Durante el Aiphoria Tech Day, Denis Chernilevsky, CEO y cofundador de Aiphoria, junto a Natalya Savinova, CPO de la compañía, y Olexandr Zinkov, exjefe de Cobranza de TBC Bank Uzbekistán, compartieron cómo la IA conversacional ha dejado de ser una promesa para convertirse en un motor de facturación capaz de ahorrar millones de dólares y evitar contrataciones masivas innecesarias. Alejándose de las discusiones teóricas sobre el futuro de la tecnología, Chernilevsky centró su intervención en los casos de uso reales y el retorno de inversión tangible, destacando que la IA conversacional ha dejado de ser una promesa para convertirse en un motor de facturación y eficiencia operativa.
Chernilevsky reveló cifras contundentes sobre la operatividad actual de su plataforma: “Nuestros agentes de IA realizan hoy en día más de 2 millones de llamadas cada mes” –la empresa tiene clientes en Asia, Medio Oriente, Europa, Latinoamérica y Estados Unidos–. Según el directivo, este volumen no es solo un ejercicio técnico, sino una herramienta financiera, ya que sus clientes reportan, en promedio, “más de 5 millones de dólares al año en ingresos adicionales o ahorrados gracias al uso de esta tecnología”.
Índice de temas
¿Busca la tecnología reemplazar a los equipos humanos?
Uno de los ejes centrales de la ponencia fue desmitificar el temor a la sustitución laboral masiva. Chernilevsky argumentó que el modelo actual más eficiente no es la automatización total, sino la colaboración híbrida para resolver problemas de escala. “No se trata de sustitución, se trata de empoderar a los equipos humanos por varias razones”, afirmó.
El problema que enfrentan las empresas en crecimiento —especialmente en sectores como Fintech y banca en Latinoamérica— es la dificultad de escalar equipos humanos al mismo ritmo que la base de clientes. El ejecutivo señaló los altos costos ocultos de los call centers tradicionales y la tercerización (BPO), tales como el entrenamiento constante y la pérdida de conocimiento cuando los proveedores cambian. La IA entra en juego para resolver la “demanda flotante”, esos picos de llamadas impredecibles que saturan a los equipos. “La IA es escalable bajo demanda, escalable momentáneamente” , explicó, permitiendo a las empresas absorber aumentos de tráfico sin mantener una plantilla ociosa durante los periodos de baja actividad.
Olexandr Zinkov presentó el caso de esta filosofía con TBC Bank en Uzbekistán. Ante un crecimiento exponencial del negocio que requería duplicar la operación anualmente, el banco se enfrentaba a una rotación de personal del 10% mensual y costos operativos insostenibles.
La implementación de la IA permitió al banco escalar sin fricción: “TBC Bank no contrató a 1.000 empleados como resultado de este éxito”, explicó Zinkov. En lugar de aumentar la plantilla, la IA asumió el 90% de la gestión de cobranza temprana (soft collection) , permitiendo a la entidad ahorrar aproximadamente un millón de dólares mensuales.
Zinkov fue enfático en su conclusión: “La IA no reemplaza a las personas, reemplaza el trabajo que los humanos no deberían hacer: la rutina interminable, el estrés y las miles de llamadas repetitivas”. Mientras un agente humano gestionaba 4.5 horas reales de conversación al día, la IA elevó esa capacidad a 20 horas , pasando de 5.500 conversaciones diarias a más de 40.000.
¿Por qué es crucial priorizar la voz y la infraestructura local?
A diferencia de otras aproximaciones que inician con chatbots de texto y luego añaden voz, la estrategia presentada se basa en una arquitectura “Voice First” (Voz primero) desde el día uno. Chernilevsky advirtió sobre los riesgos de ignorar este enfoque: “Si no vas hacia una tecnología preparada para voz desde el primer día, tendrás muchísimos problemas con latencias, velocidad de respuesta y naturalidad”.
La estrategia ‘Voice First’ (voz primero) demostró ser crítica para superar las barreras de los idiomas regionales y los acentos, donde los gigantes tecnológicos suelen fallar. Natalya Savinova expuso un caso en Kirguistán donde las soluciones de código abierto como las de Google no funcionaban debido a la falta de soporte para el idioma kirguís.
Al desarrollar su propio “stack” de tecnología de voz, Aiphoria logró reducir la tasa de error de palabras (WER) del 70 % al 20 % en solo meses. Zinkov reforzó este punto con datos de Uzbekistán: mientras modelos globales como Yandex o Meta presentaban tasas de error del 46 % y 54 % respectivamente, el modelo especializado de Aiphoria redujo el error al 17 %. “Si el bot no entiende al cliente, una palabra mal reconocida puede romper todo el guion”, advirtió Zinkov.
Además, la tecnología demostró capacidad para manejar matices emocionales. Los agentes de IA pueden alternar entre tonos “amigables, naturales y estrictos” , adaptándose a la situación del deudor, algo que los operadores humanos luchan por mantener constantemente debido a la fatiga emocional.
Un punto crítico abordado fue la infraestructura. El directivo criticó la dependencia exclusiva de modelos en la nube pública para operaciones de misión crítica, señalando que en horas pico las soluciones en la nube pueden sufrir latencias de hasta 3 o más segundos en el reconocimiento, rompiendo la fluidez de la conversación. Por ello, abogó por implementaciones on-premise y destacó la importancia de la localización lingüística, asegurando que tienen la capacidad de construir modelos para idiomas de bajos recursos y dialectos regionales que los grandes proveedores tecnológicos suelen ignorar.
¿Es América Latina el escenario ideal para esta adopción?
El CEO de Aiphoria identificó a Latinoamérica como una región clave debido a su rápido crecimiento en servicios, diferenciándola de mercados más saturados o estables. “Vemos que Latinoamérica está creciendo mucho hoy en día. Hay muchas empresas Fintech, la banca está creciendo, las telecomunicaciones están creciendo”. Para estas compañías en expansión, la adopción de IA no es solo una optimización de costos, sino una estrategia de supervivencia financiera, permitiéndoles invertir en producto en lugar de infraestructura operativa pesada.
Para finalizar, Chernilevsky detalló la realidad operativa de adoptar estas soluciones, explicando que no se trata de procesos inmediatos ni “mágicos“, sino de integraciones estructuradas. Un proyecto estándar suele tomar entre dos y tres meses, aunque implementaciones complejas de soporte total pueden extenderse hasta ocho o nueve meses. Además, la arquitectura tecnológica propuesta no aísla los canales, sino que utiliza un “cerebro común” capaz de gestionar omnicanalidad a través de voz, apps y mensajería simultáneamente.
En cuanto a la inversión requerida, el directivo aclaró que la barrera de entrada en infraestructura es flexible y calculable. El hardware necesario, basado en GPUs, puede comenzar con una inversión de unos pocos miles de dólares para gestionar cientos de llamadas diarias, escalando hasta clústeres más costosos solo cuando el volumen de operaciones alcanza decenas de miles de interacciones al día.
