O setor de IA de voz atrai bilhões de dólares em investimentos e lança novos modelos e ferramentas quase toda semana, mas a tecnologia ainda não teve o seu "momento ChatGPT". A avaliação é de executivos de duas empresas do ramo — a PolyAI, plataforma de voz voltada ao atendimento corporativo, e a Otter, conhecida por ferramentas de transcrição e anotação de reuniões,, feita durante a conferência HumanX, realizada no mês anterior à publicação desta reportagem, em 11 de outubro de 2026.
Um marco técnico que ainda não basta
Para Shawn Wen, CTO da PolyAI, o setor já cruzou uma fronteira importante: os modelos full-duplex, capazes de ouvir e falar ao mesmo tempo, deixaram de ser promessa. O problema agora é outro.
Segundo ele, o próximo desafio é tornar o raciocínio rápido o suficiente para que as respostas cheguem sem atraso e a conversa soe natural. Sem essa velocidade, a experiência continua travada.
Wen também defende que agentes de atendimento não podem soar robóticos nem deixar o cliente inseguro sobre a própria capacidade de resolver o problema. Ele aposta que a confiança se constrói nos primeiros dois ou três turnos de conversa: se o agente se sai bem nesse começo, o usuário passa a acreditar que talvez não precise falar com um humano.
A camada de contexto é o gargalo
O resumo distribuído pela TechCrunch aponta o problema central: a IA de voz frequentemente perde pontos importantes na camada de contexto, e isso quebra todo o pipeline. Wen responsabiliza os modelos de ASR (reconhecimento automático de fala), que costumam ignorar palavras-chave relevantes, e, sem elas, a captura do contexto geral fica comprometida.
Alex Gay, CMO da Otter, concorda. Para ele, identificar quem fala, capturar a intenção e transformar isso em texto cruzado com o conhecimento da organização é o passo decisivo para viabilizar automações.
A empresa segue investindo na melhoria da transcrição, e Gay explica por quê: transcrição nunca foi o ponto final, mas sim a camada sobre a qual se constroem ganhos de produtividade. Se o texto original erra, todas as ações derivadas dele erram também, e, no momento em que a plataforma age com base em informação errada, o usuário perde a confiança nela.
Gêmeos digitais e o teste da emoção
A Otter também trabalha em gêmeos digitais capazes de representar pessoas em reuniões. Gay é direto sobre o requisito: para que isso funcione, a voz sintetizada precisa transmitir as mesmas expressões emocionais de uma conversa humana.
Ele lembra que as melhores conversas são aquelas com debate, discussão estratégica e uma relação de fundo entre os participantes. Sem isso, um avatar não passa de um chatbot de perguntas e respostas.
Transparência como condição de confiança
Outro ponto levantado pelos executivos é a transparência. Ferramentas precisam avisar ao cliente quando estão gravando a conversa ou quando ele está falando com uma IA.
Gay afirma que a Otter quer instilar confiança em quem participa de uma reunião; por isso, mesmo quando o bot não está presente, a empresa busca formas de avisar, por exemplo, notificando todos no chat de que a reunião está sendo gravada. Wen segue a mesma linha e diz que, em ligações corporativas, é essencial deixar claro que o interlocutor é uma IA.
O que está em jogo
O cenário descrito pelos dois executivos ajuda a explicar por que o entusiasmo em torno da voz como próxima grande interface convive com frustração. Há dinheiro de sobra entrando em startups de voice AI que vão de criadoras de modelos a fornecedoras de atendimento corporativo, passando por anotadores de reuniões e ferramentas de ditado com IA.
Ao mesmo tempo, quem usa esses produtos ainda esbarra em transcrições trocadas, resumos imprecisos e assistentes que não entendem o pedido, os sintomas da camada de contexto falha.
Na prática, a agenda do setor para os próximos meses parece dividida em três frentes: acelerar o raciocínio dos modelos de voz, melhorar a precisão do ASR e das etapas seguintes do pipeline, e construir confiança por meio de avisos claros sobre gravação e uso de IA. Enquanto essas três peças não se encaixarem, o "momento ChatGPT" da voz seguirá como promessa, e não como fato.
Fontes e links
- TechCrunch
- Cobertura sobre voice AI no TechCrunch
- Página da Otter no TechCrunch
- Categoria de inteligência artificial do TechCrunch
