Criar o seu agente de voz com IA ou usar uma rececionista já pronta

Dá para construir um agente de voz com IA para o seu negócio num fim de semana. Se ele sobrevive ao contacto com clientes reais numa segunda-feira de manhã já é outra conversa — e é nessa distância entre a demonstração e aquilo em que se pode confiar que mora toda a história do «fazer ou comprar».

Se é o tipo de dono que se sente à vontade num terminal, a ideia é tentadora. As peças estão todas disponíveis. A conversão de voz em texto é uma chamada de API barata. Os modelos de linguagem fazem de rececionista sem se queixarem. A síntese de voz já soa assustadoramente humana. Junte os três, ligue um número de telefone e tem um robô a atender a sua linha por uma fração de um salário. É este o argumento, e não está errado — está apenas incompleto.

Este artigo é a versão honesta. Não é «isto nunca estaria ao seu alcance» — está, e para algumas pessoas é mesmo a decisão certa. É antes isto: eis exatamente o que envolve um agente de voz com IA feito em casa, onde é que o trabalho se esconde de facto, o que parte em produção e como julgar se o seu fim de semana rende mais a construir ou a contratar. Vamos ser concretos, porque é dos conselhos vagos que nascem os projetos que iam levar um fim de semana e já vão em seis.

Porque é tão tentador criar o seu próprio agente de voz com IA

O apelo é real, por isso façamos-lhe justiça antes de o complicar. Quando é você a construir a coisa, cada decisão é sua. A saudação é exatamente a saudação que quer. O agente conhece as suas manias — que às terças só se atende sem marcação, que o senhor que liga por causa da carrinha azul é fornecedor e não cliente, que nunca dá preços ao telefone. Pode ligá-lo a qualquer calendário ou CRM que já use. E o custo de funcionamento, no papel, é só a soma de umas quantas faturas de API, o que numa linha com pouco volume pode parecer quase nada.

Há também a aprendizagem. Se quer mesmo perceber como estes sistemas funcionam — como é que um modelo decide entre marcar e apontar um recado, por onde entra a latência, porque é que o agente às vezes fala por cima de quem liga —, construir um ensina-lhe mais num fim de semana do que um mês de leitura. Para um dono com curiosidade técnica, essa formação vale alguma coisa mesmo que mais tarde deite o projeto fora.

Portanto, isto não é um ataque ao «faça você mesmo». É um mapa do terreno, desenhado por quem já o percorreu. A questão não é se é capaz. É se a versão acabada e fiável compensa aquilo que custa de verdade — e esse custo quase nunca é a parte que se vê na demonstração.

A arquitetura «faça você mesmo», peça a peça

Um agente de voz com IA é uma cadeia de montagem. Quem liga fala, algo transforma isso em texto, algo decide o que responder, algo transforma essa resposta em fala — e tudo isto assenta em cima de um sistema telefónico. Cada etapa é um componente que tem de escolher, integrar, pagar e manter. Eis a anatomia.

Telefonia: fazer a chamada chegar ao seu código

Esta é a parte que a maioria dos construtores de fim de semana subestima. Precisa de um número de telefone capaz de entregar ao seu software um fluxo de áudio ao vivo e de devolver a sua resposta pelo mesmo caminho — em tempo real, nos dois sentidos, com latência abaixo do segundo. Isso significa um operador de telefonia, um fluxo de multimédia (normalmente um websocket a transportar áudio em bruto) e toda a canalização para o manter estável enquanto uma pessoa está a falar. Vai lidar com codecs de áudio, taxas de amostragem e com o facto de o áudio telefónico ser comprimido e ruidoso de maneiras que o microfone da sua secretária não é. Basta acertar mal em qualquer um destes pontos para quem liga ouvir um robô que corta palavras, chega sempre um tempo atrasado ou deixa cair a chamada a meio da frase.

