Ile kosztuje voicebot — i dlaczego najpierw policz połączenia, których nie odbieracie

Autor: Opublikowano: Aktualizacja:

Cennik voicebota ma cztery pozycje, nie jedną. Sumujemy dwa opublikowane polskie cenniki na dwunastu miesiącach i pokazujemy, którą liczbę policzyć u siebie.

Na pytanie „ile kosztuje voicebot” dostawcy odpowiadają zwykle jedną kwotą miesięczną. Jest prawdziwa, a zarazem najmniej użyteczna z czterech pozycji, które składają się na rachunek: obok abonamentu płaci się jeszcze za minuty ponad pakiet, za uruchomienie i za każdą integrację z systemem, w którym są przechowywane dane. Poniżej rozpisujemy te pozycje, sumujemy dwa opublikowane polskie cenniki na dwunastu miesiącach i pokazujemy, co realnie przesuwa rachunek w górę. Zaczynamy jednak od liczby, której nie ma w żadnym cenniku — bo to ona rozstrzyga, czy projekt w ogóle ma sens.

Zacznij od liczby, której nie ma w żadnym cenniku

Zanim porównacie oferty, wyciągnijcie z własnej centrali raport za ostatnie trzy miesiące i odpowiedzcie na cztery pytania: ile połączeń przychodzących odbieracie dziennie, ile z nich zostaje bez odbioru, w jakich godzinach te nieodebrane się kumulują i czego najczęściej dotyczą. To jedno popołudnie pracy, a nie projekt badawczy.

Ta liczba, a nie cennik, rozstrzyga o sensie wdrożenia. Jeżeli dziennie przepada pięć połączeń, z których trzy to przedstawiciele handlowi, żadna arytmetyka z dalszej części tego tekstu nie zamieni tego w opłacalny projekt. Jeżeli przepada czterdzieści, a połowa dotyczy jednej powtarzalnej sprawy — statusu zamówienia, terminu wizyty, godzin otwarcia — macie konkretny zakres do policzenia.

Nie podamy tutaj żadnego „branżowego wskaźnika nieodebranych połączeń”. Liczby, które krążą po sieci, pochodzą z materiałów marketingowych dostawców i nie mają opisanej metody. Wasza centrala zna tę wartość dokładniej niż jakikolwiek benchmark. Tak samo podchodzimy do każdej automatyzacji AI: najpierw pomiar procesu u klienta, potem wycena.

Cennik voicebota ma cztery pozycje, nie jedną

Abonament za platformę. Stała kwota miesięczna za dostęp do silnika rozmowy, panelu i nagrań. To jedyna liczba, którą dostawcy eksponują, i jedyna, która nie zależy od tego, ile faktycznie dzwonicie.

Pakiet minut i stawka za nadwyżkę. Abonament zawiera określoną pulę minut rozmowy. Każda minuta ponad pakiet jest płatna osobno i to właśnie ta stawka bywa największą niespodzianką w drugim kwartale współpracy.

Jednorazowa opłata wdrożeniowa. Uruchomienie platformy, konfiguracja scenariusza, nagranie komunikatów, testy. W polskich cennikach rozpiętość jest duża — od zera do kilku tysięcy złotych netto, a w wycenach indywidualnych więcej.

Integracje. Podłączenie bota do kalendarza, systemu zamówień, CRM-a czy grafiku wizyt. Część dostawców ma już w cenniku łącznik (np. od 4 900 zł plus utrzymanie), ale o tym, czy Wasz przypadek mieści się w tej kwocie, decyduje stan API (interfejsu, przez który inne programy łączą się z systemem i jego danymi) i dostępów po Waszej stronie — dlatego tę pozycję wycenia się dopiero po obejrzeniu systemów.

