Voice AI fala bonito. O desafio é fazer entregar

Por The Shift

Durante anos, a ideia de conversar naturalmente com sistemas sempre pareceu próxima, mas nunca suficiente para uso real. A qualidade era inconsistente, a latência comprometia a continuidade da interação e a integração com sistemas corporativos permanecia restrita, impedindo que as conversas se traduzissem em ações operacionais. Agora, esse cenário começa a mudar.

Avanços simultâneos em reconhecimento de fala, compreensão de linguagem e síntese tornaram a IA por voz utilizável em tempo real. Combinados com maior capacidade computacional e redução de custos de infraestrutura, esses avanços permitem que a voz deixe de ser uma interface experimental para operar em fluxos reais de Atendimento, Vendas e Suporte.

Dados recentes de adoção e investimento provam isso. A demanda corporativa pelo uso de VoiceAI cresce entre 4 vezes e 10 vezes ao ano, segundo a CPaaS Acceleration Alliance, com projeções de CAGR de até 38%. Ao mesmo tempo, rodadas como os US$ 500 milhões da ElevenLabs e os aportes em empresas como Deepgram e Decagon mostram que o mercado entrou em fase de expansão, ainda fragmentado.

Mas esse avanço não está distribuído de forma homogênea. A maior parte do valor, até agora, aparece em situações bem delimitadas, em que o escopo é controlado e o erro é menos tolerado. Fora desses contextos, a adoção ainda depende de algo menos visível: a capacidade de conectar a voz aos sistemas que operam o negócio. Sem essa conexão, a conversa não se traduz em ação – e sem ação, não há captura de valor.

Onde está o valor?

Esse é o deslocamento mais relevante. A voz deixa de ser o centro da discussão, e o foco passa a ser o que acontece depois da conversa: quais sistemas são acionados, como os dados são registrados, que decisões são tomadas automaticamente.

Isso muda também o tipo de problema que as empresas precisam resolver. Melhorar modelos já não é suficiente. É preciso orquestrar fluxos, integrar sistemas e garantir governança. Uma interação de voz, em ambiente real, envolve dados sensíveis, regras de negócio, exceções e decisões que precisam ser auditáveis. A complexidade deixa de ser técnica e passa a ser organizacional.

Ao mesmo tempo, o mercado ainda está definindo como essa nova camada deve se apresentar para o usuário. A voz ganha espaço, mas não substitui outras interfaces. Em muitos contextos, ela funciona melhor como complemento – um modo de entrada entre vários – dentro de experiências que combinam texto, imagem e automação em um mesmo fluxo.

Essa indefinição aparece com clareza no nível de produto. Um caso recente no Pinterest expôs um dilema direto: investir em voz pode tornar a interação mais natural, mas também pode entrar em conflito com a lógica central de um produto baseado em descoberta visual. A decisão deixa de ser sobre tecnologia disponível e passa a ser sobre coerência com o comportamento do usuário.

Esse tipo de escolha tende a se repetir. Em alguns casos, a voz reduz fricção e aumenta eficiência. Em outros, introduz ambiguidade e reduz controle. Não existe uma resposta universal – existe adequação ao contexto. E errar nessa escolha pode não apenas limitar ganhos, mas comprometer a experiência existente.

Os dados mais recentes ajudam a explicar por que a adoção ainda está concentrada em poucos casos. A maior parte das implementações começa com tarefas operacionais básicas – e apenas uma parcela menor avança para automação mais complexa.

Enquanto isso, diferentes grupos avançam em direções distintas.  Startups exploram aplicações específicas, com retorno mais imediato. Plataformas tentam integrar voz a sistemas já existentes. Grandes laboratórios desenvolvem modelos e testam interfaces, mas ainda sem convergência clara. O mercado cresce, mas ainda não decidiu qual será sua forma dominante.

O ponto em comum entre essas trajetórias é que o valor está se deslocando. Ele não está mais na capacidade de reconhecer ou gerar voz, mas em controlar o que acontece depois – na capacidade de transformar uma conversa em uma sequência confiável de ações dentro de um sistema.

É isso que torna o momento atual relevante. A tecnologia já é suficiente para gerar impacto. O que ainda está em aberto é quem vai conseguir integrá-la de forma consistente aos processos reais das empresas – e, com isso, capturar o valor econômico que essas interações passam a produzir.

Conteúdo originalmente produzido e publicado por The Shift. Reprodução autorizada exclusivamente para a Abranet. A reprodução por terceiros, parcial ou integral, não é permitida sem autorização.