Antes era URA, hoje é Voicebot. Trabalho há pelo menos 25 anos com essas tecnologias que têm o objetivo de permitir ao usuário telefônico operações de autoatendimento, e já vi muitos projetos fracassarem e poucos bons projetos terem sucesso. Por que tanta frustração? De muitos, se não de todos. Os contratantes, os responsáveis pelo atendimento ao cliente e, sobretudo, os próprios Clientes.

Bem, a URA tinha (e ainda tem) uma limitação na capacidade de interação, permitida apenas pela digitação dos 10 dígitos e dos caracteres * e # no teclado do telefone. A principal limitação, portanto, reside na impossibilidade de expressar sua necessidade de forma livre, com uma frase, por exemplo. O Voicebot supera essa limitação, permitindo uma interação em linguagem natural (NLU), mas isso nem sempre é suficiente. Por quê? E o que exatamente é um Voicebot?

Chamamos de Voicebot uma aplicação telefônica que utiliza tecnologias de reconhecimento de fala (Speech-to-Text – STT), muitas vezes também tecnologias de síntese de fala (Text-to-Speech – TTS), algumas tecnologias de IA e uma lógica de serviço para responder a uma necessidade do cliente, que poderia, alternativamente e idealmente, ser atendida por um operador humano. Podemos dizer, desde já, que as tecnologias disponíveis, agora que o século XXI está prestes a completar seu primeiro quarto, são decididamente excelentes e, tomadas individualmente, já alcançaram ou até superaram o desempenho humano.

Então, por que vemos por aí serviços de Voicebot com desempenhos insatisfatórios que fazem arrepiar os cabelos? A resposta é, em princípio, complexa, mas os principais elementos são os seguintes:

1. Subestimação do conhecimento profundo necessário de todos os componentes tecnológicos;
2. Pressupor que as tecnologias dos grandes fabricantes por si só podem resolver todos os problemas;
3. Desenvolvimento da aplicação delegado a desenvolvedores de software que não sabem o que estão fazendo (ou seja, não têm experiência específica).

Neste post, não pretendo escrever um tratado que aborde em detalhes todos esses temas. Quem quiser se aprofundar em outros tópicos, sinta-se à vontade para me escrever diretamente. Vou me limitar a dar um exemplo de erro clamoroso que é cometido na maioria dos projetos.

Na raiz do erro está a crença equivocada de que os produtos de STT transcrevem corretamente tudo o que é dito pelo usuário. Esta suposição é particularmente errada quando lidamos com a transcrição de sequências alfanuméricas (placas de veículos, números de CPF, etc.) ou de dados pessoais (nomes, sobrenomes). Vamos a um exemplo prático. Uma aplicação de empréstimos bancários solicita, via Voicebot, que o usuário se autentique por meio do reconhecimento do CPF (Tarefa 1). Posteriormente, solicita um número de telefone (Tarefa 2) e, por último, o valor do empréstimo solicitado (Tarefa 3). A aplicação deve realizar corretamente os três reconhecimentos em sequência para que o processo se conclua com sucesso. Agora, suponhamos que as taxas de sucesso dos três reconhecimentos sejam as seguintes: Tarefa 1 -> 54% | Tarefa 2 -> 80% | Tarefa 3 -> 60% A taxa de sucesso será dada pelo produto das taxas de sucesso de cada tarefa individualmente, ou seja, no caso específico (54%*80%*60%), será de cerca de 25%. Isso significa que o pobre cliente, depois de ter se esforçado um pouco com o Voicebot, será transferido para um operador em 75% dos casos! Numa situação dessas, o que fazem os stakeholders do projeto? Pouco ou nada. Decidem que há um limite tecnológico que torna impossível alcançar um desempenho melhor, ou alteram profundamente o fluxo da aplicação, tornando-o ineficaz e, em muitos casos, inseguro. Na verdade, o que se deveria fazer é melhorar a taxa de sucesso de cada tarefa individual. Apenas melhorar a Tarefa 1 de 54% para 85% elevaria a taxa de sucesso final para 40%. A diferença é significativa; estamos falando de 15.000 chamadas salvas a cada 100.000.

Na Interactive Media, empresa focada em inteligência artificial conversacional e a qual sou co-fundador, enfrentamos todos os problemas possíveis relacionados a esses sistemas de resposta automática ao longos dos anos. No caso específico, para resolver o problema do baixo desempenho de tarefas desse tipo, desenvolvemos produtos de STT específicos, treinados exclusivamente com os dados para os quais a transcrição é necessária. Essa abordagem tem nos dado grande satisfação. Por exemplo, para o CPF italiano e brasileiro, temos um desempenho de transcrição correta de 98%.

A simples atenção ao detalhe nos permite alcançar um desempenho final muito alto, mostrando que a abordagem estratégica e a personalização das soluções tecnológicas se mostram fundamentais para transformar as interações automatizadas em experiências mais intuitivas e eficazes. Se você quiser experimentar essas performances incríveis, me escreva e organizarei uma sessão de teste prático para você!