Botul care îți răspunde la telefon costă acum 54 de cenți pe oră
Publicat în
Automatizare pentru Business
pe
October 3, 2026

Botul care îți răspunde la telefon costă acum 54 de cenți pe oră. Și greșește un cuvânt din patruzeci

Microsoft a pus în preview public, pe 1 octombrie, primul său model de transcriere în timp real: 2,5% rată de eroare pe cuvânt, 0,13 secunde, 60 de limbi, locul 1 din 38 de modele comparate. Prețul introductiv e 0,54 dolari pe oră. Piesa care lipsea ca un agent vocal să fie rentabil pentru o firmă mică tocmai a apărut.

Microsoft a pus în preview public, pe 1 octombrie, primul său model de transcriere în timp real. 2,5% rată de eroare, 0,13 secunde, 60 de limbi. Piesa care lipsea ca un agent vocal să fie rentabil pentru o firmă mică tocmai a apărut.

Toată lumea discută de doi ani despre agenți AI care vorbesc la telefon. Demonstrațiile erau impresionante. Realitatea, mai puțin. Cine a încercat să pună un bot vocal pe linia de suport a unei firme mici a descoperit aceleași trei probleme de fiecare dată: botul înțelegea greșit, răspundea târziu, și costa mai mult decât omul pe care trebuia să îl înlocuiască.

Pe 1 octombrie 2026, Microsoft a intrat în preview public cu MAI-Transcribe-2-Streaming, primul său model de transcriere în timp real. Cifrele rezolvă simultan toate cele trei probleme, și merită citite încet.

Ce s-a întâmplat

Modelul are o rată de eroare pe cuvânt de 2,5%, atinsă în 0,13 secunde pentru transcrierea finală. Prima transcriere parțială, cea care apare în timp ce omul încă vorbește, vine la 0,12 secunde, tot cu 2,5% eroare. Pe clasamentul Artificial Analysis, care a comparat 38 de modele, MAI-Transcribe-2-Streaming e pe locul 1. Acoperă 60 de limbi, cu detectare automată continuă, ceea ce înseamnă că poate urmări un vorbitor care trece dintr-o limbă în alta în mijlocul propoziției, lucru deloc exotic în România.

Prețul introductiv e 0,54 dolari pe oră, valabil până la finalul lui 2026, echivalentul a 9 dolari la 1.000 de minute.

În aceeași mișcare, Microsoft a lansat și partea care vorbește: MAI-Voice-2.1-Flash, la 15 dolari per milion de caractere generate, cu 150 de milisecunde latență, și MAI-Voice-2.1, la 22 de dolari per milion de caractere, pe 23 de limbi.

Modelul e accesibil prin Realtime API pe WebSocket, prin Azure Speech SDK, prin MAI Playground, prin Vercel și prin Azure Voice Live.

De ce 0,13 secunde e cifra care contează cel mai mult

Oamenii tolerează greșeli de înțelegere mult mai bine decât tolerează pauze. Într-o conversație umană normală, pauza dintre replici e undeva între 0,2 și 0,3 secunde. Dacă interlocutorul tace mai mult de o secundă, creierul tău începe să se întrebe dacă a înțeles, dacă s-a supărat, sau dacă s-a întrerupt linia.

Generația anterioară de boți vocali funcționa în trei pași rigizi: aștepta ca omul să termine, trimitea tot ce auzise la transcriere, apoi trimitea textul la model ca să formuleze răspunsul. Trei etape puse cap la cap, fiecare cu întârzierea ei, însumate într-o pauză pe care o auzeai clar. De aici senzația de robot, chiar și când vocea era bună.

Transcrierea în flux schimbă arhitectura. E diferența dintre un traducător care ascultă un paragraf întreg, notează, și apoi traduce, și un interpret simultan în cabină, care traduce în timp ce vorbitorul încă vorbește. Modelul produce transcrieri parțiale la 0,12 secunde, pe măsură ce cuvintele ies din gura omului. Agentul poate începe să caute informația, să deschidă fișa clientului, să verifice disponibilitatea în calendar, înainte ca propoziția să se termine.

Rezultatul nu e un bot care gândește mai repede. E un bot care gândește în paralel cu tine, nu după tine. Și asta se aude.

2,5% în context

O rată de eroare pe cuvânt de 2,5% înseamnă un cuvânt greșit la fiecare patruzeci. Sună mult până realizezi că și transcrierea umană, făcută de un om atent, pe o înregistrare de telefon cu zgomot de fond, stă undeva în aceeași zonă.

Clasamentul arată și cât de strâns e plutonul. Grok Voice Transcribe 2.0 vine cu 2,7% la 0,49 secunde. Muse Voice Transcribe are 3,1% la 0,16 secunde. Cartesia Ink-2 e cel mai rapid din grup, 0,07 secunde, dar cu 4,0% eroare, adică un cuvânt greșit la douăzeci și cinci.

Compromisul clasic din domeniu a fost mereu între precizie și viteză: ori înțelegi bine, ori răspunzi repede. Cele două grafice de mai jos pun față în față exact aceste două lumi, întâi precizia, apoi viteza.

No items found.

Ce înseamnă 0,54 dolari pe oră pentru o firmă mică

Hai să facem socoteala, cu precizarea că e o socoteală de ordin de mărime, nu o ofertă.

O linie telefonică ascultată continuu, douăzeci și patru de ore pe zi, treizeci de zile pe lună, înseamnă 720 de ore. La 0,54 dolari pe oră, transcrierea costă sub 400 de dolari pe lună. În realitate nimeni nu transcrie non-stop, pentru că linia nu sună non-stop. O firmă mică de servicii cu, să zicem, patruzeci de apeluri pe zi, de câte patru minute fiecare, consumă aproximativ 80 de ore de transcriere pe lună. Sub 45 de dolari.

