IA de voz ainda busca seu momento ChatGPT, avaliam executivos

Apesar de o capital de risco ter injetado bilhões de dólares em startups de inteligência artificial voltadas para voz — abrangendo desde desenvolvedores de modelos de fundação e plataformas corporativas de atendimento até ferramentas de anotação de reuniões e ditado automatizado —, o setor ainda não alcançou o patamar de ruptura popularizado pelo ChatGPT. Essa é a avaliação direta apresentada por Shawn Wen, diretor de tecnologia (CTO) da plataforma corporativa PolyAI, e por Alex Gay, diretor de marketing (CMO) da Otter, durante debates realizados na conferência HumanX. Para os executivos, embora o mercado acompanhe o lançamento semanal de novas ferramentas que prometem soar e conversar como seres humanos, a experiência prática com sistemas conversacionais e modelos full-duplex ainda esbarra em gargalos severos de latência, precisão de reconhecimento de fala e compreensão contextual.

O ponto central do debate apresentado na HumanX reside no descompasso entre a capacidade de emissão de áudio sintetizado e a agilidade de processamento cognitivo em tempo real. Segundo Shawn Wen, o desenvolvimento de modelos full-duplex — arquiteturas capazes de escutar o usuário simultaneamente enquanto geram fala, permitindo interrupções fluidas — representou um avanço de engenharia indispensável, mas insuficiente por si só para consolidar uma experiência verdadeiramente comparável ao impacto do ChatGPT no processamento de texto. A ausência de um raciocínio computacional instantâneo faz com que as pausas entre a captação do áudio e a devolução da resposta quebrem a ilusão de naturalidade, expondo a fragilidade dos assistentes de voz corporativos.

“Alcançamos o marco de desenvolver modelos full-duplex. O próximo desafio é tornar o raciocínio extremamente rápido, para que os modelos possam buscar respostas com agilidade e a conversa pareça natural.”

O gargalo do raciocínio em tempo real

Na visão técnica compartilhada por Shawn Wen, da PolyAI, a transição entre modelos tradicionais de conversação por turnos e os modernos sistemas full-duplex expôs uma barreira arquitetural que não afeta a IA textual na mesma intensidade. Enquanto ferramentas textuais operam com tempos de resposta de centenas de milissegundos sem causar estranheza perceptiva ao usuário, a comunicação por voz humana exige respostas quase simultâneas. Quando um sistema corporativo de voz processa dados de atendimento e precisa consultar bases internas, a lentidão no mecanismo de inferência e busca de informações degrada imediatamente o diálogo, impedindo que o setor atinja o padrão estabelecido pelo ChatGPT em interfaces escritas.

Além da latência pura do pipeline de dados, o CTO da PolyAI enfatizou durante a conferência HumanX que a eficácia dos agentes virtuais depende diretamente da percepção de competência transmitida ao consumidor. Para Shawn Wen, a voz gerada não pode transparecer um timbre robotizado, devendo inspirar confiança imediata de que a máquina possui capacidade técnica real para solucionar demandas complexas sem a necessidade de intervenção de atendentes humanos. O executivo argumenta que a fidelização do usuário à interface de voz acontece nos momentos iniciais da chamada, exigindo consistência nos primeiros segundos de contato.

“Acredito que o próximo estágio será um pouco diferente porque, uma vez que a voz seja boa o suficiente e o cliente esteja disposto a interagir por dois ou três turnos, ele começará a construir confiança. Com o tempo, sentirá que provavelmente não precisa falar com um humano se o agente conseguir resolver o problema.”

Essa barreira de confiança descrita por Shawn Wen é particularmente crítica para o setor de atendimento ao cliente corporativo, vertical onde a PolyAI compete pelo direcionamento dos bilhões de dólares investidos globalmente. Quando um agente automático falha em entregar respostas precisas nos dois ou três primeiros turnos de conversa, o usuário abandona a tentativa de autoatendimento e solicita a transferência para um operador humano. Essa rejeição precoce reforça a visão de que a tecnologia de voz, apesar das promessas semanais do mercado, ainda precisa amadurecer suas camadas de raciocínio antes de eliminar o atrito nas centrais de contato.

Erros em cascata no reconhecimento de fala

Outro obstáculo estrutural analisado pelos executivos na conferência HumanX envolve as limitações intrínsecas dos modelos de ASR (Reconhecimento Automático de Fala). De acordo com Shawn Wen, os sistemas de ASR continuam falhando na identificação de palavras-chave fundamentais durante chamadas corporativas, o que compromete a interpretação do contexto global pelo modelo de linguagem. Quando uma única palavra técnica, código de produto ou termo específico é capturado de forma errônea pela transcrição primária, toda a lógica de tomada de decisão do agente de inteligência artificial da PolyAI é comprometida.

Essa fragilidade técnica do ASR também foi corroborada por Alex Gay, diretor de marketing da Otter, empresa especializada em transcrição e anotação automatizada de reuniões de trabalho. Para o executivo da Otter, a transcrição de voz nunca representou o objetivo final do produto, mas sim a camada de infraestrutura sobre a qual ganhos de produtividade e automações corporativas deveriam ser construídos. No entanto, se o modelo de ASR falha na base, todas as ações automatizadas subsequentes — como resumos executivos, delegação de tarefas e extração de insights — tornam-se incorretas, destruindo a credibilidade da ferramenta perante as equipes de trabalho.

