Os cinco componentes de uma chamada
Um agente de voz IA não é um programa único, é uma cadeia. Quando quem liga fala, a sua voz atravessa cinco etapas antes de regressar sob a forma de resposta, e o ciclo repete-se a cada vez que alguém toma a palavra.
- A telefonia. A chamada chega a um número gerido por um operador, que a transmite ao agente sob a forma de fluxo de áudio. É o componente mais antigo e mais regulamentado: um número nacional, um operador declarado, a portabilidade, a transferência de chamadas para o seu telemóvel, os SMS.
- O reconhecimento de voz, ou transcrição. O fluxo de áudio é convertido em texto, de forma contínua, palavra a palavra, com uma deteção do fim da frase para saber quando quem liga terminou. O ruído de uma obra, um sotaque, um nome próprio raro ou um número de telefone soletrado são as suas dificuldades.
- O modelo de linguagem. É o cérebro. Recebe o texto de quem liga, o contexto da conversa e a sua ficha de atividade, e decide o passo seguinte: uma pergunta, uma resposta, uma ação. Não «sabe» nada da sua empresa por si só; sabe o que a ficha lhe diz.
- As ações. Quando o modelo decide fazer uma marcação, não a faz ele próprio: chama uma ferramenta, que consulta a sua agenda, verifica o horário, escreve-o e envia o SMS. Estas ferramentas são a parte mais determinante para si: é aí que o agente age no mundo real, e é aí que um erro custa caro.
- A síntese de voz. O texto da resposta é convertido em voz, de forma contínua, para que o agente comece a falar antes de ter acabado de formular. A qualidade da voz conta, mas menos do que a sua rapidez de reação.
Tudo isto se repete a cada troca, e o conjunto tem de caber em menos de um segundo entre o fim da frase de quem liga e o início da resposta. É o ponto mais difícil.
Porque é que a latência é o verdadeiro tema
Numa conversa entre humanos, o silêncio entre duas intervenções é muito curto, e um silêncio demasiado longo é interpretado: «não ouviu», «está a hesitar», «a chamada caiu». Um agente de voz tem de manter esse ritmo com uma cadeia de cinco etapas, cada uma das quais leva tempo. Três técnicas tornam-no possível.
- O processamento em fluxo. A transcrição começa enquanto quem liga está a falar, a síntese começa logo às primeiras palavras da resposta. Nada espera que a etapa anterior termine.
- Os modelos rápidos para as respostas simples. Confirmar uma hora não exige o mesmo raciocínio que compreender um pedido de orçamento em três frases. Um bom agente usa modelos diferentes consoante a tarefa.
- A proximidade dos componentes. Uma cadeia cujas etapas estão alojadas no mesmo centro de dados que a telefonia poupa idas e voltas. É também um argumento a favor do alojamento em França.
Quando testar um agente, cronometre os silêncios. Se ultrapassarem regularmente um segundo, quem liga vai senti-lo, e vai desligar.
As interrupções, o ruído, os números
Três situações distinguem um agente que funciona numa demonstração de um agente que funciona numa obra.
- A interrupção. Quem liga interrompe o agente, para corrigir ou para ir mais depressa. O agente tem de parar de falar, ouvir e retomar a partir do ponto em que a conversa está, não do ponto em que ele estava. Chama-se gestão da sobreposição de fala, e é uma das coisas mais difíceis de fazer bem.
- O ruído. Um motor, um berbequim, um restaurante em pleno serviço. A transcrição tem de filtrar, e o agente tem de saber dizer «não ouvi bem, pode repetir?» em vez de adivinhar.
- Os números e os nomes. Um número de telefone, uma morada, um apelido raro, uma matrícula. O agente tem de os fazer repetir, soletrar e reformular antes de os escrever. A Sayelo confirma sempre o número para a chamada de volta algarismo a algarismo.
As salvaguardas: o que impede o agente de dizer disparates
Um modelo de linguagem sabe produzir uma frase plausível sobre qualquer assunto. É a sua força, e é o perigo: sem restrições, inventaria um preço, um horário, um conselho médico. As salvaguardas são as regras que o impedem de o fazer.
- A ficha de atividade como única fonte. O agente responde a partir do que escreveu; para o que lá não está, diz que não sabe e anota uma mensagem.
- As ações autorizadas. Só faz o que as ferramentas lhe permitem: escrever na agenda, enviar um SMS, transferir. Não pode cancelar todas as suas marcações nem enviar um e-mail em seu nome se não tiver essa ferramenta.
- Os temas proibidos. Pareceres médicos, jurídicos, contabilísticos; confirmação a terceiros de uma informação sobre um cliente; promessa de preço ou de prazo não prevista.
- As regras de escalonamento. Quando transferir, quando avisar, quando parar. Um agente que não sabe passar a vez é um agente que acaba por responder mal.
- O anúncio da IA. No início da chamada, sempre. É uma obrigação legal, e é uma salvaguarda para a própria pessoa que liga. O guia sobre o AI Act e o RGPD detalha este ponto.
Por onde passam os seus dados
Durante uma chamada, a voz de quem liga atravessa a telefonia, a transcrição, o modelo de linguagem e as ferramentas. Cada componente pode estar alojado num prestador diferente, num país diferente. É por isso que a pergunta «onde estão alojados os dados?» exige uma resposta em várias partes, e é por isso que deve ser feita para cada componente: a telefonia, a transcrição, o modelo, o armazenamento dos resumos e das eventuais gravações. Na Sayelo, os dados estão alojados em França num fornecedor certificado HDS, e o contrato de subcontratação descreve os prestadores a que recorremos.
O que deve perguntar a um fornecedor
As demonstrações são parecidas. As diferenças estão nas respostas a estas perguntas.
- Qual é a latência média entre o fim da minha frase e o início da resposta?
- Como é que o agente gere uma interrupção?
- O que faz quando não percebe, ou quando a pergunta não está na ficha?
- Que ações pode realmente executar, e em que ferramentas, sem intermediário?
- Quantas chamadas em simultâneo atende?
- Onde está alojado cada componente, e as minhas conversas servem para treinar um modelo?
- Anuncia-se como uma IA? É possível desativar esse anúncio? A resposta certa é não.
- Como posso rever o que ele disse: transcrição, resumo, gravação?
E, concretamente, na Sayelo
Na Sayelo, o agente de voz, o número, a transferência e os SMS estão reunidos numa mesma subscrição. Os números e a telefonia são fornecidos por um operador parceiro declarado junto da ARCEP (o regulador francês das telecomunicações). O agente anuncia-se como um assistente de voz, responde a partir da sua ficha de atividade, escreve no Google Calendar, Microsoft 365 ou Cal.com, confirma por SMS e envia-lhe o resumo de cada chamada. Pode ouvi-lo em três minutos, numa demonstração que lhe liga, antes de ler seja o que for. O guia completo da rececionista virtual com IA explica depois a implementação, e as perguntas frequentes sobre agentes de voz respondem às perguntas que mais nos fazem.
