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 żyją 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 porównasz oferty, wyciągnij z własnej centrali raport za ostatnie trzy miesiące i odpowiedz na cztery pytania: ile połączeń przychodzących odbieracie dziennie, ile z nich dzwoni 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 ogromna — od zera do kilkunastu tysięcy złotych netto.
Integracje. Podłączenie bota do kalendarza, systemu zamówień, CRM-a czy grafiku wizyt. Wycenia się je osobno, bo zależą od stanu danych po Waszej stronie, a nie od cennika dostawcy.
Piąta pozycja nie pojawia się w cennikach, bo nie jest produktem: utrzymanie. Scenariusze rozmów, słownik wymowy i progi eskalacji 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
Poniższe kwoty odczytaliśmy ze stron dostawców 31 sierpnia 2026. Podajemy je z datą, bo cenniki się zmieniają, a liczba bez daty jest bezużyteczna.
odbierze.ai — plan LITE: 4 990 zł opłaty wdrożeniowej i 1 190 zł miesięcznie, 500 minut w pakiecie, nadwyżka 1,49 zł za minutę. Plan GROWTH: od 9 990 zł wdrożenia i 2 490 zł miesięcznie, 1 500 minut, nadwyżka 1,19 zł za minutę. Plan ENTERPRISE wyceniany indywidualnie. Wszystkie kwoty netto, VAT 23% doliczany.
Smart Asystenci — z artykułu cenowego opublikowanego 13 czerwca 2026: 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 LITE: 4 990 + 12 × 1 190 = 19 270 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 LITE: 19 270 + 12 × 300 × 1,49 = 24 634 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 i utrzymanie wycenia się osobno i 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 zsumujesz czterech pozycji na dwunastu miesiącach, przy dwóch scenariuszach liczby minut, porównujesz kwoty miesięczne opisujące różne rzeczy.
Zwróćcie uwagę na rozrzut samej stawki za nadwyżkę: od 0,73 do 1,49 zł netto za minutę, czyli mniej więcej dwukrotny. Przy trzystu minutach ponad pakiet miesięcznie ta jedna liczba przesuwa roczny rachunek o ponad dwa i pół tysiąca złotych — 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 (Michał Junczyk, Uniwersytet im. Adama Mickiewicza; zbiór BIGOS, NeurIPS 2024) przebadał 25 systemów rozpoznawania mowy na ponad czterech tysiącach nagrań. Mediana błędu rozpoznawania słów 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 modelu Scribe v2 Realtime, definiowanym jako błąd nie większy niż 5% — dotyczy to jednak czystego nagrania szerokopasmowego, a nie łącza telefonicznego. Klasyczne łącze jest wąskopasmowe — próbkowanie 8 kHz zamiast szerokopasmowego — więc wynik podawany przez dostawcę opisuje najlepszy przypadek, a nie prognozę dla Waszej infolinii. Część połączeń SIP i komórkowych negocjuje kodeki szerokopasmowe, więc to, co naprawdę dociera do rozpoznawania mowy, rozstrzyga dopiero nagranie z Waszej linii. Najuczciwszą definicję opublikował OpenAI: lista języków obsługiwanych przez model gpt-realtime to języki, w których błąd rozpoznawania jest niższy niż 50%. Polski na tej liście jest i warto wiedzieć, co dokładnie to znaczy.
Nie podajemy tutaj budżetów opóźnień ani spadków skuteczności w decybelach. Liczby tego rodzaju krążą po blogach bez opisanej metody pomiaru, a jedyne wiarygodne opóźnienie to zmierzone na łączu konkretnego klienta i na jego nagraniach.
Kaskada czy model mowa-do-mowy
Architektura jest decyzją kosztową, nie tylko techniczną. W kaskadzie rozmowa przechodzi przez trzy osobne komponenty: rozpoznanie mowy, model językowy i syntezę mowy. W podejściu mowa-do-mowy jeden model robi to wszystko naraz.
Domyślnie wybieramy kaskadę 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 komponent 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 polskiej połowy układanki.
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:
- 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 i medycznego), Nova-2, Enhanced i Base, strumieniowo i wsadowo. Jego strona języków opisuje jednak wyłącznie rozpoznawanie mowy — obsługi polskiego w syntezatorze Aura nie ma tam udokumentowanej, więc sam Deepgram nie tworzy kompletnej polskiej 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 po stronie modelu, zanim trafi do syntezatora. To są godziny pracy, nie kliknięcia w panelu.
Pozycje, o których cennik milczy
Integracje z systemami źródłowymi. Bot nie może podać ceny, terminu, dostępności ani uprawnienia, którego nie odczytał na żywo z systemu, gdzie ta informacja żyje. 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 650,88 dolara kanadyjskiego samego odszkodowania. Każdy system, z którego bot ma czytać, to osobna integracja do wyceny; liczba pól decyduje o pracy nad mapowaniem wewnątrz jednej integracji, a nie o liczbie 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, retencja 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 progów eskalacji. Pozycja stała, a nie margines błędu.
Kiedy uczciwa 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
- Wyciągnijcie z centrali raport za trzy miesiące: połączenia przychodzące, nieodebrane, rozkład godzinowy.
- Przejrzyjcie sto ostatnich nieodebranych i podzielcie je na sprawy powtarzalne oraz nietypowe. Tylko te pierwsze są w zakresie.
- 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.
- Zsumujcie dwanaście miesięcy w dwóch wariantach: ruch mieszczący się w pakiecie i ruch o połowę większy.
- 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.