PolyAI ha costruito uno dei sistemi di intelligenza artificiale vocale più diffusi nel customer service enterprise. Eppure il suo CTO, Shawn Wen, è il primo ad ammettere che il settore non ha ancora vissuto il proprio momento di svolta. Nonostante i modelli full-duplex — capaci di ascoltare e parlare contemporaneamente — siano ormai una realtà, la voce artificiale non ha prodotto lo stesso effetto di massa che ChatGPT ha generato sull’AI testuale nel novembre 2022.
Wen lo ha detto senza giri di parole alla conferenza HumanX: i modelli full-duplex esistono, ma il problema vero è la velocità di ragionamento. Se il sistema impiega anche solo un secondo di troppo a recuperare una risposta, la conversazione perde naturalezza e l’utente percepisce immediatamente di parlare con una macchina. La latenza non è un dettaglio tecnico: è la differenza tra un’esperienza accettabile e una che porta l’utente ad abbandonare la chiamata. Il nodo successivo da sciogliere, secondo Wen, è rendere il ragionamento abbastanza rapido da far sembrare la risposta spontanea, quasi istintiva.
Sul fronte del customer service, la dinamica è precisa. Wen ha spiegato che i primi due o tre scambi di una conversazione sono decisivi: se l’agente vocale riesce a risolvere il problema in quella finestra, l’utente inizia a costruire fiducia e smette di chiedere di parlare con un operatore umano. Se invece il sistema tentenna, si perde tutto. La soglia di tolleranza è bassa, e il margine di errore quasi nullo. Gli agenti vocali non possono permettersi di suonare robotici — non perché sia una questione estetica, ma perché la percezione di artificialità azzera la fiducia prima ancora che il problema venga affrontato.
Alex Gay, CMO di Otter — la piattaforma di trascrizione e note automatiche per riunioni — ha identificato un altro punto critico: i modelli di riconoscimento vocale automatico (ASR) commettono ancora errori frequenti sulle parole chiave, e ogni errore di trascrizione si propaga a valle, compromettendo le azioni automatizzate che dipendono da quel testo. Se la trascrizione iniziale non è accurata, qualsiasi passo successivo — un riassunto, un’attività assegnata, una ricerca nella knowledge base aziendale — diventa inaffidabile. Gay sta anche lavorando su tecnologia di digital twin per le chiamate aziendali: repliche vocali di persone reali che partecipano a riunioni. Per quella tecnologia, l’espressività emotiva della voce non è opzionale: senza cadenze e sfumature umane, i digital twin restano confinati agli scambi transazionali.
Sullo sfondo c’è un mercato che corre comunque. Gli investitori stanno riversando miliardi di dollari nelle startup di voice AI, dai produttori di modelli base fino ai fornitori di software per il customer service enterprise e i notetaker per le riunioni. OpenAI ha già risposto con GPT-Live, architettura full-duplex che elimina il rilevatore di turni dal flusso audio e affida il ragionamento avanzato a un percorso asincrono separato — così la voce non si blocca mentre il sistema pensa. L’infrastruttura avanza. Ma la domanda di Wen resta aperta: quando arriverà il momento in cui un utente qualunque, senza interesse tecnico, rimarrà abbastanza colpito da cambiare le proprie abitudini? Quel momento, per ora, non è ancora arrivato.
