Голосовий AI — найспокусливіша і водночас найризикованіша форма автоматизації кол-центру. Демо виглядає магічно: агент відповідає живим голосом, не втомлюється і не бере лікарняних. А потім у реальній розмові він двічі перепитує адресу, плутає «сімнадцяту» з «сьомою» і клієнт кидає слухавку. У SUDUS·TEAM ми будуємо AI-агентів (ШІ-агентів) і текстових, і голосових — тож у цій статті чесно розберемо, коли розмовний ШІ для кол-центру виправданий, а коли він спалить бюджет і репутацію.

Поговоримо про те, чим голос технічно складніший за чат, які дзвінки автоматизуються добре, скільки це коштує, і чому ми майже завжди радимо починати не з голосу.

Чим голосовий агент відрізняється від текстового

Текстовий AI-агент — це одна модель, яка читає і пише. Голосовий — це конвеєр із трьох систем, і кожна додає свої помилки та затримки:

  1. Розпізнавання мовлення (STT). Перетворює звук на текст. Саме тут живе більшість провалів: фоновий шум, суржик, діалект, номери телефонів і прізвища.
  2. Мовна модель (LLM). Розуміє, що людина хоче, і вирішує, що відповісти або зробити — та сама логіка, що й у текстового агента: RAG-база знань, інструменти, пам'ять.
  3. Синтез мовлення (TTS). Озвучує відповідь. Сучасні голоси вже майже не відрізняються від людських — це найменша з проблем.

Головний ворог — затримка. У чаті пауза у дві секунди непомітна. У телефонній розмові тиша довша за секунду сприймається як «зв'язок обірвався». Тому весь конвеєр має відпрацьовувати швидше, ніж людина встигне занервувати, і це інженерна задача, а не питання «підключити API».

Де голосовий агент справді працює

Які дзвінки можна віддати ШІ без ризику?

Найкраще автоматизуються дзвінки, де сценарій короткий, а результат однозначний:

  • Підтвердження і нагадування. Агент обдзвонює клієнтів перед візитом чи доставкою: «Ваш запис завтра о 14:00, підтверджуєте?» Три варіанти відповіді, нуль креативу — ідеальний кейс.
  • Статусні запити. «Де моє замовлення», «чи готовий ремонт» — агент дивиться в систему і відповідає конкретикою.
  • Запис і перенесення. Вільні слоти з календаря, вибір, підтвердження. Це вже вимагає інтеграції, але сценарій усе ще лінійний.
  • Перша лінія і маршрутизація. Агент з'ясовує, про що дзвінок, і або закриває його сам, або з'єднує з правильним відділом — уже з контекстом, щоб людина не переказувала все вдруге.
  • Обдзвін після послуги. Коротке «оцініть від 1 до 5» замість оператора, який ненавидить цю роботу найбільше.

Спільна риса всіх пʼяти: розмова триває до двох хвилин і має чіткий кінець. Що довша й вільніша розмова, то більше шансів у голосового агента заплутатись — і то дорожчий кожен дзвінок у токенах.

Коли голосовий агент — погана ідея?

  • Продаж зі складною аргументацією. Умовляти, працювати із запереченнями, відчувати настрій — це поки що людська територія. Агент, який «дотискає», звучить як спам-робот з банку.
  • Конфліктні дзвінки. Роздратована людина, яка чує робота, стає роздратованою вдвічі. Скарги — одразу на людину.
  • Юридично чутливі розмови. Усе, де фраза агента може стати зобов'язанням компанії, потребує людини або дуже жорсткого сценарію.
  • Малий потік. Якщо у вас двадцять дзвінків на день — голосова інфраструктура не окупиться ніколи. Дешевше текстовий агент плюс живий оператор.

