bajo presión forma parte del servicio.

Puestos en los que el audio es el trabajo real

Venta telefónica, soporte entrante, concertación de citas, recobro, líneas de asistencia técnica. En todos ellos, el agente y el cliente nunca se ven. La habilidad está en la voz: detectar pronto la irritación, marcar el ritmo, elegir las palabras, usar el silencio. La práctica solo con voz reproduce el trabajo. Una persona en vídeo añade un canal que el agente no tendrá en su puesto.

Hay un segundo argumento a favor de la voz sola en estos puestos. Los cinco pasos para tratar a un cliente enfadado dependen de escuchar las señales en el tono. Practicar con una cara puede hacer que los alumnos se apoyen en las señales visuales y entrenen menos la escucha que el trabajo exige.

Qué dice la investigación sobre presencia social

La presencia social es la sensación de estar con otra persona durante una interacción mediada por tecnología. El término procede de un libro de 1976, «The Social Psychology of Telecommunications», de John Short, Ederyn Williams y Bruce Christie. Trataban la presencia social como una cualidad del medio: el vídeo transmite más que el audio, y el audio más que el texto. Un medio más rico se parece más a estar en la misma sala.

Frank Biocca, Chad Harms y Judee Burgoon revisaron el concepto en un artículo de 2003 y sostuvieron que la presencia no es solo una propiedad del canal, sino de la interacción: aumenta cuando la otra parte parece darse cuenta de que estás ahí y te responde. Para el role play, este es el punto clave. Una persona que reacciona a lo que dices crea presencia tenga cara o no. La cara la aumenta, pero una voz que responde ya hace buena parte del trabajo.

Una advertencia desde la investigación sobre aprendizaje: el trabajo de Richard Mayer sobre aprendizaje multimedia incluye lo que él llama el principio de la imagen. En sus estudios, añadir la imagen del orador en pantalla no mejoró de forma fiable el aprendizaje a partir de una explicación. El contexto es la instrucción, no el role play, así que no zanja la cuestión para la práctica de conversaciones. Pero sí advierte contra la idea de que una cara siempre ayuda.

En conjunto: usa una cara cuando el trabajo la tiene, porque el alumno practica leerla y sostenerla. No esperes que mejore una habilidad telefónica.

Costes y ancho de banda

Una persona en vídeo en tiempo real cuesta más que una sesión de voz, porque la generación de vídeo se suma a la del habla. También necesita una conexión estable con más ancho de banda que el audio, y una pantalla lo bastante grande para que la cara se lea bien. Tres consecuencias prácticas:

• El presupuesto por minuto sube. Si el presupuesto de formación es fijo, el vídeo reduce el número de minutos de práctica disponibles. Para habilidades que necesitan muchas repeticiones, ese intercambio puede ir en contra del objetivo formativo.
• No todos los centros de trabajo tienen la conexión. Las tiendas, las plantas de hospital y las oficinas traseras de los hoteles suelen tener un wifi débil. Una sesión de voz aguanta mejor una mala conexión.
• La práctica en el móvil favorece la voz. Los alumnos que practican en el teléfono durante el trayecto al trabajo sacan más de una sesión de audio que de una ventana de vídeo pequeña.

Una regla sensata: voz por defecto, vídeo para los escenarios en los que la cara forma parte de la habilidad.

Tabla de decisión: persona en vídeo o solo voz

Puesto	Contacto real	Recomendación	Por qué
Venta telefónica, SDR	Teléfono	Solo voz	El trabajo es una voz
Call center de llamadas entrantes	Teléfono, chat	Solo voz	Escuchar el tono es la habilidad central
Vendedor de tienda	Cara a cara	Vídeo para el saludo y la detección de necesidades, voz para los ejercicios de conocimiento de producto	Que te miren forma parte de la tienda
Recepción de hotel	Cara a cara	Vídeo	La expresión bajo presión es el servicio
Comercial de campo, gestor de cuentas	Mixto, sobre todo reuniones	Vídeo para ensayar reuniones, voz para preparar llamadas	Imitar la siguiente interacción real
Médico, enfermero	Cara a cara	Vídeo para las conversaciones difíciles	Observar al paciente es una habilidad clínica
Recursos humanos, responsable de selección	Cara a cara o videollamada	Vídeo	Sostener una pausa mientras alguien piensa
Soporte técnico, línea de asistencia	Teléfono	Solo voz	No hay canal visual en el trabajo
Responsable que da feedback	Cara a cara	Vídeo para las conversaciones más duras, voz para las repeticiones	Las repeticiones necesitan volumen, el ensayo final necesita realismo

El patrón: voz para el volumen, vídeo para el ensayo final de una conversación cara a cara.

Cómo funciona el avatar en directo en Replio

En Replio, los alumnos practican conversaciones en voz alta, por voz, con personas IA: un comprador, un cliente, un paciente, un empleado o un candidato. Cada persona lleva un escenario con sus objeciones y el momento en que las plantea, la necesidad oculta detrás de cada una, y una condición de éxito y otra de fracaso. La persona se mantiene en su papel durante toda la sesión.

El avatar en directo es una opción que se añade a esa sesión de voz. Cuando está activado, la persona aparece como un avatar en vídeo en tiempo real mientras transcurre la conversación. Nada más cambia en la sesión: la misma persona, el mismo escenario, la misma puntuación. Una sesión completada da al alumno una puntuación y feedback escrito sobre esa conversación, y los responsables pueden revisar la sesión, leer la transcripción completa y añadir su propia valoración.

Eso hace que la tabla de decisión sea fácil de aplicar en la práctica. Haz las repeticiones por voz y después activa el avatar para los escenarios en los que el interlocutor real del alumno estará en la misma sala. Los equipos que trabajan en atención al cliente, comercio, sanidad y recursos humanos pueden combinar ambas opciones dentro del mismo proyecto.

El plan gratuito incluye un puesto, un proyecto y una prueba de voz única de 15 minutos. Los planes para equipos están en la página de precios.

Preguntas frecuentes

¿Qué es la formación con avatares IA?

Es práctica de role play con una persona IA a la que puedes ver y oír en tiempo real. El alumno habla, el avatar responde y reacciona, y la conversación se puntúa después. Es distinta de los generadores de vídeo con avatares, que producen vídeos de presentadores para e-learning y no responden.

¿Es mejor el role play en vídeo que el role play por voz?

No en general. El vídeo aporta valor cuando el trabajo real es cara a cara, como en tienda, consultas con pacientes, conversaciones de recursos humanos y hostelería. Para los puestos telefónicos, la práctica solo con voz reproduce el trabajo y entrena mejor la escucha.

¿Un avatar hace más realista el role play con IA?

Añade la sensación de que te observan y algo que leer en la expresión de la persona. La investigación sobre presencia social desde Short, Williams y Christie en 1976 sugiere que los medios más ricos se parecen más a estar con una persona, mientras que el trabajo posterior de Biocca y sus colegas muestra que un interlocutor que responde ya crea buena parte de esa presencia, con cara o sin ella.

¿Cuánto cuesta la formación con avatares IA en comparación con la voz?

La generación de vídeo se suma a la del habla, así que un minuto de vídeo cuesta más que un minuto de voz y necesita más ancho de banda. La mayoría de los equipos usan la voz por defecto y reservan el avatar para el ensayo final de las conversaciones cara a cara.