Piąta pozycja nie pojawia się w cennikach, bo nie jest produktem: utrzymanie. Scenariusze rozmów, słownik wymowy i zasady, kiedy bot przekazuje rozmowę człowiekowi, zmieniają się razem z ofertą, cennikiem i godzinami otwarcia. System, którego nikt nie aktualizuje, po pół roku odsyła klientów do nieistniejącej promocji.

Dwa opublikowane cenniki i dwanaście miesięcy

Każdą kwotę podajemy z datą odczytu, bo cenniki się zmieniają, a liczba bez daty jest bezużyteczna. Cennik odbierze.ai zmienił się od pierwszej wersji tego tekstu (31 sierpnia 2026), dlatego poniżej jest jego nowy odczyt.

Ceny sprawdzone: 9 października 2026 (oba cenniki).

odbierze.ai — pakiet START: 2 990 zł wdrożenia i 990 zł miesięcznie, 500 minut w pakiecie z telefonią krajową, nadwyżka 1,09 zł za minutę. MEDIUM: od 4 990 zł wdrożenia i 1 990 zł miesięcznie, 1 500 minut, nadwyżka 0,99 zł. ENTERPRISE wyceniany indywidualnie. Łącznik do systemu bez gotowego połączenia: od 4 900 zł plus 250 zł miesięcznie. Wszystkie kwoty netto, VAT 23% doliczany.

Smart Asystenci — z artykułu cenowego z 13 czerwca 2026, potwierdzone 9 października 2026 w aktualnym cenniku: Starter 499 zł netto miesięcznie, 500 minut w pakiecie, nadwyżka 0,78 zł za minutę; Pro 899 zł, 1 000 minut, nadwyżka 0,75 zł; Pro+ 1 499 zł, 2 000 minut, nadwyżka 0,73 zł. Bez opłaty wdrożeniowej.

Zsumujmy dwanaście miesięcy przy ruchu mieszczącym się w pakiecie 500 minut:

  • odbierze.ai START: 2 990 + 12 × 990 = 14 870 zł netto
  • Smart Asystenci Starter: 0 + 12 × 499 = 5 988 zł netto

A teraz przy realnym ruchu 800 minut miesięcznie, czyli 300 minut ponad pakiet:

  • odbierze.ai START: 14 870 + 12 × 300 × 1,09 = 18 794 zł netto
  • Smart Asystenci Starter: 5 988 + 12 × 300 × 0,78 = 8 796 zł netto

Obie sumy obejmują wyłącznie pozycje z opublikowanych cenników — abonament, wdrożenie i nadwyżkę. Integracje wykraczające poza zakres pakietu i utrzymanie dochodzą do tych kwot; to jest właśnie powód, dla którego kwota miesięczna nigdy nie odpowiada na pytanie z tytułu.

Nie są to produkty równoważne i nie o to tu chodzi — zakres uruchomienia, poziom wsparcia i to, co mieści się w opłacie startowej, różnią się między dostawcami i trzeba je porównywać osobno. Chodzi o metodę: dopóki nie zsumujecie czterech pozycji na dwunastu miesiącach, przy dwóch scenariuszach liczby minut, porównujecie kwoty miesięczne opisujące różne rzeczy.

Zwróćcie uwagę na rozrzut samej stawki za nadwyżkę: od 0,73 do 1,09 zł netto za minutę, czyli mniej więcej półtorakrotny. Przy trzystu minutach ponad pakiet miesięcznie różnica między stawkami pakietów startowych (1,09 i 0,78 zł) przesuwa roczny rachunek o ponad tysiąc złotych (12 × 300 × 0,31 = 1 116 zł) — a w kwocie miesięcznej z cennika nie widać jej wcale.

Co naprawdę podnosi rachunek: jak często bot oddaje rozmowę człowiekowi

Każde przekazanie rozmowy do człowieka kosztuje dwa razy: płacicie za minuty, które bot już przegadał, i za czas pracownika, który przejmuje sprawę. Jak drogie będzie to drugie, zależy od tego, co dostaje przejmujący: transkrypcja rozmowy istnieje (o czym niżej), ale dopóki nie trafia do niego razem z połączeniem, klient opowiada wszystko od nowa. Najważniejszym parametrem kosztowym nie jest więc cena minuty, tylko odsetek rozmów, których bot nie domyka — i to, z czym są przekazywane.

