PolyAI e Otter dizem que a voz com IA ainda não teve seu momento ChatGPT

Dois executivos de empresas de voz com inteligência artificial afirmaram que o setor ainda não viveu o seu "momento ChatGPT", segundo reportagem de Ivan Mehta publicada pelo TechCrunch em 11 de outubro de 2026. Shawn Wen, diretor de tecnologia da PolyAI, empresa de voz para atendimento corporativo, e Alex Gay, diretor de marketing da Otter, conhecida pelas transcrições de reuniões, falaram no palco do HumanX, conferência realizada em setembro de 2026.

A reportagem abre com um contraste: investidores colocam bilhões de dólares em startups de voz, de fabricantes de modelos a serviços de atendimento, anotadores de reunião e ferramentas de ditado, e novos modelos e ferramentas costumam prometer conversas quase humanas. Para os dois executivos, a realidade ainda não acompanha o discurso. Este texto resume o que cada um disse e acrescenta, em trechos identificados como análise própria, o que isso pode significar para quem trabalha com atendimento, reuniões e conteúdo em áudio no Brasil.

O que disse o CTO da PolyAI

Shawn Wen reconheceu um avanço técnico importante: segundo ele, o setor chegou ao marco de desenvolver modelos full-duplex, isto é, modelos capazes de falar enquanto escutam, como acontece numa conversa entre pessoas. Mesmo assim, ele sustenta que a voz com IA ainda não teve o seu momento ChatGPT, o ponto em que a tecnologia deixa de ser curiosidade e vira uso de massa.

O próximo desafio apontado por ele é o raciocínio rápido. Para a conversa soar natural, o modelo precisa buscar respostas e raciocinar sem pausas incômodas. Wen também falou de atendimento ao cliente: o agente de voz não deve soar robótico e precisa passar ao cliente a confiança de que o problema pode ser resolvido. Ele espera que quem liga participe nas duas ou três primeiras trocas, ganhe confiança e, se o problema for resolvido, deixe de querer falar com uma pessoa.

Outro gargalo citado foi o reconhecimento automático de fala (ASR, na sigla em inglês). Segundo Wen, esses modelos frequentemente deixam passar palavras-chave importantes, o que enfraquece a captura do contexto completo da conversa. Ele disse ainda que, em ambientes corporativos, quem liga deve ser avisado de forma clara de que está falando com uma IA.

O que disse o CMO da Otter

Alex Gay descreveu a transcrição como base, e não como fim. Segundo ele, identificar quem está falando, captar a intenção e transformar a conversa em texto enriquecido com o conhecimento da organização são passos rumo à automação. A Otter, afirmou, nunca teve a transcrição como objetivo final, e sim como alicerce para recursos de produtividade.

Gay também chamou atenção para o efeito dominó dos erros: uma transcrição errada se espalha por todas as ações seguintes, e ações erradas corroem a confiança na plataforma. Por isso, melhorar o modelo de reconhecimento de fala é, nas palavras da reportagem, crítico. Ele indicou ainda que os idiomas são uma área em que os modelos de voz precisam evoluir.

A empresa também trabalha em gêmeos digitais, versões de uma pessoa que poderiam representá-la em reuniões. Para Gay, eles precisam de vozes emocionalmente expressivas para ter utilidade; sem isso, um avatar vira "apenas um chatbot de perguntas e respostas". Em transparência, ele disse que a Otter quer avisar todos os participantes quando uma reunião está sendo gravada, mesmo que o robô da empresa não esteja presente.

Vale registrar o que a reportagem não traz: não há valores de mercado, métricas de produto nem números de adoção, além da menção a "bilhões de dólares" investidos no setor e da regra prática das duas ou três primeiras trocas da conversa. As falas são de executivos de empresas que vendem esse tipo de tecnologia, o que pede leitura cuidadosa.

O que isso muda para quem atende clientes

Como análise própria, e não como fato reportado, o recado mais útil para pequenos negócios brasileiros é o do tempo de adaptação. Se a própria PolyAI diz que o cliente precisa de duas ou três trocas para ganhar confiança, um atendimento por voz mal configurado perde a pessoa logo no início. Quem pensa em automatizar ligações ou mensagens de voz deve testar primeiro com poucos casos, medir quantas conversas terminam resolvidas e deixar sempre um caminho fácil para falar com uma pessoa.

Quem já automatiza o atendimento por texto pode começar pelo básico. O guia sobre como a IA está mudando o atendimento ao cliente mostra o panorama, e o passo a passo de como automatizar o atendimento no WhatsApp com IA ajuda a testar o conceito antes de investir em voz.

Por que isso importa para você que usa reuniões e áudio

O alerta de Alex Gay sobre erros de transcrição vale para qualquer pessoa que resume reuniões com IA: um nome ou um valor transcrito errado vira tarefa errada e, depois, decisão errada. Uma prática simples, também como análise própria, é conferir números, datas e nomes antes de enviar o resumo para o time ou para o cliente, e avisar os participantes quando houver gravação.

Para quem vive de áudio, o tema se conecta com o mercado de serviços. O texto sobre como ganhar dinheiro com transcrição e legendagem usando IA mostra que a revisão humana continua sendo o diferencial de quem cobra por esse trabalho, e o guia do assistente de voz com IA no dia a dia reúne usos mais simples para começar.

Voz sintética, avisos e golpes

O pedido de transparência dos dois executivos tem um lado de segurança. À medida que as vozes artificiais ficam mais naturais, aumenta a dificuldade de distinguir uma pessoa de uma máquina, e isso já aparece em fraudes. Cobrimos um caso de golpe com voz clonada por IA envolvendo Pix, e a evolução das ferramentas de voz aparece em o lançamento da versão 4 do ElevenLabs com clonagem de voz. Avisar quando há IA na linha, como propõem Wen e Gay, é uma medida que protege o cliente e a reputação da empresa.

Para quem desenvolve ou contrata soluções, a recomendação prática, de novo como análise, é incluir desde o início uma frase de abertura que identifique o atendente como IA, registrar quando a conversa é gravada e manter um canal humano de escalonamento.

O que observar a seguir

Três pontos merecem acompanhamento. O primeiro é se o raciocínio rápido, apontado como o próximo desafio, chega aos produtos comerciais, já que ele determina se as conversas ficam naturais. O segundo é a qualidade do reconhecimento de fala em português brasileiro, tema que a reportagem toca ao mencionar idiomas, mas sem detalhar o caso do Brasil. O terceiro é a evolução dos concorrentes: o lançamento recente de uma voz de IA em tempo real com transcrição pela Microsoft mostra que as grandes empresas também disputam esse espaço.

Por ora, o fato confirmado é o que foi dito no palco do HumanX e relatado pelo TechCrunch: dois executivos do setor consideram que a voz com IA avançou, mas ainda depende de melhor reconhecimento de fala, raciocínio mais rápido, vozes expressivas e avisos claros ao usuário antes de ter um uso de massa.