O mais importante na IA de voz não é a voz

O mais importante na IA de voz não é a voz. É a experiência que ela pode proporcionar.

Pense na melhor experiência de atendimento que você já teve. Você se sentiu compreendido. Não precisou se repetir, aprender como a organização funcionava nem lidar com a complexidade interna dela. Você explicou o que precisava, e alguém usou o contexto, o discernimento e o conhecimento da organização para ajudar você a alcançar um resultado bem-sucedido.

E se as empresas pudessem proporcionar mais experiências assim, de forma mais consistente e em maior escala?

Essa é a verdadeira promessa dos agentes de voz — não simplesmente substituir a digitação pela fala ou automatizar toda interação humana. Os agentes de voz mudam a experiência: em vez de navegar pelos sistemas, a pessoa expressa sua intenção. Um cliente ou funcionário descreve, com as próprias palavras, o que deseja realizar. O agente entende o contexto, coordena nos bastidores os conhecimentos e sistemas adequados, executa as ações permitidas e recorre a uma pessoa quando são necessários discernimento, empatia ou autoridade.

Durante décadas, as pessoas se adaptaram à tecnologia. Aprendemos onde clicar, qual menu abrir e como transformar uma intenção simples em uma série de comandos. A IA generativa começou a mudar isso ao nos permitir conversar em linguagem cotidiana. A voz dá o próximo passo e começa a inverter completamente essa relação: a tecnologia se adapta à maneira natural como as pessoas se comunicam, enquanto a complexidade da empresa fica em segundo plano.

Por que a voz transforma a experiência nas empresas

A voz é importante porque reduz os obstáculos para funcionários, clientes e novos contratados. Quem liga para a central de atendimento não deveria precisar saber qual sistema é responsável por um problema ou contém a solução. O cliente não deveria ter que repetir as mesmas informações ao passar de um canal para outro. E um novo contratado não deveria ficar limitado a materiais de treinamento estáticos se pudesse praticar uma conversa realista e receber feedback na hora.

A voz também amplia o acesso para quem está longe de um teclado, trabalha em campo ou simplesmente se sente mais à vontade falando do que digitando. Os recursos multilíngues ajudam as organizações a se comunicar de forma consistente em diferentes regiões, sem transformar cada interação em um esforço de produção separado.

Ainda assim, a voz não substitui todas as telas nem todas as conversas humanas. Os meios visuais e escritos continuam sendo melhores para comparar informações complexas e analisar detalhes com precisão, e o discernimento humano continua sendo essencial quando uma situação é ambígua, delicada ou tem consequências importantes. A oportunidade está em usar a voz quando a conversa é o caminho mais natural para chegar a um resultado e, quando não for, definir encaminhamentos claros.

Uma interface de voz não basta

Uma voz que soa natural não basta. O valor real depende de o agente conseguir melhorar a experiência de forma significativa: eliminar obstáculos, preservar o contexto, agilizar a resolução e ajudar alguém a alcançar o resultado adequado. Isso exige mais do que uma interface envolvente. Exige dados e fluxos de trabalho conectados, limites claros, encaminhamentos confiáveis e responsabilização pelo que acontece em seguida.

Por isso, há uma diferença entre seguir um roteiro e compreender uma intenção. Um fluxo de trabalho tradicional define cada etapa com antecedência. Já um agente de voz concebido para alcançar resultados recebe a intenção, entende as regras e o contexto e adapta sua abordagem até atingir o objetivo ou até que seja necessário recorrer ao discernimento de uma pessoa.

É útil entender em que ponto os compradores realmente estão, porque o ambiente empresarial passou por três fases em pouco tempo. Durante algum tempo, vivemos um frenesi de adoção — em grande parte, adoção por si só. Depois, os líderes passaram a ter de responder pelos resultados desses investimentos e, muitas vezes, não conseguiam explicar o valor que haviam obtido. Isso levou a uma recalibração em torno dos resultados. A questão já não era apenas se uma implementação gerava resultados, mas também se alcançá-los comprometia algo essencial. Há uma espécie de ceticismo generoso: uma disposição genuína para investir, acompanhada da expectativa de que as duas perguntas sejam respondidas.