Punkt odniesienia dla polszczyzny istnieje i jest niezależny od dostawców. Polish ASR Leaderboard, czyli niezależne zestawienie systemów rozpoznawania polskiej mowy (Michał Junczyk, Uniwersytet im. Adama Mickiewicza; zbiór BIGOS, NeurIPS 2024), przebadał 25 systemów rozpoznawania mowy na ponad czterech tysiącach nagrań. Mediana błędu rozpoznawania słów (WER) na mowie czytanej wyniosła 14,52%, a na mowie spontanicznej i konwersacyjnej — 32,42%. Systemy darmowe i komercyjne dzieliło zaledwie od 2,5 do 4,2 punktu procentowego. Badanie pochodzi z 2024 roku i wyprzedza obecną generację modeli, ale rząd wielkości jest tym, od czego zaczyna się projektowanie: w swobodnej rozmowie mniej więcej co trzecie słowo może zostać rozpoznane inaczej, niż zostało wypowiedziane.

Deklaracje dostawców są mierzone w innych warunkach. ElevenLabs umieszcza polski w najwyższym progu jakości dla rozpoznawania mowy Scribe v2, czyli przy błędzie nie większym niż 5% — ale nie podaje, na jakich nagraniach ten wynik zmierzono, więc nie jest to prognoza dla Waszej linii telefonicznej. Klasyczne łącze telefoniczne jest wąskopasmowe: przenosi węższy zakres dźwięku i jest próbkowane z częstotliwością 8 kHz, więc nie należy zakładać, że na nagraniu z infolinii wynik będzie taki sam. Część połączeń internetowych (SIP) i komórkowych uzgadnia użycie kodeków szerokopasmowych, czyli przesyła szerszy zakres dźwięku, dlatego to, co naprawdę dociera do rozpoznawania mowy, pokaże dopiero nagranie z Waszej linii. Najbardziej bezpośrednią definicję podaje OpenAI dla modelu gpt-realtime (przytacza ją dokumentacja Microsoftu): na liście obsługiwanych języków są te, w których błąd rozpoznawania słów jest niższy niż 50%. Polski na tej liście jest i warto wiedzieć, co dokładnie to znaczy.

Nie podajemy tu, jak długo bot może czekać z odpowiedzią, ani o ile hałas w tle (mierzony w decybelach) pogarsza rozpoznawanie. Takie liczby krążą po blogach bez opisanej metody pomiaru; wiarygodne jest tylko opóźnienie zmierzone na linii i nagraniach konkretnego klienta.

Trzy osobne moduły czy jeden model, który słucha i mówi

Sposób zbudowania bota to decyzja kosztowa, nie tylko techniczna. W pierwszym podejściu (tak zwanej kaskadzie) rozmowa przechodzi przez trzy osobne moduły: rozpoznawanie mowy, model językowy (silnik AI taki jak ten, na którym działa ChatGPT), który ustala odpowiedź, i moduł zamieniający tekst odpowiedzi na głos (czyli syntezę mowy). W drugim (model mowa-do-mowy) jeden model wykonuje wszystkie te zadania: słucha wypowiedzi i odpowiada głosem.

Domyślnie wybieramy trzy osobne moduły i robimy to z trzech powodów. Można wymienić sam polski moduł rozpoznawania mowy, jeśli na nagraniach klienta wypadnie gorzej niż w materiałach dostawcy, bez przebudowy reszty. Każda wypowiedź ma zapisaną transkrypcję, więc da się wykazać, co bot usłyszał i na jakiej podstawie odpowiedział. I każdy moduł można wycenić oraz zmierzyć osobno. Cena za to jest realna: więcej ruchomych części, więcej umów i więcej miejsc, w których coś się psuje. Model mowa-do-mowy jest prostszy w utrzymaniu, ale daje mniej do obejrzenia i nie pozwala wymienić samego modułu, który rozpoznaje polską mowę.

