Agentes de IA por voz resolvem solicitações complexas com 32% mais sucesso do que chats

O voo de um cliente foi cancelado. Ele precisa encontrar uma nova rota, verificar a conexão, confirmar o valor adicional e receber a passagem. No chat, esse tipo de conversa rapidamente se transforma em uma longa troca de mensagens: a pessoa responde em fragmentos, volta a mensagens anteriores e fica mais irritada a cada esclarecimento. A voz permite explicar tudo de uma vez, mas apenas se o agente de IA responder sem pausas angustiantes e realmente conseguir concluir a operação.

A ElevenLabs comparou chamadas de voz e chats de várias centenas de agentes de IA em operação. A amostra incluiu agentes que, entre maio e julho de 2026, realizaram pelo menos 50 conversas em cada canal. Para cada empresa, o resultado foi avaliado de acordo com seus próprios critérios, enquanto as versões de voz e texto do mesmo agente foram comparadas entre si.

Depois de dois minutos, o cenário muda

Em conversas com menos de um minuto, o chat teve um desempenho cerca de 9 pontos percentuais melhor. Entre um e dois minutos, praticamente não houve diferença significativa. Depois de dois minutos, a voz passou à frente: a proporção de solicitações bem-sucedidas foi 10,9 pontos percentuais maior, ou 31,7% superior em termos relativos ao chat. Quase dois terços dos agentes apresentaram um resultado consideravelmente melhor no canal de voz.

As conversas telefônicas longas concluídas com sucesso levaram, em média, 4,6 minutos, enquanto a troca de mensagens levou 7 minutos. Entre os 90 agentes com um número suficiente de solicitações bem-sucedidas dos dois tipos, 78% concluíram as conversas por voz mais rapidamente.

No exemplo do voo cancelado, isso se manifesta de forma concreta. Em vez de uma sequência de dez mensagens, o cliente diz: “Preciso de um voo para hoje, sem conexão durante a noite, e o valor adicional não pode passar de dez mil.” O agente esclarece um parâmetro ambíguo, verifica as opções disponíveis e efetua a substituição. Nesse caso, a voz não torna o modelo mais inteligente. Ela encurta o caminho entre a intenção da pessoa e a ação do sistema.

A latência pode eliminar toda a vantagem

Em um grupo separado de 315 conversas, os agentes foram transferidos para um modelo de linguagem mais rápido. A latência média de ponta a ponta caiu 16%, enquanto a proporção de chamadas bem-sucedidas cresceu 26%. As conversas interrompidas nos primeiros 15 segundos caíram de 21,1% para 3,8%.

Isso é uma correlação, não uma prova de causalidade direta: outros parâmetros também podem ter mudado junto com o modelo. Ainda assim, o sinal para o produto é claro. Os primeiros segundos são especialmente importantes: se houver silêncio depois que o cliente fala, ele pode concluir que a conexão caiu e desligar.

Em um pequeno estudo com usuários, 98 participantes resolveram um problema simulado de cancelamento de voo por voz e chat, em ordem aleatória. A voz foi a opção preferida por 85%, que citaram com mais frequência a rapidez e a sensação de empatia. No entanto, um cenário de laboratório e uma amostra de 98 pessoas não permitem generalizar esse resultado para todos os setores e públicos.

O que implementar na prática

Não vale a pena substituir toda a interface por voz. Para solicitações curtas — consultar um status, receber um link ou alterar um único parâmetro — o chat continua sendo mais conveniente. Faz sentido ativar a voz para tarefas com várias condições, alto custo de erro e tensão emocional.

A equipe deve medir a ação concluída, e não apenas a duração da chamada: se o reembolso foi processado, a reserva foi alterada ou a reclamação foi encerrada. Também é útil acompanhar separadamente o tempo até a primeira resposta, a latência de cada resposta, a proporção de abandonos nos primeiros 15 segundos e a frequência com que a conversa é transferida para uma pessoa.

O estudo foi publicado por um fornecedor de plataforma de voz que também promove o ElevenAgents, portanto os números exigem verificação independente. A duração também serve apenas como uma medida aproximada da complexidade: no chat, o usuário pode simplesmente se distrair. Ainda assim, a conclusão prática é sólida: para solicitações complexas, um agente de voz pode oferecer uma vantagem significativa se responder rapidamente, mantiver o contexto e tiver acesso às operações reais da empresa. Uma voz agradável sem essas três capacidades não é suficiente.