Decagon ha presentato Alto, un modello sviluppato da Decagon Labs per gestire il livello conversazionale dei propri agenti vocali duplex, determinando quando intervenire, quando attendere e quali informazioni comunicare durante una chiamata. Il sistema è stato progettato per affrontare uno dei problemi operativi delle architetture vocali che combinano più modelli: mantenere la conversazione naturale e reattiva senza anticipare informazioni non ancora confermate dai componenti incaricati del ragionamento e dell’esecuzione delle operazioni. Secondo i risultati comunicati dall’azienda l’11 novembre 2026, Alto ha prodotto un miglioramento superiore a cinque punti percentuali nel tasso di risoluzione delle richieste durante chiamate reali con i clienti, mantenendo tempi medi di risposta intorno a 700 millisecondi. Il confronto è stato effettuato lasciando sostanzialmente invariata la restante logica degli agenti, in modo da isolare il contributo del nuovo modello. Non sono stati tuttavia specificati i clienti coinvolti, la dimensione del campione, i valori iniziali dei tassi di risoluzione o il periodo della misurazione.
L’architettura duplex di Decagon si differenzia dai sistemi vocali tradizionali basati su una sequenza rigida di riconoscimento del parlato, elaborazione della risposta e sintesi vocale. Nel sistema sviluppato dall’azienda, un modello conversazionale rapido opera in parallelo con un modello di ragionamento più potente. Il primo gestisce l’ascolto e la comunicazione con l’interlocutore, mentre il secondo esamina richieste complesse, interagisce con gli strumenti disponibili ed esegue operazioni sui sistemi aziendali. Questa separazione permette di proseguire il dialogo anche quando una ricerca o un’azione richiedono tempo, ma introduce il rischio che il modello conversazionale annunci un risultato prima che l’operazione sia realmente terminata. Alto affronta questo problema mantenendo una rappresentazione condivisa dello stato della chiamata, comprendente le informazioni fornite dall’utente e le attività in corso negli altri componenti dell’agente.
Durante una richiesta di modifica di una prenotazione, per esempio, Alto può raccogliere ulteriori informazioni oppure aggiornare l’interlocutore sull’avanzamento dell’operazione, ma deve attendere la conferma del sistema prima di dichiarare che la prenotazione è stata modificata. Se un risultato viene restituito mentre il cliente formula una nuova domanda, il modello può integrare entrambe le informazioni nella risposta successiva. L’obiettivo non è semplicemente riempire i tempi di attesa con frasi generiche, ma selezionare interventi pertinenti rispetto alla situazione operativa. Alto deve quindi distinguere continuamente tra le circostanze nelle quali dispone di informazioni sufficienti per rispondere e quelle nelle quali è necessario attendere il completamento del ragionamento o delle chiamate agli strumenti.
Per lo sviluppo, Decagon è partita da un modello di dimensioni contenute con pesi aperti, successivamente specializzato attraverso chiamate simulate costruite sulla base dell’esperienza maturata negli ambienti di produzione. L’addestramento con reinforcement learning prevedeva la generazione di diverse risposte possibili per ciascun punto della conversazione e una valutazione che privilegiava innanzitutto la correttezza della decisione tra risposta immediata e attesa. Soltanto successivamente venivano considerate la formulazione del messaggio, l’aderenza alle politiche aziendali e la corrispondenza con le informazioni effettivamente confermate. Dopo aver osservato che il modello gestiva correttamente la maggior parte dei casi ordinari, i ricercatori hanno concentrato l’addestramento sulle situazioni ambigue, variando strumenti, politiche e contesti aziendali per favorire comportamenti trasferibili tra applicazioni differenti.
Prima dell’introduzione nelle conversazioni ascoltate dai clienti, Decagon dichiara di aver verificato Alto attraverso oltre 90 milioni di chiamate simulate. Il modello è stato poi eseguito in modalità shadow su traffico reale, generando risposte valutabili senza trasmetterle agli interlocutori. Alto si affianca a Voice 3 e Chord, presentati il 1° ottobre 2026: Voice 3 integra l’architettura duplex e il supporto a oltre 70 lingue, mentre Chord si occupa della generazione vocale e della naturalezza del parlato. Decagon aveva attribuito a Chord un incremento del tasso di risoluzione fino a sette punti percentuali. Con Alto, la piattaforma distingue quindi la specializzazione del modello che determina come deve suonare la voce da quella del modello che decide come deve svilupparsi la conversazione, mantenendo la conferma delle operazioni come condizione necessaria per comunicare i risultati al cliente.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)