Polski nie jest po prostu „jednym z obsługiwanych języków”

Marketing narzędzi głosowych mówi o stu językach. Przy polskim warto sprawdzić szczegóły w dokumentacji, bo różnice są konkretne i weryfikowalne. Poniższa lista przyda się osobie, która będzie wybierać dostawców. W skrócie: dostawcy różnią się zakresem obsługi polskiego, więc osobno trzeba sprawdzić rozpoznawanie mowy, generowanie głosu i ustawienia języka:

  • Azure Voice Live — domyślna i rekomendowana przez Microsoft konfiguracja „automatic multilingual” obejmuje 15 wersji językowych i nie ma wśród nich polskiego; dokumentacja ostrzega, że dla języka spoza tej listy jakość transkrypcji jest niska, jeśli język nie zostanie ustawiony jawnie. Polski jest dostępny, ale przez pełną listę ustawień regionalnych Azure STT, nie przez ustawienie domyślne. To cicha pułapka konfiguracyjna, którą widać dopiero na nagraniach.
  • Azure Speech oferuje dla pl-PL dokładnie trzy standardowe głosy neuronowe: AgnieszkaNeural, MarekNeural i ZofiaNeural. Bez wariantów HD, bez głosów wielojęzycznych, bez stylów mówienia.
  • Google Cloud Text-to-Speech Chirp 3 ma wariant HD ogólnie dostępny dla pl-PL, ze strumieniowaniem, sterowaniem tempem i pauzami oraz własnym słownikiem wymowy — co ma bezpośrednie znaczenie dla nazw leków, ulic i nazwisk.
  • Deepgram wymienia polski dla modeli Nova-3 (ogólnego; wariant medyczny obsługuje tylko angielski), Nova-2, Enhanced i Base. Jego strona języków opisuje jednak wyłącznie rozpoznawanie mowy — obsługi polskiego w syntezatorze Aura nie ma tam udokumentowanej, więc sam Deepgram nie wystarczy do zbudowania polskiego bota z trzech modułów (kaskady).
  • Cartesia deklaruje polski osobną stroną języka, a ElevenLabs obejmuje go modelem Flash v2.5.

Do tego dochodzi praca, której angielskie demo nigdy nie pokaże, a którą trzeba wycenić: odmiana liczebników w wypowiadanym tekście, czytanie numeru NIP czy identyfikatora wizyty cyfra po cyfrze, literowanie nazwisk z ą, ę, ł, ś, ż i ź, słownik wymowy dla nazw produktów i ulic klienta oraz normalizacja tekstu (przygotowanie zapisu tak, żeby głos odczytał go poprawnie) po stronie modelu, zanim tekst trafi do syntezatora. To są godziny pracy, nie kliknięcia w panelu.

Pozycje, o których cennik milczy

Integracje z systemami źródłowymi. Cennik podaje kwotę za łącznik, ale nie mówi, ile pracy wymagają Wasze systemy. Bot nie może podać ceny, terminu, dostępności ani uprawnienia, którego nie odczytał na żywo z systemu, w którym ta informacja jest zapisana. To nie jest ostrożność na wyrost: w sprawie Moffatt v. Air Canada (2024 BCCRT 149) linia lotnicza odpowiadała za to, co jej chatbot powiedział pasażerowi — trybunał zasądził około 650 dolarów kanadyjskich samego odszkodowania. Każdy system, z którego bot ma czytać, to osobna integracja do wyceny. Liczba pól wpływa na pracę wewnątrz jednej integracji (dopasowanie pól między systemami), a nie na liczbę integracji.

