À primeira vista, criar um ótimo agente de voz com IA para ligações de vendas parece simples.
Tudo o que você precisa fazer é se perguntar “O que faz um bom vendedor?”, identificar essas qualidades e codificá-las no seu agente.
Os dois primeiros passos são fáceis. Todos nós já estivemos do outro lado de ligações de vendas boas e ruins e sabemos a diferença. Ligações ruins parecem distantes e roteirizadas e nunca criam confiança suficiente para conversas honestas. Ligações boas parecem calorosas e relevantes. O vendedor soa como alguém que realmente se importa com você, acerta seus detalhes e responde ao que você de fato diz, mesmo que seja inesperado.
Mas o terceiro passo, pegar essas qualidades e codificá-las no seu agente, é a parte complicada. Você logo percebe que capturar o toque humano é mais difícil do que parece e está cheio de pequenas variáveis, nas quais você talvez nunca tenha pensado, que fazem um vendedor realmente ótimo ter sucesso.
Conhecemos esse desafio de perto. Criamos agentes de voz com IA que estão implantados em várias empresas líderes e aprendemos muito pelo caminho sobre o que realmente importa.
Neste artigo, vamos mostrar uma dessas variáveis ocultas que descobrimos e que faz uma diferença significativa no desempenho de um agente de voz: o timing. Vamos contar…
- O timing que os humanos esperam em uma boa ligação de vendas
- As razões técnicas pelas quais um agente pode não acompanhar o timing humano
- Como fazer os agentes soarem naturais e ainda acertarem o timing
- A arquitetura certa para construir um agente que acompanha o timing humano
O timing que os humanos esperam em uma boa ligação de vendas
Quando consideramos pela primeira vez o timing como uma variável no desempenho do nosso agente de voz com IA, saímos em busca de uma referência de quão rápido as pessoas respondem umas às outras em uma conversa normal entre humanos.
Descobrimos que, em geral, numa conversa entre humanos, quando uma pessoa para de falar, a outra começa em cerca de 200 milissegundos, às vezes ainda mais rápido. Linguistas observaram esse padrão em dez idiomas, em cinco continentes, o que sugere que pode ser um hábito quase universal, embutido na forma como nos comunicamos.
Mesmo assim, essa velocidade nos surpreendeu. Vínhamos medindo a velocidade da fala e sabíamos que, entre decidir o que dizer e produzir o som, leva 600 milissegundos para dizer uma única palavra e 900 milissegundos para dar uma resposta de três palavras. Para responder em 200 milissegundos, você não pode esperar a outra pessoa terminar para começar a pensar na resposta. Enquanto ela fala, é preciso adivinhar aonde ela quer chegar e preparar o que vai dizer, para ter a resposta pronta no instante em que ela parar.
Assim que vimos que a referência para uma resposta de som natural ficava em torno de 200 milissegundos, olhamos para os nossos próprios agentes e encontramos o problema. Nossos agentes levavam quase 950 milissegundos para responder aos prospects, quase 5 vezes mais lento que o ritmo natural da fala humana.
Isso não só deixava nossos agentes com som robótico, como também mudava o tom das respostas. As pessoas interpretam naturalmente uma resposta lenta como sinal de hesitação. Se alguém pergunta se terça-feira funciona para uma reunião e você diz rapidamente “claro”, parece que você topa a conversa com prazer. Mas se você faz uma longa pausa antes de dizer “claro”, parece que não tem certeza. Como nossos agentes demoravam tanto para responder, nossos prospects interpretavam tudo o que eles diziam de forma negativa.
E há pesquisas que confirmam isso. Um estudo sobre ligações telefônicas em inglês constatou que quase um terço das recusas e um quarto das aceitações hesitantes vieram depois de 700 ms, e apenas 2% dos “sim” genuínos demoraram tanto. Embora esse estudo fosse pequeno, ele nos deu uma boa referência e ajudou a definir limites concretos de quão rápido nossos agentes de voz precisavam soar para parecer humanos.
Decidimos que nossos agentes precisavam responder aos prospects entre 300 milissegundos (para não dar uma resposta instantânea demais, que soasse enlatada) e 700 ms (para o prospect nunca ter que ficar em um silêncio longo). Ótimos vendedores fazem isso naturalmente, e precisávamos encontrar um jeito de fazer nossos agentes acompanharem.
As razões técnicas pelas quais um agente pode não acompanhar o timing humano
Depois de definir esse tempo de resposta aceitável de 300 a 700 milissegundos e ver que nossos agentes respondiam fora dele, em 950 milissegundos, fomos a fundo para descobrir como resolver o problema.
