Le abitudini dei consumatori legate alla voce sono cambiate più in fretta della preparazione delle aziende. Amplified 2026, un sondaggio Censuswide su 700 business leader e consumatori, ha rilevato che il 55% dei consumatori usa ormai la voce come interfaccia principale per interagire con l'AI, mentre solo il 29% delle aziende ha implementato una Voice AI rivolta ai clienti.
La voce è al tempo stesso il canale con i volumi più alti, i costi più elevati e le maggiori difficoltà tecniche del customer service, ed è quello in cui l'adozione dell'AI è più indietro. È una combinazione insolita: il canale con più costi da eliminare è quello in cui c'è meno concorrenza per ottenere il vantaggio.
3 ostacoli rendevano difficile la voce, e tutti e 3 erano reali: latenza, accuratezza e compliance. La novità è che sono diventati problemi ingegneristici con soluzioni concrete, non più questioni di ricerca aperte.
Perché la latenza era l'ostacolo più difficile
Il modo tradizionale di costruire un agente vocale concatena 3 sistemi. Il parlato viene trascritto in testo, un modello linguistico legge il testo e scrive una risposta, e un terzo sistema la pronuncia ad alta voce. Ogni fase funziona bene da sola. Il problema è ciò che si accumula tra una fase e l'altra.
Ogni passaggio aggiunge ritardo, e il cliente percepisce il totale. Una risposta sotto i 300 ms è più o meno la soglia perché una chiamata sembri una conversazione naturale, e dopo circa 1 secondo di silenzio le persone ricominciano a parlare. A quel punto una pipeline che sta ancora elaborando la prima frase si ritrova con 2 input sovrapposti e nessun modo pulito per conciliarli.
La catena non perde solo tempo. La trascrizione produce testo, quindi tono, esitazioni, volume e il suono di qualcuno che sta perdendo la pazienza non superano il primo passaggio. Il modello legge una frase piatta, senza alcun indizio che la persona che l'ha pronunciata stia per riattaccare. Anche il recupero è fragile: quando un cliente interrompe o 2 persone parlano contemporaneamente, la pipeline deve rilevare il problema in una fase e trasmetterlo a ritroso attraverso fasi mai progettate per riceverlo.
Ecco perché tanti deployment vocali funzionano bene in demo e vanno in difficoltà un martedì pomeriggio qualunque. Le demo sono silenziose, preparate e senza interruzioni.
Cosa cambia con il voice-to-voice a modello unico
Un'architettura diversa elimina i passaggi. Un unico modello riceve audio e produce audio, senza trascrizione in testo e ritorno nel mezzo.
Poiché il modello lavora con il suono anziché con una trascrizione, ciò che la pipeline scartava resta disponibile. Le interruzioni arrivano come interruzioni. Voci sovrapposte, rumore di fondo e accenti poco familiari diventano condizioni che il modello gestisce, non errori che interrompono un passaggio. Senza fasi intermedie, il tempo di risposta si riduce al punto che i clienti smettono di parlare sopra il sistema.
È questo il meccanismo che permette di affermare che latenza e accuratezza sono ormai risolte in produzione. Maven è la prima piattaforma di AI enterprise a portare in piena produzione agenti voice-to-voice, un primato confermato da Ibex, e supporta 57 lingue in voice-to-voice e 54 in chat. Nei deployment misurati da Maven, agenti vocali ben costruiti raggiungono tassi di risoluzione in linea con la chat su intenti comparabili.
Per essere precisi sullo stack: la voce in tempo reale funziona sulla OpenAI Realtime API insieme ai modelli vocali di Cartesia, e l'agente vocale usa lo stesso motore di chat ed email, così un cliente che chiama dopo aver inviato un'email non deve ricominciare da capo.
Le 3 decisioni che oggi determinano i tuoi tempi
Una volta superati gli ostacoli tecnici, la velocità del deployment dipende da poche scelte, e in ciascun caso l'opzione più rapida tende a essere anche la più sicura.
- Telefonia. Integra il tuo operatore e il tuo stack esistenti invece di cambiare operatore. Raramente conviene partire da una migrazione, e il voice-to-voice si collega a ciò che già usi, inclusi Twilio, Vonage, Cisco, Zendesk Talk e Genesys.
- IVR. Affianca e potenzia l'IVR esistente invece di sostituirlo completamente. La sostituzione ha un potenziale più alto, ma un percorso molto più lungo.
- Escalation. Usa un passaggio di consegne assistito che trasferisca all'operatore tutto il contesto. Un passaggio senza contesto è peggio di nessuna automazione, perché il cliente deve spiegare tutto 2 volte.
La questione di compliance che la voce solleva subito
Al telefono, i clienti dicono cose che non puoi memorizzare. Numeri di carta, dati sanitari, credenziali di accesso, tutto pronunciato ad alta voce mentre chiedono aiuto.
La compliance nella voce è più rigorosa che nel testo, e si risolve quando la piattaforma è costruita per questo, non adattata a posteriori. La questione decisiva è il momento. L'oscuramento dei dati personali in tempo reale durante la chiamata e l'elaborazione successiva creano finestre di esposizione diverse, e solo il primo approccio tiene i dati sensibili fuori dalla pipeline. Chiedi quale dei due stai acquistando prima della security review, non durante.
Il multilingua è più complesso nella voce
La traduzione del testo è ormai abbastanza matura da non preoccupare più la maggior parte delle aziende. La voce è un'altra cosa. La lingua parlata porta con sé variazioni di accento, espressioni regionali, cambi di lingua a metà frase e differenze di velocità che una trascrizione appiattisce. Una pipeline concatenata amplifica il problema, perché la trascrizione deve indovinare la lingua prima che il modello veda qualsiasi cosa, e un errore si propaga in tutte le fasi successive.
Vale la pena approfondire i numeri sulla copertura. La domanda utile da fare a qualsiasi vendor è se le lingue indicate siano state testate in produzione o compaiano semplicemente nella scheda di un modello.
La prova sui grandi volumi
Un'azienda di gaming Fortune 500 che opera in un mercato regolamentato raggiunge l'80% di risoluzione su oltre 330.000 interazioni mensili, incluse 13.000 interazioni risolte in un'unica giornata di picco legata a un evento.
I giorni di picco sono il test più onesto. È durante i picchi di volume che le code esplodono, che un sistema regge o cede in modo evidente, e che i clienti si fanno un'opinione duratura sull'utilità di chiamarti.
Come valutare la voce senza farti incantare dalla demo
Le demo registrate non sono una prova. Chiedi una chiamata dal vivo e, durante la chiamata, comportati come i tuoi clienti.
- Interrompi a metà frase e verifica se l'agente si ferma o continua a parlare
- Cambia idea a metà di una richiesta
- Introduci rumore di fondo
- Parla con un accento che il vendor non aveva previsto
- Chiedigli di fare qualcosa, non solo di dirti qualcosa
L'ultimo punto è il più importante. Rispondere a una domanda e completare una transazione sono capacità diverse, e la risoluzione autonoma richiede la seconda.
Le 3 decisioni in forma sintetica si trovano in The Voice AI Decision Tree , da abbinare a The 90-Day Pilot Scope per i team che valutano la voce come primo canale da automatizzare. Entrambi si basano sul capitolo Voice Channel Opportunity del report State of AI in CX 2026 .
Mettilo alla prova sulle tue conversazioni.
Richiedi una demo personalizzata gratuita.