Peste asta se adaugă costul modelului care formulează răspunsul și costul vocii care îl rostește. Nu sunt gratuite, dar nici ele nu mai sunt în zona în care erau acum optsprezece luni.

Cifra importantă nu e totalul. E raportul. Un agent vocal a trecut din categoria „investiție care trebuie justificată în fața contabilului" în categoria „abonament lunar comparabil cu un instrument de email marketing". Când ceva își schimbă categoria de cheltuială, își schimbă și cine îl poate cumpăra.

Cele 60 de limbi nu sunt o notă de subsol

Detaliul care trece cel mai ușor neobservat în anunț e detectarea automată continuă a limbii, pe 60 de limbi. Continuă înseamnă că modelul nu decide la începutul apelului în ce limbă vorbește omul și apoi se încăpățânează. Reevaluează pe parcurs.

Pentru o firmă din România, asta nu e exotic, e rutină. Un client care spune „am nevoie de un deadline până vineri, dar vreau și un follow-up pe partea de livrare" vorbește, tehnic, în două limbi în aceeași propoziție. Un model care fixează limba la început pierde jumătate din informație și o transcrie fonetic, greșit. Un model care reevaluează continuu o prinde.

Același mecanism rezolvă și situația unei firme care lucrează și cu clienți din Ungaria, Bulgaria sau Germania, fără să construiască o linie separată pentru fiecare. Nu e o funcție de marketing, e diferența dintre un bot folosibil și unul pe care îl oprești după două săptămâni pentru că enervează oamenii.

Partea pe care demonstrațiile nu o arată

Modelul de transcriere e o piesă. Un agent vocal care chiar funcționează are nevoie de cel puțin cinci.

  • Transcrierea, care traduce vocea în text.
  • Modelul de limbaj, care decide ce să răspundă.
  • Vocea sintetică, care rostește.
  • Legătura cu sistemele tale, calendarul, baza de clienți, stocul, fără de care botul poate vorbi frumos dar nu poate face nimic.
  • Logica de predare: regula clară după care botul recunoaște că nu se descurcă și dă legătura unui om, fără să îl plimbe pe client prin cinci întrebări inutile înainte.

Modelul lansat de Microsoft rezolvă prima piesă, excelent. Restul de patru rămân muncă de construit, iar acolo se vede diferența dintre o firmă care a cumpărat un tool și una care are un sistem.

Un exemplu ipotetic, ca să fie clar. Un service auto cu două rampe primește în medie patruzeci de apeluri pe zi. Din ele, douăzeci și opt sunt trei întrebări: când aveți loc, cât costă o revizie, ați terminat mașina mea. Un agent vocal bine conectat la calendar și la fișele de lucru răspunde la toate douăzeci și opt fără ca cineva să ridice receptorul, și le trece pe celelalte douăsprezece mai departe. Mecanicul nu mai răspunde la telefon cu mâinile unsuroase. Nu pentru că botul e inteligent, ci pentru că întrebările erau repetitive și cineva s-a obosit să le mapeze.

Aceeași tehnologie, conectată la nimic, produce un robot care spune politicos că nu înțelege. Diferența nu stă în model. Stă în cele patru piese rămase.

Ce poți face concret, în ordinea asta

Primul pas nu e tehnologic. Ia-ți trei săptămâni de apeluri și numără. Câte au fost, cât au durat, și câte categorii distincte de întrebări au apărut de fapt. Aproape fiecare firmă mică descoperă că majoritatea apelurilor sunt trei sau patru întrebări repetate, iar restul sunt situații care chiar cer un om.

Al doilea pas e să scrii răspunsurile la întrebările repetitive, cu toate variațiile. Nu pentru bot, pentru tine. Dacă nu poți scrie răspunsul, nu îl poți automatiza, și probabil nici angajatul nou nu îl dă corect.

Al treilea pas e conectarea la o singură sursă de adevăr: calendar, stoc, fișe. Un agent care nu poate citi starea reală a lucrurilor e un robot telefonic cu voce mai bună, nimic mai mult.

Al patrulea e regula de predare, scrisă explicit. Ce întrebări trec la om, în cât timp, și ce se întâmplă dacă omul nu e disponibil.

Abia al cincilea pas e alegerea modelului. Și e cel mai ușor dintre toate, pentru că modelele se schimbă între ele într-o după-amiază. Primele patru rămân ale tale indiferent ce furnizor alegi anul viitor.

Concluzie

Preview-ul public înseamnă preview public: fără garanții de disponibilitate, cu preț introductiv care expiră la finalul anului. Nu e momentul în care muți tot suportul telefonic pe un bot. E momentul în care faci numărătoarea apelurilor și scrii cele patru piese care nu depind de furnizor.

Pentru că atunci când prețul unei tehnologii scade de zece ori, nu câștigă cine o adoptă primul. Câștigă cine avea deja procesul scris când a devenit ieftină.

Notă: prețul de 0,54 dolari pe oră e introductiv și comunicat ca valabil până la finalul lui 2026, deci trebuie reverificat înainte de orice calcul pe termen lung. Modelul e în preview public, fără garanție de nivel de serviciu. Cifrele de precizie și latență provin din clasamentul Artificial Analysis citat de sursele de mai jos și reflectă condițiile lor de testare, nu neapărat performanța pe limba română sau pe linii telefonice cu zgomot. Estimările de consum lunar din text sunt calcule proprii de ordin de mărime, nu date de la furnizor.

Surse:

  • Ultimele postări[
  • pe Instagram
100 followers
@alesignco