Zgodność. Obowiązki informacyjne wobec dzwoniącego i wymagania wokół nagrań to nie jednorazowy dokument, tylko element projektu. Opisaliśmy je osobno — po stronie regulacji w tekście o zgodności z AI Act, a po stronie danych osobowych na stronie o bezpieczeństwie i RODO. Do wyceny wchodzą tu zwykle treść komunikatu otwierającego, decyzja o nagrywaniu albo wyłącznie o transkrypcji, to, jak długo przechowuje się nagrania i transkrypcje, oraz porządek w umowach z podwykonawcami. Rozwiązanie głosowe ma ich zwykle trzech lub czterech tam, gdzie kanał tekstowy ma jednego.

Telefonia. Własny polski numer to projekt papierkowy, nie techniczny. Na pilotaż zwykle odradzamy jego zamawianie i kierujemy łącze SIP na numer, który klient już ma — to skraca uruchomienie o tygodnie i pozwala uniknąć formalności związanych z własnym numerem. Opłaty za samo łącze i za minuty połączeń zostają.

Utrzymanie słownika wymowy i zasad przekazywania rozmów człowiekowi. Pozycja stała, a nie margines błędu.

Kiedy odpowiedź brzmi „nie kupuj”

Jeżeli potrzebujecie wyłącznie automatycznej sekretarki, która odbierze telefon poza godzinami pracy, powie kilka zdań ze scenariusza i wyśle nagranie na maila — kupcie abonament u dostawcy. Uruchomienie trwa dni, cenniki są publikowane, a nikt taki jak my nie jest do tego potrzebny. To ta sama zasada, którą trzymamy na liście czego nie robimy: nie buduj tego, co możesz kupić w abonamencie.

Kuszące jest porównanie rachunku z kosztem etatu. Mediana wynagrodzenia recepcjonistki w Polsce to 5 660 zł brutto miesięcznie według wynagrodzenia.pl i jest to jedyna liczba, którą podajemy — całkowitego kosztu pracodawcy nie przeliczamy mnożnikiem znalezionym w sieci, bo krążące mnożniki nie zgadzają się nawet z własną arytmetyką. Ważniejsze jest jednak to, że takie porównanie zestawia dwie różne prace: bot bierze sprawy powtarzalne, a człowiekowi zostaje reszta, więc realistycznym efektem jest mniej przerywanej pracy, a nie mniej etatów.

Nie mamy dotąd wdrożonego voicebota, więc nie mamy własnych liczb o wynikach — i nie zamierzamy pożyczać cudzych. Deklaracje skuteczności z materiałów dostawców istnieją, ale nie mają opisanej metody i nie nadają się na prognozę dla Waszego projektu.

Jak policzyć to u siebie

  1. Wyciągnijcie z centrali raport za trzy miesiące: połączenia przychodzące, nieodebrane, rozkład godzinowy.
  2. Przejrzyjcie sto ostatnich nieodebranych i podzielcie je na sprawy powtarzalne oraz nietypowe. Tylko te pierwsze są w zakresie.
  3. Poproście każdego dostawcę o cztery liczby na piśmie: abonament, liczbę minut w pakiecie, stawkę za nadwyżkę i opłatę wdrożeniową. Osobno — wycenę integracji wraz z listą systemów.
  4. Zsumujcie dwanaście miesięcy w dwóch wariantach: ruch mieszczący się w pakiecie i ruch o połowę większy.
  5. Dopiero teraz zestawcie wynik z liczbą z punktu pierwszego. Jeżeli druga strona równania jest mała, projekt nie ma sensu — i to dobra wiadomość, bo kosztowała jedno popołudnie.

Jeżeli chcecie sprawdzić, które połączenia w ogóle nadają się do oddania automatowi, a których odbierać mu nie wolno, opisaliśmy to na stronie o voicebotach dla firm. Składniki kosztu wspólne dla wszystkich naszych projektów rozpisaliśmy natomiast w tekście o tym, ile kosztuje wdrożenie AI.