A verdade é que, antes desse exercício, não sabíamos que nossos agentes levavam de fato 950 milissegundos para responder aos prospects. O modelo que tínhamos desenvolvido e os números de velocidade que acompanhávamos diziam que nosso agente respondia muito mais rápido do que isso. Veja por que havia uma diferença tão grande.
Estávamos medindo quanto tempo nossos agentes levavam desde o momento em que decidiam que o prospect tinha terminado de falar até o envio do primeiro trecho de áudio. Mas não estávamos considerando alguns itens técnicos, como o tempo que nossos agentes levavam para decidir se o prospect havia parado de falar, atrasos de rede, buffering e o tempo de que o telefone precisava para criar e enviar o áudio ao prospect.
Quando levamos tudo isso em conta, vimos o problema. Nossas medições internas estavam corretas, mas não contavam a história toda. Havia um silêncio extra criado pela latência técnica, o que significava que o que os prospects realmente experimentavam era diferente do que nossos benchmarks de back-end diziam.
Isso nos ajudou a perceber que a nossa diferença de timing era principalmente um problema técnico, e fomos a fundo para ver como fazer nossos agentes responderem mais rápido (sem precisar construir um modelo mais veloz).
A resposta estava escondida nos detalhes técnicos do nosso agente. Cada resposta do agente era enviada em streaming a um provedor de text-to-speech por WebSocket, mas o provedor fechava o socket após cada resposta. Isso significava que cada resposta precisava abrir uma nova conexão, e o handshake de configuração ficava bem entre a última palavra do prospect e a primeira coisa que ele ouvia de volta. Abrir essas conexões deveria ser rápido, mas, no nosso caso, uma combinação de distância e configuração do fornecedor somou uma longa espera.
A solução foi simples: passamos a manter uma conexão reserva aberta com antecedência. O handshake continuava levando o mesmo tempo, mas passou a acontecer enquanto o prospect ainda estava falando, então ele não precisava esperar por isso para receber uma resposta. Só isso aumentou drasticamente a velocidade das respostas do nosso agente e as deixou bem mais calorosas, naturais e humanas.
Passar por esse processo também mudou a forma como medimos a velocidade dos nossos agentes e as metas que buscamos. Em vez de apenas definir benchmarks internos que podem enganar ou esconder a latência do lado do prospect, estamos caminhando para metas que refletem melhor a experiência do prospect na ligação.
Por exemplo, agora medimos nosso desempenho com base em indicadores como a porcentagem de respostas que caem dentro de uma janela de tempo que transmite o significado certo ao prospect, por exemplo, entregar 95% das nossas respostas em menos de 700 milissegundos. Aprendemos do jeito difícil que certos benchmarks e médias podem enganar, e buscamos nos medir e reportar com números que signifiquem algo.
Como fazer os agentes soarem naturais e ainda acertarem o timing
Depois de resolver o problema técnico de base que criava latência oculta para os nossos agentes, começamos a atacar alguns dos aspectos menos mensuráveis de um bom timing em uma ligação de vendas. Assim como responder dentro daquela janela de 300 a 700 milissegundos, cada um deles era algo que víamos ótimos vendedores fazerem naturalmente e que precisávamos ensinar aos nossos agentes. Entre eles:
- Começar antes de ter certeza. Como dito acima, as pessoas naturalmente começam a formular suas respostas enquanto a outra pessoa ainda está falando, e os agentes precisam fazer o mesmo. Passamos a fazer nossos agentes começarem a rascunhar uma resposta com base no que o prospect disse até então e descartá-la se o prospect continuasse falando. O agente pode desperdiçar alguns rascunhos, mas eliminou muito tempo de atraso para dar uma resposta. Para tornar isso seguro, garantimos que nossos agentes nunca assumissem algo irreversível, como agendar uma reunião, em um rascunho especulativo.
- Dizer alguma coisa antes de saber a resposta. Quando um ótimo vendedor precisa consultar algo, ele diz “Deixa eu verificar isso para você” e então vai verificar. Essa única frase tranquiliza o prospect de que ele foi ouvido e redefine as expectativas. Mas se um vendedor, ou um agente, simplesmente fica em silêncio por dois segundos, o prospect sente que não há ninguém ali, o que é ainda pior do que ser lento. O difícil é saber quando dizer uma frase assim e quando dar a continuação. Se um agente diz “Deixa eu verificar isso para você” e logo em seguida dá uma resposta completa, soa estranho, mas também soa estranho dizer que vai verificar e depois ficar em silêncio por muito tempo.
- Fazer o silêncio soar vivo. Uma linha telefônica sem nenhum ruído de fundo soa quebrada ou antinatural, mas digitação ou papel sendo manuseado de mentira parece artificial demais e faz os prospects desconfiarem do agente. Descobrimos que adicionar uma camada baixa de som ambiente (por exemplo, o leve zumbido de um escritório de verdade) durante toda a ligação, como uma faixa de áudio própria, separada da voz do agente, resolve esse problema.