Три пороги, після яких голос має сенс

Ми даємо клієнтам просте правило трьох умов, і воно рятує від дорогих іграшок. Розмовний AI для кол-центру виправданий, коли виконуються всі три одночасно:

  1. Потік від кількасот дзвінків на день. Нижче — економіка не сходиться: інфраструктура голосу коштує однаково і на 50, і на 500 дзвінків.
  2. Більшість дзвінків однотипні. Якщо 60–80% розмов — це той самий десяток сценаріїв, автоматизація зріже саме їх. Якщо кожен дзвінок унікальний — зрізати нічого.
  3. Затримка відповіді реально болить. Клієнти кидають слухавку в черзі, дзвінки губляться ввечері та у вихідні, менеджери не встигають передзвонювати. Якщо черги немає — проблема не в каналі.

Не проходите хоча б за одним пунктом — почніть із текстового агента. Серйозно.

Чому ми радимо починати з тексту

Це наша стандартна порада, і ось аргументи:

  • Той самий мозок. Логіка, база знань, інтеграції з CRM — усе це однакове для тексту й голосу. Побудувавши текстового агента, ви зробили 70% голосового.
  • Дешевший експеримент. Текстовий агент на реальному потоці за місяць-два покаже справжній відсоток автоматизації і реальні сценарії — без витрат на телефонію, розпізнавання і синтез.
  • Помилки коштують менше. Незрозуміла текстова відповідь — людина перепитала. Незрозуміла голосова — людина поклала слухавку.
  • Дані для голосу вже будуть. Логи текстових діалогів — готовий матеріал для навчання голосових сценаріїв: ви точно знатимете, що питають і якими словами.

Ми детально розбирали текстову автоматизацію підтримки в окремій статті — «AI-агент для служби підтримки клієнтів». Якщо ви ще не автоматизували текстовий канал, почніть із неї.

Скільки коштує голосовий AI-агент

З чого складається ціна?

Розробка голосового агента — це пакет PROFESSIONAL, від 80 000 грн: потрібна оркестрація кількох систем, інтеграція з телефонією і серйозне тестування на реальних записах. Простіший варіант — голосове меню з розпізнаванням намірів поверх готового сценарію — ближчий до STARTER, але це вже не «розмовний AI» у повному сенсі.

Щомісячні витрати рахуються за хвилину розмови і складаються з трьох частин: розпізнавання, токени моделі, синтез. Разом це типово 3–10 грн за хвилину залежно від обраних моделей і якості голосу. Помножте на ваш місячний обсяг хвилин — і одразу видно, чи сходиться економіка проти вартості години оператора.

Модельний приклад: кол-центр приймає 400 дзвінків на день, половина — статусні й підтверджувальні, середня тривалість такої розмови 90 секунд. Це близько 9 000 хвилин на місяць автоматизованих розмов — при 5 грн/хв виходить 45 000 грн операційних витрат. Оператори на той самий обсяг коштували б відчутно дорожче, плюс нічні зміни, плюс плинність. А от при 40 дзвінках на день та сама математика вже не працює — тому й існує поріг потоку.

Скільки триває впровадження?

Реалістичний графік — 6–10 тижнів до продакшену: тиждень на аудит і збір реальних записів дзвінків, два-три на першу версію, і найдовша частина — ітеративне тестування на живих записах, доки відсоток коректно розпізнаних розмов не стане прийнятним. Запуск — поетапний: спершу агент бере лише один тип дзвінків, і завжди з кнопкою «з'єднати з оператором».

Українська мова: окрема чесна розмова

Чи розуміє голосовий ШІ українську?

Так, і за останні два роки якість розпізнавання української зросла радикально. Але є нюанси, про які продавці демо мовчать:

  • Суржик і змішані мови. Людина каже «пересічіть мені запис на п'ятницю, ну, перенесіть» — сучасні системи справляються, але відсоток помилок вищий, ніж на «чистій» мові.
  • Імена, адреси, номери. Найболючіше місце будь-якої мови. Рятує підтвердження: агент повторює почуте і просить підтвердити — так, це додаткові секунди розмови, і це нормальна ціна за точність.
  • Телефонна якість звуку. 8 кГц замість студійних 44, шум вулиці, гучний зв'язок. Тестувати треба на реальних записах вашої телефонії, а не на диктофоні в тихому офісі.