Conversão de voz em texto: ouvir quem liga

Transcrever ao telefone é bem mais difícil do que transcrever uma gravação limpa. Quem liga resmunga, fala no meio do vento, conduz com a rádio ligada, diz um nome que não está em dicionário nenhum. Vai querer transcrição em contínuo, para o agente poder responder antes de a pessoa acabar a frase, mais a lógica que distingue quem terminou de falar de quem apenas fez uma pausa para pensar. Erre nessa pausa e o seu agente ou interrompe as pessoas ou deixa silêncios embaraçosos de três segundos. Nenhum dos dois soa simpático.

A camada de raciocínio: decidir o que dizer

É aqui que vive o modelo de linguagem e é aqui que vai parar quase todo o seu ofício. Não está apenas a dar instruções a um chatbot; está a construir um agente telefónico que tem de se manter dentro do guião, ir buscar o facto certo ao perfil do seu negócio, recusar-se a inventar preços, saber quando marcar e quando apontar um recado e nunca dizer que é humano quando lhe perguntam. Isso é um prompt de sistema, um conjunto de ferramentas que ele pode chamar (consultar o calendário, guardar uma marcação, enviar uma mensagem) e muitas salvaguardas. É também a fase em que os custos e a latência se acumulam, porque cada volta da conversa é mais uma ida e volta ao modelo.

Conversão de texto em voz: a voz em si

A voz é a primeira coisa que quem liga julga. A síntese de voz moderna soa excelente — até tropeçar num número de telefone, numa morada, num decimal ou num nome estrangeiro, altura em que pode produzir algo errado com toda a convicção. Vai afinar pronúncias, escolher uma voz que combine com a sua marca e voltar a lutar com a latência: quanto mais rápida quiser a resposta, mais tem de ir enviando a fala enquanto ela ainda está a ser gerada — o que é, por si só, um pequeno problema de engenharia.

A cola: tudo o que fica entre as caixas

Nenhum destes componentes fala com os outros de fábrica. A orquestração é escrita por si — o ciclo que ouve, transcreve, pensa, fala, gere interrupções, mantém o contexto ao longo da conversa, regista o que aconteceu e passa a chamada de forma limpa quando o agente já não dá conta do recado. É nesta cola que uma demonstração se torna um produto, e é o código que vai manter enquanto o agente existir.

A distância entre a demonstração e a produção

Eis a armadilha que apanha bons engenheiros. Vai ter uma demonstração a funcionar depressa e vai parecer-lhe que está feito. Liga para o seu próprio número, pergunta pelo horário, marca uma hora e corre lindamente. Vai ficar genuinamente impressionado consigo próprio, e com razão — aquilo é progresso a sério. O problema é que uma demonstração é uma chamada que já sabe fazer. Produção são todas as chamadas que não escreveu no guião.

Imagine que um pequeno cabeleireiro põe um agente caseiro no ar a uma sexta-feira. Ao longo da semana seguinte chegam as chamadas reais: alguém com um sotaque carregado que a transcrição insiste em destruir; alguém que pede «o do costume» como se o robô o conhecesse; quem interrompe a meio para mudar a marcação; um engano; um fornecedor; alguém num comboio a perder rede de poucos em poucos segundos; alguém que faz uma pergunta que a dona nunca se lembrou de responder, como se o salão faz grupos de noiva. Cada um destes casos é um erro, e cada erro é um cliente real a ter uma experiência real má enquanto você depura em produção.

A parte traiçoeira é que as falhas ao telefone são invisíveis para si, a menos que as vá procurar. Quem tem uma má experiência com o seu agente não abre um relatório de erro. Desliga, não volta a ligar e você nunca fica a saber que aconteceu. Numa aplicação de texto, dá para ler a conversa estragada. Numa linha telefónica, a falha sai porta fora em silêncio. Construir o agente é a metade visível do trabalho; construir a observabilidade que lhe diz quando ele está a falhar é a metade sobre a qual ninguém escreve.