As previsões apontam na mesma direção. A Gartner espera que a IA agêntica resolva autonomamente 80% dos problemas comuns de atendimento ao cliente até 2029. Não importa se o número exato é 80%. A palavra importante aqui é resolver. A conversa começa com o acesso, mas o produto é a resolução.

O cliente zero em um ambiente muito exposto

Na DXC, uma de nossas primeiras implementações de IA de voz aconteceu em um ambiente excepcionalmente visível: nossas teleconferências de resultados financeiros. Durante três trimestres consecutivos, o CEO Raul Fernandez escreveu seu texto preparado enquanto um modelo de voz personalizado de IA, criado com a ElevenLabs, o apresentava com a voz dele.

A primeira teleconferência demonstrou a capacidade principal. Na segunda, suas declarações puderam ser compartilhadas em espanhol, francês, alemão, português e árabe. Na terceira, o texto foi transmitido simultaneamente em seis idiomas. Em todas as ocasiões, Raul informou aos ouvintes que havia escrito as palavras e que um modelo de IA as estava pronunciando.

Uma teleconferência de resultados não é um ambiente fácil: tudo é scrutinizado, regulamentado e não há tolerância para nada que soe minimamente errado. Quatro conclusões surgiram de realizar o experimento nesse contexto, em vez de em outro mais seguro.

• A autoria importa mais do que a forma de apresentação. As palavras são dele; o modelo simplesmente as lê. As organizações podem ampliar a comunicação em vários idiomas sem mudar quem escreveu a mensagem nem quem continua responsável por ela.
• A transparência fortaleceu o resultado, em vez de prejudicá-lo. No início, não estava claro se anunciar o uso de uma voz de IA comprometeria nossa credibilidade. Aconteceu o contrário, e a alternativa — torcer para que ninguém percebesse — teria sido errada tanto do ponto de vista ético quanto prático.
• A apresentação em vários idiomas trouxe valor real. Acionistas que, de outra forma, teriam de esperar por uma tradução agora ouvem as mesmas declarações, com a mesma voz e ao mesmo tempo. Isso muda quem tem acesso igualitário às informações; não é uma questão de eficiência na produção.
• A confiança depende da responsabilização, não do refinamento. As pessoas aceitam uma mensagem transmitida por IA quando sabem quem a escreveu, quem se responsabiliza por ela e a quem podem recorrer. Nada disso é perceptível apenas pela voz.

Isso reflete um princípio que seguimos na LabX, incubadora de produtos nativos de IA da DXC: antes de pedir aos clientes que confiem em uma tecnologia emergente, devemos estar dispostos a testá-la em nosso próprio ambiente. Ser o cliente zero revela problemas que uma demonstração impecável não mostra — em que momentos as pessoas hesitam, onde a confiança se rompe e quais salvaguardas são necessárias para operar com responsabilidade em grande escala. Os desafios mais difíceis da IA nas empresas costumam ser humanos, não técnicos.

Da demonstração à transformação das experiências

Nossa parceria estratégica com a ElevenLabs, empresa de IA especializada em modelos de áudio e agentes de voz, se baseia nessa experiência como cliente zero e aplica a voz em três áreas práticas. Em cada caso, o ponto de partida é um resultado definido, não simplesmente a implantação de uma tecnologia.

• Nas centrais de atendimento, os agentes de voz podem ajudar os funcionários a descrever um problema com naturalidade, encontrar informações relevantes, executar etapas rotineiras e transmitir todo o contexto a um especialista quando for necessário encaminhar o caso. A medida de sucesso não é quantas chamadas foram evitadas. É saber se a pessoa que ligou conseguiu resolver o problema em uma única interação, sem precisar descrevê-lo três vezes.
• Nas plataformas de experiência do cliente, interfaces multilíngues com voz natural proporcionam interações mais consistentes por telefone e nos canais digitais. Na maioria das organizações de serviços, a qualidade varia conforme quem atende e em que momento. Há uma oportunidade de melhorar de verdade: cada interação pode se beneficiar do mesmo contexto, enquanto os casos mais difíceis continuam sendo encaminhados às pessoas mais preparadas para resolvê-los.
• Na formação, a voz transforma conteúdo passivo em prática. Os funcionários podem ensaiar uma conversa com um cliente, uma situação de segurança ou uma conversa difícil com a liderança e, em seguida, receber orientações personalizadas. As pessoas se tornam competentes mais rapidamente quando praticam a conversa real, em vez de apenas ler sobre ela.