“Para a Otter, você sabe, a transcrição nunca foi o ponto final. Foi apenas a camada sobre a qual poderíamos começar a impulsionar alguns dos ganhos de produtividade. Mas se a transcrição original não tiver a precisão necessária, todas as ações de acompanhamento se tornam falhas. E no minuto em que ela começa a agir incorretamente, você perde a confiança na plataforma. É crítico para nós continuar aprimorando esse modelo de ASR porque todos os impactos downstream são significativos.”

O impacto downstream detalhado por Alex Gay evidencia o desafio enfrentado tanto pela Otter quanto por outros players que tentam aplicar IA de voz no ambiente corporativo. A imprecisão na captura fonética impede que modelos de processamento analisem nuances de linguagem e termos setoriais, problema agravado quando a ferramenta precisa lidar com variações regionais ou terminologias corporativas densas. Como apontado pelo CMO da Otter, aprimorar os modelos de linguagem e a sensibilidade do ASR permanece como uma prioridade de engenharia inadiável para viabilizar qualquer nível avançado de automação no trabalho.

Gêmeos digitais e automação em reuniões

Enquanto a PolyAI concentra seus esforços na ponta do suporte e atendimento ao cliente, a Otter tem direcionado suas pesquisas para cenários mais complexos de colaboração interna, incluindo o desenvolvimento de digital twins (gêmeos digitais) projetados para representar profissionais em reuniões corporativas. De acordo com Alex Gay, para que esse conceito funcione na prática, o sistema precisa integrar três competências cruciais: a identificação precisa de locutores em ambientes com múltiplas vozes, a captura correta de intenção e o cruzamento desses dados com a base de conhecimento organizacional da empresa.

Para além da identificação do locutor e da indexação do histórico da empresa, Alex Gay ressaltou que a tecnologia de digital twins da Otter depende fundamentalmente da expressividade emocional da voz sintetizada. Em debates corporativos estratégicos, a comunicação humana é sustentada por relacionamentos interpessoais, ênfases e modulações tonais. O CMO da Otter alertou que, se a representação virtual não for capaz de replicar essas inflexões emotivas, a solução fracassará em se tornar um representante legítimo do profissional, rebaixando a interação ao nível de um assistente rudimentar.

“Se você pensar nas reuniões em que está agora, as melhores conversas que você tem são aquelas onde você pode debater, ter discussões estratégicas e onde você sente que há um relacionamento que sustenta isso. Se você não for capaz de ter isso com um avatar, então é apenas um chatbot de perguntas e respostas.”

Essa diferenciação entre um simples gerador de respostas em formato de bot e um avatar colaborativo reflete a distância existente entre as demonstrações comerciais da indústria e o estado real da tecnologia. As iniciativas da Otter para estruturar digital twins demonstram que a sofisticação da IA de voz requer uma camada de síntese emotiva muito superior à encontrada nos assistentes de voz legados, exigindo que o áudio transmita nuances de discordância, entusiasmo ou concordância que são vitais para o ambiente de trabalho e que os modelos atuais de ASR e conversão de texto em fala ainda têm dificuldades para sintetizar.

Transparência e privacidade nas comunicações

O avanço das ferramentas corporativas de voz traz à tona um debate ético e operacional obrigatório sobre transparência, privacidade e consentimento do usuário. Tanto Shawn Wen, da PolyAI, quanto Alex Gay, da Otter, defenderam categoricamente durante a HumanX que as plataformas têm o dever de explicitar quando um indivíduo está sendo gravado ou interagindo com um sistema automatizado de inteligência artificial, evitando práticas que possam enganar o interlocutor ou violar normas de proteção de dados.

No caso específico da Otter, a empresa busca consolidar a confiança dos participantes de chamadas remotas mesmo em situações atípicas de gravação. Alex Gay informou que a companhia está testando métodos proativos para notificar os integrantes de uma reunião diretamente pelo chat da plataforma caso o áudio esteja sendo registrado, inclusive em ocasiões onde o bot de gravação da Otter não figure visivelmente na listagem de participantes da chamada. Essa medida visa garantir que a captura de conhecimento organizacional ocorra sem opacidade operacional perante os funcionários.

Essa preocupação com a conformidade é compartilhada na ponta do atendimento ao cliente por Shawn Wen. O CTO da PolyAI afirmou ser indispensável que chamadas empresariais declarem abertamente que o usuário está interagindo com um agente de inteligência artificial. Segundo o executivo da PolyAI, a transparência fortalece a confiança do consumidor em vez de afastá-lo, estabelecendo expectativas corretas desde o primeiro contato e resguardando as empresas contra questionamentos regulatórios à medida que a voz substitui posições de atendimento convencionais.

Desafios para a infraestrutura corporativa

A análise técnica apresentada pelos executivos na conferência HumanX possui implicações práticas diretas para a modernização da infraestrutura digital em mercados emergentes e globais. Para empresas que avaliam migrar operações volumosas de contact center para ferramentas como as da PolyAI, as limitações reportadas no modelo ASR sublinham que a automação total por voz ainda carrega riscos operacionais significativos, especialmente em cenários com sotaques variados, ruído de fundo e gírias corporativas.

Da mesma forma, a experiência compartilhada pela Otter com ferramentas de transcrição de reuniões e projetos de digital twins demonstra que a dependência excessiva de resumos automatizados pode gerar ruídos na execução de projetos se a precisão do ASR não for minuciosamente validada. Enquanto o ecossistema aguarda o amadurecimento dos modelos full-duplex com baixa latência prometidos por executivos como Shawn Wen e Alex Gay, a IA de voz corporativa permanece em uma fase de consolidação técnica, distante de um momento definitivo de substituição irrestrita da mediação humana.