Manutenção: o custo que nunca acaba

Suponha que aguenta e põe no ar um agente mesmo sólido. Parabéns — agora é seu. Esta é a parte do «faça você mesmo» que a moldura de «projeto de fim de semana» esconde por completo, porque não acontece no fim de semana em que constrói. Acontece em todos os fins de semana a seguir.

• Modelos em constante mudança. Os fornecedores de IA descontinuam e alteram modelos ao ritmo deles. Um prompt que se portava lindamente pode desviar-se quando o modelo por baixo é atualizado — e quem lhe conta é um cliente, não um registo de alterações.
• Mudanças nas APIs. Os seus fornecedores de telefonia, de transcrição e de voz vão todos evoluindo as interfaces. Uma coisa que colou em março deixa de funcionar em setembro por razões que nada têm a ver com o seu código.
• Mudanças no seu próprio negócio. Preços novos, horários novos, um serviço novo, uma mudança na equipa, um encerramento de férias. Cada uma delas obriga a editar o agente — e se cravou os factos dentro dos prompts, isso é uma alteração de código, não uma alteração de definições.
• Deriva de custos. À medida que o volume de chamadas cresce, que acrescenta uma segunda língua ou que as conversas se alongam, as faturas de API sobem de formas que não são lineares nem óbvias até a fatura chegar.
• Disponibilidade. Quando o seu servidor se engasga às 20h, a linha é sua. Não há fila de suporte nenhuma além de si, e a quem liga não interessa que seja fim de semana.

Nada disto é razão para não construir. É razão para ser honesto quanto ao facto de «construí um agente de voz com IA» e «tenho um agente de voz com IA de que o meu negócio depende» serem duas frases muito diferentes. A primeira é um projeto. A segunda é uma responsabilidade permanente que disputa a mesma atenção que preferia gastar a tocar o seu negócio.

O que é, na prática, um serviço gerido

Uma rececionista com IA já pronta, como a Vunoon, é exatamente a mesma cadeia — telefonia, transcrição, raciocínio, voz, orquestração —, só que já está construída, testada contra milhares de chamadas reais e mantida por quem não tem outro trabalho senão mantê-la a funcionar. O que recebe não são os componentes; é o produto acabado mais a responsabilidade operacional tirada dos seus ombros.

Em concreto, a configuração que lhe levaria fins de semana passa a ser um assistente de poucos passos. Regista-se, descreve o seu negócio — serviços, horários, os preços que quer que sejam indicados, como gosta que as chamadas sejam tratadas — e testa falando com ele ali mesmo, antes de tocar num único cliente. Quando soar bem, encaminha o seu número. Atende 24 horas por dia, em mais de 25 línguas, aceita marcações e recados, e envia-lhe um resumo e a transcrição de cada chamada, para nunca ficar a adivinhar o que se passou na linha.

Trata também das partes que é fácil esquecer que teria de construir. Passa a chamada com jeito — aponta um recado ou combina um retorno quando já não dá conta, em vez de fingir que sabe. Não finge ser humano quando lhe perguntam. Atualiza-se quando os modelos por baixo mudam, para não andar atrás de um prompt à deriva. E a pronúncia de números de telefone, moradas e nomes difíceis já foi guerra travada por outra pessoa.

Um lado a lado honesto

Nenhuma tabela decide por si entre fazer e comprar, mas pôr os eixos lado a lado ajuda a ver onde caem as suas prioridades. Eis a troca, sem verniz de marketing de nenhum dos lados.

Repare na última linha, porque é a que decide a maioria dos casos. Construir um agente de voz com IA ensina-lhe sobre agentes de voz com IA. Tocar um negócio já é a tempo inteiro. A pergunta por baixo do «fazer ou comprar» é, na verdade: quero mesmo estar no ramo da infraestrutura de IA de voz, por cima do ramo em que já estou?