Źródła i stan na 9 października 2026 roku

Najczęstsze pytania

Ile kosztuje voicebot?

Publikowane polskie cenniki zaczynają się od kilkuset złotych netto miesięcznie i sięgają około dwóch tysięcy, ale sama kwota miesięczna nie wystarcza do porównania ofert. Do rachunku wchodzą jeszcze minuty ponad pakiet, jednorazowa opłata wdrożeniowa i integracje z systemami, z których bot ma czytać dane. Dwa cenniki odczytane 9 października 2026 dają po zsumowaniu dwunastu miesięcy przy 500 minutach miesięcznie 14 870 zł i 5 988 zł netto — większą część tej różnicy tworzy abonament (około 5 900 zł), a opłata wdrożeniowa dokłada około 3 000 zł. Obie sumy obejmują wyłącznie pozycje z opublikowanych cenników; integracje wykraczające poza zakres pakietu i utrzymanie dochodzą do tych kwot.

Czym jest stawka za nadwyżkę i dlaczego trzeba o nią pytać na piśmie?

To cena za każdą minutę rozmowy ponad pakiet zawarty w abonamencie. W porównywanych cennikach mieści się między 0,73 a 1,09 zł netto za minutę — rozrzut mniej więcej półtorakrotny. Przy pakiecie 500 minut i realnym ruchu 800 minut miesięcznie ta jedna stawka przesuwa roczny rachunek o ponad tysiąc złotych. To pozycja, której nie widać w kwocie miesięcznej z cennika, dlatego o stawkę za nadwyżkę trzeba pytać na piśmie, zanim porówna się oferty.

Czy voicebot wyjdzie taniej niż zatrudnienie osoby do odbierania telefonów?

To porównanie zwykle wprowadza w błąd, bo bot i człowiek wykonują różne zadania. Mediana wynagrodzenia recepcjonistki w Polsce wynosi 5 660 zł brutto miesięcznie według wynagrodzenia.pl i jest to jedyna liczba, którą podajemy — całkowitego kosztu pracodawcy nie przeliczamy mnożnikiem znalezionym w sieci. Ważniejsze jest jednak to, że bot obsługuje sprawy powtarzalne, a człowiekowi zostaje reszta, więc realistycznym efektem jest mniej przerywanej pracy, a nie mniej etatów.

Ile kosztuje samo wdrożenie i integracje?

Opłata wdrożeniowa w publikowanych cennikach wynosi od zera do kilku tysięcy złotych netto i obejmuje uruchomienie platformy ze scenariuszem rozmowy. Część dostawców wlicza w pakiet połączenie z kalendarzem albo jednym gotowym systemem i ma w cenniku płatną integrację z systemem, dla którego nie ma gotowego połączenia (np. od 4 900 zł plus 250 zł miesięcznie). To, czy Wasz przypadek mieści się w tej kwocie, rozstrzyga jednak stan API (interfejsu, przez który inne programy łączą się z systemem i jego danymi) i dostępów po Waszej stronie, ponieważ bot może stwierdzić tylko to, co odczyta na żywo z systemu źródłowego, czyli z systemu, który jest właściwym źródłem tej informacji. Własnych widełek za tę część nie publikujemy, dopóki nie zobaczymy raportu z centrali i listy systemów.

Kiedy nie warto kupować voicebota?

Wtedy, gdy liczba połączeń, które dziś przepadają, jest mała, albo gdy dotyczą one spraw nietypowych, które bot i tak musiałby oddać człowiekowi. I wtedy, gdy potrzebujecie wyłącznie automatycznej sekretarki poza godzinami pracy — na to wystarczy abonament u dostawcy i nikt taki jak my nie jest potrzebny. Rozsądna kolejność to najpierw raport z własnej centrali, potem porównanie czterech pozycji na rachunku, a dopiero na końcu rozmowa o wdrożeniu.