Una videollamada de un minuto bastó para que 26 de 54 participantes creyeran estar hablando con otra persona. Al otro lado había una IA. Es el resultado que Tavus presenta junto a Griffin, su nuevo modelo de interacción por vídeo, anunciado el 1 de octubre. La cifra llama la atención; también exige mirar cómo se obtuvo antes de convertirla en una conclusión sobre todas las conversaciones con máquinas.
El avance que propone la compañía se entiende viendo sus demostraciones: un avatar puede escuchar, hablar y reaccionar a lo que ve durante la misma conversación. El objetivo es que una videollamada con un asistente deje de parecer una sucesión de preguntas y respuestas acompañadas por una cara animada.
Qué es Griffin y por qué los gestos importan
Tavus describe Griffin como un modelo que recibe y produce audio y vídeo de forma simultánea. En una de las demostraciones oficiales, una usuaria juega a «Simón dice» con el avatar; en otras, conversa sobre una buena noticia o enseña un cubo de Rubik a la cámara. La empresa muestra generación del cuerpo y del entorno, además del rostro.
Esa simultaneidad aborda una dificultad cotidiana. Cuando hablamos con alguien, el significado también depende de sus pausas, su mirada o una mano levantada. Si un asistente responde en cuanto detecta silencio, puede interrumpir a quien solo se ha detenido a pensar. Si espera demasiado, obliga a mantener un ritmo poco natural.
La línea de investigación de Tavus ya separaba percepción, representación visual y gestión de turnos en modelos especializados. Griffin lleva esa ambición a la conversación audiovisual. Es una propuesta distinta de preparar un vídeo a partir de un guion: aquí importa reaccionar a una persona mientras la interacción está ocurriendo.
El 48 % que hay que leer con contexto
El experimento de Tavus reunió a participantes de Estados Unidos y Europa mediante una plataforma de reclutamiento independiente. Se les dijo que conversarían con otro participante. Después de la llamada, 26 de 54 identificaron al avatar como humano: aproximadamente un 48 %. La comparación publicada con Phoenix-4.5, una generación anterior de la compañía, fue de una persona entre 41.
Es una prueba organizada por Tavus, con llamadas breves y una muestra pequeña. La versión Griffin-Lite sigue limitada a probadores seleccionados; el anuncio no fija una fecha de apertura general ni una tarifa pública. Ninguno de esos detalles permite concluir que cualquier usuario vaya a confundirlo con una persona durante una conversación larga.
El resultado plantea, aun así, una pregunta importante: cuánto contexto necesita alguien para reconocer que habla con una máquina. Avisarlo desde el comienzo cambia por completo la situación. Una cosa es evaluar el realismo de un sistema y otra utilizar ese realismo para ocultar su identidad en una atención al cliente, una entrevista o una conversación personal.
Qué aporta la evaluación de NVIDIA
Hay otra referencia que permite valorar el avance sin depender únicamente del experimento de la empresa. VideoFDB, una evaluación publicada por investigadores de NVIDIA, estudia la comunicación audiovisual con 237 fragmentos de videollamadas y once dinámicas no verbales. Distingue entre percibir las señales del interlocutor y generar respuestas apropiadas, con puntuaciones asignadas mediante rúbricas y un modelo evaluador.
En la tabla de VideoFDB, Griffin-Lite alcanza 3,73 sobre cinco en percepción y 3,83 en generación. Las referencias humanas son 4,20 y 3,92, respectivamente. Son resultados destacados entre los sistemas evaluados, pero siguen mostrando distancia respecto al comportamiento humano. Tampoco miden la veracidad de todo lo que dice el avatar, su capacidad para resolver cualquier problema ni la seguridad de cada aplicación comercial.
La prueba que falta está en las conversaciones reales
Una demo permite ver una reacción concreta. Para elegir un asistente haría falta comprobar también cómo se comporta cuando oye mal, cuando alguien cambia de tema o cuando tiene que admitir que no conoce una respuesta. Una expresión convincente puede hacer más agradable una interacción, pero también volver más persuasiva una afirmación equivocada.
Por eso conviene evaluar por separado la naturalidad y la fiabilidad. En un tutor, una recomendación o una atención al público, parecer humano no basta: el usuario necesita entender quién responde, qué información utiliza y cómo puede corregirlo o pedir ayuda.
Griffin ofrece una muestra llamativa de hacia dónde se mueve la IA conversacional. Su interés está en integrar voz, imagen y reacción; el porcentaje de Tavus es una señal que merece seguimiento, no una prueba de que la distinción entre personas y máquinas haya desaparecido.