Quando construir o seu é mesmo a decisão certa

Há situações reais em que fazer você mesmo ganha, e fingir o contrário seria exatamente o tipo de desonestidade que este artigo quer evitar. Construa você mesmo quando:

• A aprendizagem é o objetivo. Quer perceber IA de voz a fundo e o agente é o meio para lá chegar. Ponha-o no ar, aprenda, guarde-o ou deite-o fora — o retorno é a formação.
• As suas necessidades são mesmo esquisitas. Precisa de um comportamento que nenhum produto expõe — uma regra de encaminhamento bizarra, uma integração à medida com software antigo, um fluxo que não é bem um assistente telefónico mas antes uma aplicação de voz feita à medida.
• Tem tempo de engenharia a sobrar, indefinidamente. Não um fim de semana livre — um orçamento fixo de horas, todos os meses, enquanto o agente viver. Se tem isso e sai mais barato do que a alternativa para o seu volume, fazer você mesmo pode fechar as contas.
• Falhar custa pouco. A linha não é crítica. Se o agente estraga uma chamada, ninguém perde um cliente nem uma marcação, por isso pode ir iterando à vista de todos sem custo real.

Quando vale mesmo a pena usar um serviço pronto

Para a maioria dos pequenos negócios, a recomendação honesta é comprar — e a razão é o tempo, não a capacidade. Pense num consultório dentário com duas cadeiras. Cada chamada perdida pode ser um paciente novo ou uma limpeza remarcada. O dono é dentista, não engenheiro de sistemas, e o recurso escasso dele é a atenção. Gastá-la em manias de codecs e prompts à deriva é uma péssima troca contra gastá-la em pacientes. Para ele, dez chamadas perdidas por semana que podiam ter sido dez marcações são uma perda real e contável, e o caminho mais rápido para tapar o buraco não é um repositório — é ter a linha a funcionar ainda esta tarde.

O argumento a favor de comprar é mais forte quando o telefone conta mesmo para a faturação, quando o seu tempo rende mais no seu ofício do que na infraestrutura, quando quer aquilo a funcionar de forma fiável e não de forma impressionante, e quando prefere que seja outra pessoa a estar acordada às 20h de um domingo quando um fornecedor de modelos lança uma alteração. É isso que descreve a maioria dos donos que nos fazem a pergunta do «fazer ou comprar» — incluindo muitos que são perfeitamente capazes de o construir e simplesmente concluíram que preferiam não ser donos disso.

Como decidir numa tarde

Não precisa de uma folha de cálculo com doze separadores. Precisa de respostas honestas a meia dúzia de perguntas — e de coragem para acreditar nelas.

1. 1
   Diga qual é o seu verdadeiro orçamento de tempo

   Não o fim de semana da construção — as horas por mês que vai dedicar à manutenção para sempre. Se esse número é honestamente zero, já tem a resposta, e não é «faça você mesmo».
2. 2
   Meça o quanto a linha pesa

   Se uma chamada mal atendida lhe custa um cliente ou uma marcação, quer fiabilidade acima de controlo — e isso empurra com força para comprar.
3. 3
   Pergunte o que quer mesmo daqui

   Um assistente telefónico a funcionar, ou o conhecimento de como um funciona? Ambos são válidos — mas levam a decisões diferentes, por isso responda com honestidade.
4. 4
   Experimente primeiro o caminho rápido

   Configure um serviço pronto e fale com ele em poucos minutos. Passa a ter uma referência concreta e pode perguntar se alguma coisa que construísse seria melhor ao ponto de justificar os fins de semana.

Este último passo é o desempate honesto. É fácil romantizar a versão caseira enquanto ela é hipotética. Ponha primeiro à sua frente um agente real, a funcionar, e só depois decida se a sua versão à medida seria melhor o suficiente para merecer o custo permanente. Muitas vezes, quando finalmente consegue ouvir a alternativa, a resposta é não — e esse é um desfecho ótimo que lhe acabou de poupar um mês.