As aplicações específicas de cada setor podem ser as mais relevantes. Seguradoras podem explorar a coleta guiada de informações para sinistros rotineiros; fabricantes podem oferecer aos técnicos de campo acesso às instruções sem que precisem usar as mãos; organizações do setor público podem facilitar o acesso a informações em vários idiomas. Não se trata de agentes genéricos instalados sobre uma organização. Eles precisam ser projetados levando em conta o vocabulário, as regras, os dados e o perfil de risco de cada setor.

Amplie as qualidades de um ótimo atendimento, não uma interação roteirizada

O risco, é claro, é que a escala acabe gerando uniformidade. As empresas já cometeram esse erro: aplicar a mesma árvore de decisão a todos, atender ao caso médio e deixar de atender a todo o restante. O que deve ser ampliado são as qualidades de uma ótima interação de atendimento — informada, ágil e orientada a resultados —, enquanto a própria interação se adapta ao idioma, ao contexto e à necessidade de cada pessoa. Consistência deve significar qualidade confiável, não uniformidade.

A confiança faz parte da experiência

Quanto mais humana for a voz de um agente, mais importante será a transparência. As pessoas devem saber quando estão interagindo com uma IA. As organizações precisam de autorização explícita para criar ou usar a voz sintética de alguém, de controles sobre quem pode acessá-la, de autenticação rigorosa para ações confidenciais, de registros das ações do agente e de um caminho claro para entrar em contato com uma pessoa.

Muitas vezes, esses aspectos são tratados como uma questão de conformidade acrescentada depois que a experiência já foi projetada, mas precisam ser considerados parte integrante dela. Uma pessoa que não consegue saber se está falando com outra pessoa, não sabe o que o agente está autorizado a fazer ou não consegue falar com alguém quando precisa não está tendo uma boa experiência, por mais natural que pareça a conversa.

Precisamos ser precisos quanto à origem dessa confiança, porque ela funciona nos dois sentidos. As pessoas que desenvolveram o modelo precisam calibrá-lo adequadamente. A implantação — o tratamento de dados, o controle de acesso, o registro de ações e a definição dos momentos em que uma pessoa assume o controle — é um problema à parte, que cabe a quem coloca o sistema em produção. Uma coisa não substitui a outra. Ambas são ainda mais importantes na interação por voz, porque a conversa acontece em tempo real, o agente pode executar ações enquanto fala e não há uma tela que mostre à pessoa o que acabou de ser feito em seu nome.

As orientações externas ajudam nesse sentido. A Federal Trade Commission destacou os possíveis danos da clonagem maliciosa de voz, e a Estrutura de Gestão de Riscos de IA do NIST oferece um método prático para identificar e gerenciar riscos relacionados à IA. Consentimento, transparência, segurança, testes e monitoramento contínuo devem ser tratados como requisitos fundamentais do produto.

Construindo um caminho aberto da experimentação à escala

Minha função ampliada como presidente de Inovação e Estratégia em IA & LabX reúne duas frentes do mesmo desafio: incubar produtos nativos de IA e desenvolver o lado comercial da estratégia de plataforma de parceiros de IA da DXC. A LabX continua sendo um espaço para testar tecnologias de ponta diante de problemas reais dos clientes, mas agora também tem a missão de ajudar os clientes a navegar por um ecossistema aberto de parceiros como Anthropic e ElevenLabs.

Essa abordagem aberta é importante porque nenhum modelo, plataforma ou interface será adequado para todas as empresas e todos os casos de uso. Nosso trabalho é combinar a tecnologia certa com conhecimento especializado do setor, desenho de fluxos de trabalho, governança e capacidade de implementação e, em seguida, validar se essa combinação produz resultados mensuráveis. Às vezes, a interface mais adequada será o texto. Em outras ocasiões, será a interface visual. Cada vez mais, será a voz — muitas vezes combinada de forma cuidadosa com as outras duas.

A questão não é onde uma empresa pode adicionar voz. É onde a conversa pode proporcionar uma experiência e um resultado melhores, e se a organização está preparada para reformular o trabalho em torno dela.