- Nunca interromper o prospect. Ótimos vendedores nunca interrompem e nunca falam por cima do prospect. Fazer as duas coisas é pior do que ser um pouco lento, e descobrimos que é melhor garantir que o agente identifique com precisão quando o prospect para de falar, mesmo que isso o deixe um pouco mais lento, do que otimizar apenas para velocidade e correr o risco de interromper ou falar por cima do prospect.
A arquitetura certa para construir um agente que acompanha o timing humano
Tudo o que descobrimos, corrigimos e sugerimos neste artigo só pode acontecer se o agente for construído da maneira certa. Embora todo agente de voz tenha as mesmas tarefas básicas de entender o que o prospect diz, decidir o que responder e falar em voz alta, a forma como essas tarefas são conectadas varia bastante de agente para agente e determina se ele parece caloroso, inteligente e rápido. Acertar isso é tão importante quanto qualquer coisa que abordamos até aqui neste artigo. Veja como.
A maioria dos agentes de voz segue uma de três configurações comuns:
Cada linha é uma configuração. A primeira é uma cascata. Um sistema transforma a fala do prospect em texto, um modelo de linguagem lê o texto e escreve uma resposta, e um terceiro sistema transforma a resposta de volta em fala. É o arranjo padrão, e você pode trocar cada peça por uma melhor, mas, nessa configuração, o modelo nunca realmente ouve o prospect. Ele apenas lê uma transcrição que não comunica coisas como hesitação e tom, que um ótimo vendedor perceberia e às quais se adaptaria.
A segunda é um único modelo speech-to-speech. O áudio entra e o áudio sai, sem texto no meio. O agente ouve como algo foi dito, pode responder na mesma moeda e responde mais rápido, mas a tendência é perder o controle sobre como o agente é configurado. Um só modelo conduz tudo, então você fica preso a coisas como a lista curta de vozes que o provedor do agente oferece, a pronúncia dos nomes e o nível de raciocínio que aquele modelo tem.
A terceira configuração é a que usamos, e a chamamos de split-voice, que aproveita as partes boas de uma cascata e de um modelo speech-to-speech, sem as desvantagens de cada um. Nessa configuração, o modelo principal ouve o áudio diretamente e percebe coisas como hesitação e tom, interpretando corretamente o que o prospect quer dizer, não apenas o que ele diz. O modelo de voz é executado em uma etapa separada, o que nos permite (e permite aos nossos clientes) escolher coisas como o som do agente, a pronúncia dos nomes e, no geral, com que voz ele fala.
Além disso, usamos co-drivers, que são modelos rápidos que ouvem o mesmo áudio em paralelo e influenciam o modelo principal com mensagens não faladas. Eles ajudam a microgerenciar a conversa e o que e como o modelo principal deve falar.
Alguns co-drivers rodam em todas as ligações e outros, em cenários específicos. Por exemplo, um coleta endereços de e-mail, outro acerta a pronúncia e um terceiro aplica as barreiras de segurança. Um quarto escuta o ruído de fundo, avisa o agente se houver demais e faz o agente dizer ao prospect que está com dificuldade para ouvir, para que o modelo principal não responda algo que o prospect nunca disse. Também criamos mais co-drivers para cada caso de uso, como um co-driver que impede o agente de dar conselhos tributários.
No geral, descobrimos que essa configuração split-voice, junto com co-drivers específicos por caso de uso, é a melhor forma de construir agentes que acompanham o timing humano, soam calorosos e inteligentes e se adaptam bem às demandas cambiantes de conversas de vendas imprevisíveis.
Acertar o timing é apenas uma parte de um ótimo agente de voz
Chegamos a um ponto em que nossos agentes acompanham de forma consistente o timing de um ótimo vendedor, e agora estamos avançando para fazer nossos agentes espelharem melhor o prospect. Isso significa acompanhar o ritmo do prospect, como esperar quem pensa devagar ou acompanhar quem fala rápido, pois aprendemos que o que parece um timing normal pode mudar bastante de pessoa para pessoa.
Surgiram outros desafios, como escolher a voz certa para um prospect específico ou raciocinar diante de objeções difíceis. Vamos enfrentá-los do mesmo jeito que enfrentamos o timing, partindo do que os ótimos vendedores já fazem e encontrando formas de fazer um agente fazer o mesmo. Enquanto um ótimo vendedor faz tudo isso sem pensar, um agente só faz se esses hábitos forem documentados e incorporados, mas descobrimos que codificar essas nuances é o que torna nossos agentes de voz com IA ótimos.
Para saber mais sobre nossos agentes de voz com IA ou ouvi-los em ação, agende uma demo ou ao teste ao vivo no nosso site.
