Google Duplex evoluciona hacia un agente Gemini unificado para llamadas telefónicas en vivo
Google ha integrado su tecnología de voz Duplex, con una década de antigüedad, en la aplicación Gemini, permitiendo que la IA gestione tareas telefónicas complejas y no guionizadas mediante una arquitectura de modelo fundacional unificada.
Traducido automáticamente del original en inglés.
Google ha integrado oficialmente su tecnología de voz Google Duplex en la función Tareas de la aplicación Gemini, marcando una evolución significativa en la forma en que los agentes de IA gestionan la coordinación en el mundo real. Anunciada el 20 de noviembre de 2026 por líderes de Google Research y Google Maps, esta actualización permite al asistente personal de IA realizar llamadas telefónicas en vivo a empresas en nombre de los usuarios. Este movimiento transforma Duplex de un componente de infraestructura tras bambalinas a una capacidad directa para el usuario, impulsada por los últimos modelos fundacionales de Gemini.
Qué ocurrió
La integración representa la culminación de un viaje arquitectónico de diez años que comenzó con el lanzamiento inicial de Google Duplex en 2018. Diseñada originalmente para gestionar tareas estrechas y específicas como reservas de restaurantes, la tecnología ha operado silenciosamente desde entonces en varios productos de Google. Durante la pandemia, desempeñó un papel crítico en la verificación de información de comerciantes mientras los horarios comerciales fluctuaban rápidamente, aportando datos que han aparecido en Search y Maps más de un billón de veces. Con los años, los modelos subyacentes también se adaptaron para funciones locales en teléfonos Pixel, como Call Screen y Hold for Me, que ayudan a los usuarios a gestionar llamadas desconocidas y tiempos de espera.
En 2025 y 2026, el alcance se expandió aún más cuando los modelos fundacionales habilitaron llamadas agénticas más amplias dentro de Google Search y Ask Maps. Estos sistemas podían verificar disponibilidad de productos, cotizaciones de servicios y horarios de apertura para diversas categorías, desde reparación de automóviles hasta peluquería canina. El último lanzamiento en la aplicación Gemini elimina las restricciones restantes sobre los tipos de tareas, permitiendo que la IA gestione solicitudes abiertas mediante conversaciones de voz naturales. Este cambio habilita al agente para coordinar gestiones complejas que carecen de APIs digitales, como reservar citas o negociar conflictos de agenda directamente por teléfono.
Cómo funciona
La columna vertebral técnica de este sistema ha evolucionado a través de tres generaciones distintas. La versión más temprana dependía de redes neuronales recurrentes pre-transformer entrenadas con conversaciones anonimizadas y específicas de cada tarea. Estos modelos de dominio cerrado requerían un extenso entrenamiento manual para cada vertical, como distinguir la lógica de una reserva de cena de la consulta de horarios festivos. A medida que surgieron modelos fundacionales de dominio abierto, Google introdujo pilas híbridas alrededor de 2022, combinando modelos generativos como LaMDA con seguimiento determinista de estados. Este enfoque mejoró la flexibilidad pero aún requería estrictos límites de políticas para mantener la fiabilidad y la velocidad.
La arquitectura actual está construida íntegramente sobre Gemini, unificando la comprensión multimodal, la planificación y la generación de diálogos en una sola pila. En lugar de depender de verticales fijas, el sistema ahora acepta descripciones de tareas en texto libre, lo que le permite generalizar a nuevas categorías de negocios y solicitudes matizadas sin construir modelos de diálogo separados. Por ejemplo, puede manejar escenarios con múltiples restricciones como programar mantenimiento de autos alrededor de conflictos de calendario o solicitar disposiciones específicas de asientos. Este enfoque unificado aprovecha las capacidades de razonamiento de los modelos de vanguardia para navegar interacciones humanas no guionizadas.
La telefonía en vivo presenta desafíos únicos que el preentrenamiento basado en web no aborda, particularmente en lo relativo a la latencia y el ruido acústico. El sistema emplea modelos personalizados de cadencia acústica y de conversación para manejar líneas telefónicas comprimidas y ruidos de fondo como el traqueteo de una cocina o el tráfico callejero. Estos modelos aseguran una latencia inferior al segundo, permitiendo que la IA interprete rechazos indirectos educados, gestione pausas de manera natural y evite interrumpir al destinatario humano. El anclaje pragmático también se mejora mediante contexto histórico, ayudando al agente a predecir si una tarea es factible antes de que comience la llamada, basándose en interacciones pasadas con proveedores específicos.
Detalles clave
- El sistema utiliza modelos Gemini 4, incluyendo Gemini 4 Hydrogen y Gemini 4 Neon, para impulsar flujos de trabajo integrales.
- Cada llamada automatizada comienza con una divulgación clara de que habla un agente de IA de Google.
- Las empresas pueden optar por no recibir estas llamadas a través de la configuración de su Perfil de Empresa de Google o solicitando verbalmente detenerlas durante una llamada.
- No se requiere instalación de software ni capacitación del personal para los comerciantes, ya que la IA interactúa a través de líneas telefónicas estándar.
- La información recopilada durante las llamadas, como ofertas de happy hour o consejos de estacionamiento, se utiliza para actualizar los listados de Google Maps.
- El agente puede procesar transacciones de forma segura utilizando el Protocolo de Pagos de Agentes y coordinarse vía correo electrónico y RCS.
Por qué importa
Para ingenieros de software y fundadores técnicos, esta evolución destaca el cambio de la automatización rígida basada en reglas a sistemas agénticos flexibles capaces de manejar entornos no estructurados. La habilidad de navegar conversaciones de voz en vivo requiere resolver problemas difíciles en inferencia de streaming de baja latencia y razonamiento pragmático que van más allá de las aplicaciones LLM estándar basadas en texto. Demuestra que los agentes de IA exitosos deben integrar una comprensión contextual profunda con un rendimiento robusto en tiempo real para interactuar respetuosa y efectivamente con humanos.
Este desarrollo también subraya la importancia de diseñar para ambos extremos de una transacción. Al asegurar que las empresas mantengan el control y no requieran configuración, Google ha creado un modelo escalable para la interacción con IA que no altera los flujos de trabajo existentes. Para desarrolladores que construyen herramientas similares, el énfasis en la divulgación clara, mecanismos de exclusión voluntaria y cero adaptación para la contraparte ofrece una guía para el despliegue ético y práctico de agentes autónomos en canales de comunicación sensibles.
Qué puedes hacer
- Estudia la transición de pilas híbridas a modelos fundacionales unificados para entender cómo reducir la sobrecarga de ingeniería en sistemas agénticos.
- Implementa protocolos claros de divulgación en cualquier interfaz de voz de IA para mantener la confianza y cumplir con normas emergentes.
- Diseña mecanismos de respaldo que permitan a las contrapartes humanas excluirse fácilmente o redirigir interacciones automatizadas.
- Enfócate en el modelado acústico de baja latencia si tu aplicación involucra procesamiento de voz en tiempo real en entornos ruidosos.
- Aprovecha los datos históricos de interacción para mejorar el anclaje pragmático y predecir la viabilidad de la tarea antes de la ejecución.
- Explora cómo el prompting en texto libre puede reemplazar modelos rígidos específicos de dominio para aumentar la generalizabilidad del sistema.