Практичний висновок: перед проектом ми просимо 50–100 реальних записів дзвінків і ганяємо на них розпізнавання. Цифра точності на ваших даних — єдина, якій можна вірити.

Як виміряти, що воно працює

Чотири метрики, які варто зафіксувати до запуску:

  • Частка дзвінків, закритих без оператора — головна цифра проекту.
  • Частка дострокових завершень — людина кинула слухавку посеред розмови з агентом. Якщо росте — сценарій дратує.
  • Точність виконаної дії — запис справді створений на той час, який просила людина. Перевіряється вибірково людиною.
  • Час у черзі до живого оператора — він має впасти, бо рутину забрав агент. Якщо не впав, автоматизували не те.

Анатомія якісного голосового сценарію

Різниця між голосовим агентом, якого терплять, і тим, якому дякують, — у дрібницях сценарію. Ось правила, які ми виробили на практиці:

  • Представлення за три секунди. «Це віртуальний асистент клініки, можу підтвердити чи перенести запис» — людина одразу розуміє, з ким говорить і що тут можна. Довгі привітання з'їдають терпіння.
  • Одне питання за раз. «Назвіть дату і час, і ще уточніть філію, і телефон» — гарантований провал. Голос не чат: людина не бачить списку, вона тримає його в голові.
  • Підтвердження критичних даних. Дати, телефони, адреси агент повторює і просить підтвердити. Це подовжує розмову на десять секунд і прибирає найдорожчий клас помилок.
  • Вихід на людину — завжди і одразу. Слова «оператор», «людина», «менеджер» у будь-якому місці розмови мають переводити без опору. Агент, який «ще спробує допомогти», перетворює сервіс на пастку.
  • Коротка пам'ять розмови. Якщо людина вже назвала номер замовлення, а агент через хвилину питає його знову — довіру втрачено. Контекст у межах дзвінка обов'язковий.

І правило, яке важливіше за всі разом: сценарій пишеться з реальних записів розмов ваших операторів, а не з уяви про те, як люди говорять. Ми завжди починаємо з прослуховування — формулювання, якими люди реально питають, відрізняються від очікуваних сильніше, ніж здається.

Питання, які ставлять найчастіше

Чи можна підключити голосового агента до нашої АТС?

Так — сучасні хмарні АТС і SIP-телефонія підключаються стандартно. Агент виглядає для системи як ще один «оператор», якому маршрутизуються дзвінки за правилами: певний час доби, певна черга, перевантаження живих операторів.

Що буде, якщо агент не зрозумів людину?

Правильна поведінка задається явно: одна спроба перепитати — і переведення на оператора з передачею контексту. Найгірше, що можна зробити, — це зациклити «я вас не зрозумів, повторіть», саме так голосові роботи заробили погану репутацію.

Клієнти не будуть проти розмови з роботом?

Проти — коли робот прикидається людиною і коли він некомпетентний. Чесне «я віртуальний асистент, можу підтвердити запис або з'єднати з оператором» плюс реальна здатність вирішити питання за хвилину — сприймається спокійно, а нічний дзвінок, на який взагалі ніхто б не відповів, — із вдячністю.

Голос чи Telegram-бот — що обрати для запису клієнтів?

Якщо ваші клієнти й так пишуть у месенджери — бот дешевший і надійніший, порівняння ми робили у статті «AI-агент чи Telegram-бот». Голос виграє там, де аудиторія дзвонить за звичкою: медицина, сервісні центри, старша аудиторія, B2B із «давайте я вам передзвоню».

Підсумок

Голосовий AI для кол-центру — це не «черговий канал», а найдорожча і найвимогливіша форма AI-агента. Він чудово працює на коротких однотипних дзвінках при великому потоці і провалюється на складних розмовах при малому. Три пороги — потік, однотипність, біль черги — чесно відповідають на питання «чи нам це треба». А найрозумніший перший крок майже завжди текстовий: та сама логіка, десята частина ризику.

Хочете порахувати на своїх цифрах? Надішліть нам кількість дзвінків на день і три найчастіші причини звернень — повернемось із розрахунком окупності й чесною порадою, з чого починати. Написати нам або залишити заявку.