Un cliente escribe: «Mi paquete nunca llegó, ¿podéis enviarme otro?». Tu asistente busca en todo lo que ha visto y encuentra una coincidencia casi perfecta de la semana pasada: «Mi paquete llegó dañado, ¿podéis enviarme otro?». Envía la respuesta de la semana pasada, un reemplazo, sin hacer preguntas. Las palabras eran casi las mismas. El caso no, porque con un paquete perdido lo primero es pedir un rastreo a la empresa de mensajería.
La búsqueda hizo su trabajo. Encontró la coincidencia más cercana, que es para lo que sirve buscar. El RAG encuentra pasajes que se parecen a la pregunta, las bases de datos vectoriales encuentran lo que está cerca, los grafos de conocimiento encuentran lo que alguien enlazó, las cachés devuelven lo que ya se preguntó y la memoria recupera lo que se guardó. Todos encuentran algo que ya existe. Pero parecido no es lo mismo que correcto, y cuanto más se parece una coincidencia equivocada, con más seguridad se sirve.
El aprendizaje es otra cosa. Entiende el patrón que hay detrás de tu trabajo, lo condensa en lo que se puede generalizar y predice lo que viene después. Duplex aprende, y tus herramientas de búsqueda se convierten en sus herramientas: llama a cada una cuando un paso la necesita, y decide cuál debe ser la respuesta.
Si se pregunta igual, la búsqueda encuentra la respuesta guardada, y Duplex también la conoce.
El aprendizaje lleva el patrón a casos nuevos.
La siguiente petición rara vez coincide palabra por palabra con la anterior. Alguien la formula de otra manera, omite un detalle o añade un contexto que no cambia nada. Una caché devuelve lo que ya se preguntó, así que necesita que la petición nueva se parezca a una antigua. Una búsqueda por similitud se las arregla mejor con una redacción nueva, porque encuentra lo que está cerca, pero la cercanía se mide en las palabras, no en el caso.
El aprendizaje trabaja sobre el propio caso. Cuando tu equipo confirma un resultado, Duplex aprende el patrón que hay detrás: por qué funcionó y dónde se aplica. Así reconoce la misma petición con otras palabras, y sabe cuándo una petición que suena igual está pidiendo otra cosa.
Distinguir los casos parecidos es donde más se nota la diferencia. Un paquete perdido y uno dañado comparten casi todas las palabras, igual que un pedido cancelado antes del envío y otro cancelado después. Una herramienta que sirve lo que parece similar responde igual a cada pareja, con la misma seguridad. Duplex ve la diferencia, y recurre a tu IA, con el contexto de lo que sabe del caso.
En una prueba que iba desde repeticiones exactas hasta peticiones de otro ámbito, Duplex respondió mal el 7.5% de los casos parecidos engañosos, frente al 45.3% de una caché. En el conjunto de las peticiones, el 98.98% se gestionó correctamente: o se respondió bien, o se traspasó a tu IA.
Tus herramientas de búsqueda se convierten en sus herramientas.
Las herramientas de búsqueda son buenas en lo suyo, y Duplex las usa exactamente para eso. La recuperación es la forma adecuada de encontrar una cláusula en una política, un grafo de conocimiento la forma adecuada de ver cómo se relaciona un proveedor con todo lo demás, y una caché la forma más rápida de devolver una decisión ya tomada. Esos datos pertenecen a tus sistemas, al día y en manos de las personas que los cuidan.
Lo que las herramientas no pueden hacer es decidir. Encuentran, y dejan el resto a quien preguntó: en qué fuente confiar, qué hacer cuando dos no coinciden, qué significa la respuesta para este caso. Duplex aporta ese criterio. Llama a cada herramienta cuando un paso la necesita, aprende qué fuente responde a qué tipo de pregunta y decide con los datos vigentes delante.
Una sola factura puede necesitar las tres: la política, el estado del proveedor y la última decisión sobre ese proveedor. Casi todos los días coinciden. El día en que el proveedor queda en suspenso, la última decisión está desfasada, y la respuesta tiene que seguir el dato más reciente y mostrar de dónde viene cada pieza.
Es un reparto de tareas justo, y todo lo que has construido sigue en servicio. Tus herramientas siguen encontrando lo que se construyeron para encontrar, cada una más útil ahora que algo decide cuándo usarla. Duplex aprende, decide y actúa, con cada respuesta trazable hasta sus fuentes.
Para responder sobre una factura, Duplex necesita una política, el estado del proveedor y la última decisión.
Un patrón aprendido te dice lo que viene después.
La búsqueda mira al pasado: encuentra lo que ocurrió. El aprendizaje mira hacia delante. Una vez que Duplex sabe cómo se desarrolla un tipo de trabajo, puede predecir qué cambiará una acción, planificar los pasos siguientes y decidir si responder, traspasar o rechazar.
Los tickets de soporte siguen un patrón: abierto, clasificado, resuelto, confirmado, cerrado. La búsqueda puede encontrar un ticket parecido al que tienes delante. Duplex ha aprendido de los confirmados, así que sabe qué necesita este ticket ahora y qué debería venir después. Cuando un ticket da un giro que ninguno anterior dio, Duplex le pasa ese paso a tu IA, y cuando tu equipo confirma cómo terminó, el giro pasa a formar parte del patrón.
En World of Workflows, un benchmark empresarial público construido sobre ServiceNow, Duplex predijo cómo cambia el sistema tras una operación mejor que GPT-5.1, Gemini 3 Pro y Claude Sonnet 4.5, sin llamadas al modelo. En planificación, encontró la ruta más corta todas las veces sin un solo token de modelo.
Una biblioteca te dice lo que se ha escrito. Un compañero que ha aprendido el trabajo sabe qué significa el caso que tiene delante, se da cuenta cuando es nuevo y sigue con el siguiente paso. Tus herramientas de búsqueda son la biblioteca, tan útiles como siempre. Duplex es el compañero, y con cada resultado conoce el trabajo un poco mejor.
Los tickets confirmados enseñan a Duplex cómo se desarrolla este tipo de trabajo, paso a paso.