Voz não é chat com microfone: o que muda quando o agente de IA fala

Um agente de voz precisa responder dentro do ritmo da fala: espera-se uma resposta em uns 200 milissegundos, não dá para mostrar uma lista nem reler, e ele pode ser interrompido a qualquer momento. Tudo o que foi pensado para texto precisa de três mudanças: turnos mais curtos, confirmação falada do que importa e um plano para o silêncio.

Equipes que já operam um agente de chat costumam supor que voz é o mesmo agente com uma camada de fala por cima. O conhecimento se reaproveita. A redação não.

Com que velocidade as pessoas se respondem?

Mais rápido do que um indicador de "digitando" permitiria. Um estudo sobre a alternância de turnos em vários idiomas encontrou o mesmo padrão em todos:

todos os idiomas mostram uma distribuição semelhante dos tempos de resposta (pico unimodal de resposta dentro de 200 ms após o fim da pergunta).

O artigo é sobre pessoas, não sobre máquinas, e é o motivo de uma pausa de um segundo numa ligação parecer longa. No chat ninguém percebe dois segundos de "digitando". Numa ligação, dois segundos é quando quem liga diz "alô?" para checar se a linha continua viva.

O que um agente de IA faz com um intervalo que não consegue fechar?

Escolhe como esse intervalo soa. Há três opções honestas e uma desonesta.

• Um reconhecimento curto. "Deixa eu verificar isso" diz a quem liga que a linha está viva e que algo está acontecendo.
• Começar a falar antes de ter a resposta inteira. O agente abre com a primeira frase antes de ter o resto, desde que essas primeiras palavras não dependam do que vem depois.
• Uma pausa deliberada, usada raramente, antes de algo que quem liga deve ouvir com atenção.

A opção desonesta é o silêncio sem nenhum sinal. Quem liga não sabe se o agente está trabalhando, travado ou desconectado, e alguns desligam ou falam por cima.

Por que um agente de voz não pode ler uma lista?

Porque quem liga não a vê, não pode voltar atrás nem copiar um código. Uma resposta de chat pode oferecer cinco opções. Uma resposta falada pode oferecer duas ou três, na ordem em que quem liga provavelmente mais as quer, e então parar e perguntar.

Os números são o caso mais delicado. Uma mensagem de chat com um código de reserva pode ser lida duas vezes. Uma falada precisa ser dividida em trechos, repetida e confirmada. Trate tudo o que quem liga vai anotar, como um valor, uma data, um código ou um endereço, como algo que o agente diz devagar e confirma em voz alta.

O que acontece quando quem liga interrompe?

Isso vai acontecer na maioria das ligações, e um bom agente para de falar. As pessoas interrompem para corrigir, para responder antes da hora ou para dizer que já ouviram o bastante. Um agente que termina a frase por cima de quem liga ensina que não está escutando.

A consequência de design é que os turnos precisam ser curtos o suficiente para serem cortados em qualquer ponto sem perder o fio. Um agente que deixa o dado importante para a última oração de uma frase longa projetou para alguém que nunca interrompe.

E o ruído, os sotaques e uma linha ruim?

Trate toda entrada como incerta. No chat o texto é exato. Numa ligação o agente recebe uma transcrição que pode estar errada, e um nome ou número errado sai caro. A regra que decorre disso é simples: quanto mais custa um erro, mais o agente confirma. Um cumprimento não precisa de confirmação. Um valor de pagamento precisa.

O número de telefone é uma pista de quem está ligando, não uma prova. Tudo o que movimenta dinheiro ou altera uma conta deve pedir algo que só quem liga sabe, como em qualquer outro canal.

O agente precisa dizer que é uma IA?

Em alguns países, sim, e a ligação é onde é mais difícil disfarçar. Nos Estados Unidos, a FCC decidiu em 2024 que vozes geradas por IA são voz artificial sob a TCPA, o que traz junto regras de consentimento e de descadastro. Na UE, o artigo 50 da Lei de IA exige, desde 2 de agosto de 2026, avisar as pessoas de que estão interagindo com uma IA, a menos que isso seja óbvio. Resumimos as regras por país em outro artigo, e a pergunta de quando dizer isso é uma decisão de design que tratamos em uma ferramenta.

O que acontece quando uma pessoa precisa assumir?

A transferência para uma pessoa numa ligação é uma transferência de linha, e quem liga espera enquanto ele acontece. A pessoa que atende já deveria ter o motivo da ligação e o que o agente fez, para que a primeira coisa que ela diga não seja "como posso ajudar?". O que precisa acompanhar a ligação está no artigo sobre transferências.

Onde a StudioChat está em voz?

Nossa lista publicada de canais inclui um agente de ligações telefônicas com transcrição ao vivo e execução de ferramentas, ao lado do chat web, do WhatsApp Business e do e-mail. O mesmo conhecimento e as mesmas ações atendem todos eles, e o trabalho específico da voz está no design de turnos descrito acima. Para entender o que significa orquestrar entre canais, veja nosso artigo sobre plataformas.