O comportamento dos consumidores em relação à voz evoluiu mais depressa do que a preparação das empresas. O Amplified 2026, um inquérito da Censuswide a 700 líderes empresariais e consumidores, concluiu que 55 % dos consumidores já utilizam a voz como principal interface nas interações com IA, enquanto apenas 29 % das empresas implementaram IA de voz para os clientes.
A voz é, em simultâneo, o canal de maior volume, maior custo e maior exigência técnica no apoio ao cliente, e aquele em que a adoção de IA está mais atrasada. Esta combinação é invulgar. O canal com mais custos a eliminar é o que tem menos concorrência pela vantagem.
Havia 3 barreiras que tornavam a voz difícil, e todas eram reais: latência, precisão e conformidade. O que mudou é que passaram a ser problemas de engenharia com resposta, em vez de questões de investigação em aberto.
Porque é que a latência era a mais difícil
A forma habitual de construir um agente de voz encadeia 3 sistemas. A fala é transcrita para texto, um modelo de linguagem lê o texto e escreve uma resposta, e um terceiro sistema di-la em voz alta. Cada fase funciona bem isoladamente. O problema é o que se acumula entre elas.
Cada passagem acrescenta atraso, e o que o cliente sente é o total. Uma resposta inferior a 300 ms é, grosso modo, o limiar para uma chamada parecer uma conversa, e a partir de cerca de 1 segundo de silêncio as pessoas começam a falar de novo. Um pipeline que ainda está a processar a primeira intervenção fica então com 2 entradas sobrepostas e nenhuma forma limpa de as conciliar.
A cadeia perde mais do que tempo. A transcrição produz texto, pelo que o tom, a hesitação, o volume e o som audível de alguém a perder a paciência não sobrevivem à primeira passagem. O modelo lê uma frase neutra, sem qualquer indicação de que quem a disse está prestes a desligar. A recuperação também é frágil: quando um cliente interrompe ou 2 pessoas falam ao mesmo tempo, o pipeline tem de detetar o problema numa fase e passar essa informação para trás, através de fases que nunca foram concebidas para a receber.
É por isso que tantas implementações de voz funcionam bem numa demonstração e têm dificuldades numa terça-feira à tarde. As demonstrações são silenciosas, guiadas por guião e sem interrupções.
O que muda com o voz-a-voz de modelo único
Uma arquitetura diferente elimina as passagens. Um único modelo recebe áudio e produz áudio, sem transcrição para texto e de volta pelo meio.
Como o modelo trabalha com som e não com uma transcrição, o que o pipeline descartava continua disponível. As interrupções chegam como interrupções. A fala sobreposta, o ruído de fundo e os sotaques desconhecidos passam a ser condições que o modelo gere, em vez de estados de falha que quebram uma transição. Sem fases intermédias, o intervalo de resposta reduz-se o suficiente para que os clientes deixem de falar por cima do sistema.
É este o mecanismo por trás da afirmação de que a latência e a precisão estão agora resolvidas em produção. A Maven é a primeira plataforma de IA empresarial a levar agentes voz-a-voz para produção total, uma distinção validada pela Ibex, e suporta 57 idiomas em voz-a-voz e 54 em chat. Nas implementações que a Maven mediu, agentes de voz bem construídos atingem taxas de resolução semelhantes às do chat em intenções comparáveis.
Para ser preciso quanto à stack: a voz em tempo real funciona com a OpenAI Realtime API em conjunto com os modelos de voz da Cartesia, e o agente de voz utiliza o mesmo motor do chat e do email, pelo que um cliente que liga depois de enviar um email não tem de começar do zero.
As 3 decisões que agora definem o seu prazo
Com as barreiras técnicas resolvidas, a rapidez da implementação depende de um pequeno conjunto de escolhas e, em cada caso, a opção mais rápida tende a ser também a mais segura.
- Telefonia. Integre com o operador e a stack que já tem, em vez de mudar de operador. Raramente compensa começar pela migração, e o voz-a-voz liga-se ao que já utiliza, incluindo Twilio, Vonage, Cisco, Zendesk Talk e Genesys.
- IVR. Sobreponha e complemente o IVR existente, em vez de o substituir por completo. A substituição tem um teto mais alto e um caminho muito mais longo.
- Escalamento. Utilize uma transferência assistida que passe todo o contexto ao agente. Uma transferência sem contexto é pior do que não ter automatização nenhuma, porque o cliente explica tudo 2 vezes.
A questão de conformidade que a voz levanta de imediato
Numa chamada, os clientes dizem coisas que não podem ser guardadas. Números de cartão, dados de saúde, credenciais de conta, tudo dito em voz alta enquanto pedem ajuda.
A conformidade na voz é mais exigente do que no texto, e fica resolvida quando a plataforma é construída para isso, e não adaptada. A questão decisiva é o momento. A ocultação de dados pessoais (PII) em tempo real durante a chamada e o pós-processamento posterior criam janelas de exposição diferentes, e só a primeira mantém a informação sensível fora do pipeline. Pergunte qual das duas está a comprar antes da revisão de segurança, e não durante.
O multilinguismo é mais difícil na voz
A tradução de texto está suficientemente resolvida para que a maioria das empresas tenha deixado de se preocupar com ela. A voz não é equivalente. A língua falada inclui variações de sotaque, expressões regionais, mudanças de idioma a meio da frase e diferenças de velocidade que uma transcrição apaga. Um pipeline encadeado agrava isto, porque a transcrição tem de adivinhar o idioma antes de o modelo ver o que quer que seja, e um palpite errado propaga-se por todas as fases seguintes.
Vale a pena questionar os números de cobertura. A pergunta útil a fazer a qualquer fornecedor é se os idiomas indicados foram testados em produção ou se apenas constam de uma ficha técnica do modelo.
Prova em grande volume
Uma empresa de jogos da Fortune 500 que opera num mercado regulado atinge 80 % de resolução em mais de 330 000 interações mensais, incluindo 13 000 interações resolvidas num único dia de pico.
Os dias de pico são o teste honesto. Os picos de volume são o momento em que as filas disparam, em que um sistema aguenta ou se degrada visivelmente, e em que os clientes formam uma opinião duradoura sobre se vale a pena ligar-lhe.
Como avaliar a voz sem se deixar levar por demonstrações
Demonstrações gravadas não são prova. Peça uma chamada ao vivo e, durante a mesma, comporte-se como os seus clientes se comportam.
- Interrompa a meio de uma frase e veja se o agente para ou continua a falar
- Mude de ideias a meio de um pedido
- Introduza ruído de fundo
- Fale com um sotaque que o fornecedor não previu
- Peça-lhe para fazer algo, não apenas para lhe dizer algo
O último é o que tem mais peso. Responder a uma pergunta e concluir uma transação são capacidades diferentes, e a resolução autónoma exige a segunda.
As 3 decisões, em formato resumido, estão na Árvore de decisão de IA de voz , que complementa O âmbito do piloto de 90 dias para equipas que consideram a voz como o primeiro canal a automatizar. Ambos se baseiam no capítulo «A oportunidade do canal de voz» do relatório State of AI in CX 2026 .
Veja-o nas suas próprias conversas.
Peça uma demonstração personalizada gratuita.
