Voicebot dla firmy — które połączenia może odbierać, a których nie

Czego voicebot nie załatwi — i dlaczego zaczynamy od tego

Zacznijmy od zdania, które kosztuje nas zlecenia: jeżeli potrzebujesz tylko automatycznej sekretarki, która odbierze telefon poza godzinami pracy, powie kilka zdań ze scenariusza i wyśle nagranie na maila — kup abonament. Część polskich dostawców publikuje cenniki, uruchomienie trwa dni, a my nie jesteśmy do tego potrzebni. To ta sama zasada, którą trzymamy na liście czego nie robimy: nie buduj tego, co możesz kupić w abonamencie.

Projekt zaczyna się przy drugim pytaniu — kiedy bot ma powiedzieć coś, czego nie ma w scenariuszu. Termin wizyty. Status zamówienia. To, czy klientowi przysługuje zwrot. Każda taka odpowiedź musi być odczytana na żywo z systemu, który ją zna, a nie wygenerowana przez AI. To jest praca integracyjna i to jest to, co sprzedajemy: dobór dostawcy pod język polski, połączenie z systemami, z których bot bierze dane, granice tego, co bot może powiedzieć, oraz wymagane przepisami informowanie rozmówcy i nadzór.

Drugie ograniczenie jest techniczne i dotyczy samego rozpoznawania mowy. Niezależne, recenzowane naukowo badanie porównawcze polskich systemów rozpoznawania mowy z 2024 roku (Polish ASR Leaderboard / BIGOS, 25 systemów, ponad 4 000 nagrań) podaje medianę wskaźnika błędów słów (WER, czyli odsetka słów zamienionych, pominiętych lub dopisanych): 14,52% dla mowy czytanej i 32,42% dla swobodnej mowy, czyli takiej, jaką słyszy się w telefonie. Badanie nie obejmuje najnowszych modeli, a jego wyniki nie pozwalają przewidzieć jakości obecnych usług ani działania systemu na Twojej infolinii. Dostawcy mierzą swoje wyniki na nagraniach szerokopasmowych. Klasyczna linia wąskopasmowa przenosi węższy zakres dźwięku (próbkowanie 8 kHz), co przesuwa te wyniki w jedną stronę: w gorszą. Nie każde połączenie jest jednak takie: część połączeń internetowych (SIP) i komórkowych przenosi dźwięk szerokopasmowy, więc to, co faktycznie trafia do rozpoznawania mowy, zależy od konkretnego połączenia. Dlatego wybrane rozwiązanie testujemy na nagraniach z Twojej linii. Oprócz błędów w zapisie słów sprawdzamy, czy poprawnie rozpoznaje informacje potrzebne do obsługi sprawy, takie jak numer zamówienia, kwota czy termin wizyty, ile czasu zajmują poprawki i kiedy musi włączyć się człowiek. Kryteria akceptacji ustalamy przed pilotażem. Od wyników tego testu zależy, kiedy bot prosi o potwierdzenie tego, co usłyszał, kiedy przełącza rozmowę do człowieka i co w ogóle może stwierdzić.

Ta sama ostrożność dotyczy deklaracji o wsparciu języka. OpenAI uznaje język za obsługiwany przez swój model głosowy (gpt-realtime), gdy wskaźnik błędów słów w teście jest niższy niż 50%. Polski jest na tej liście — i tę definicję warto przeczytać dwa razy, zanim uzna się „obsługujemy polski” za odpowiedź na pytanie o jakość.

Co konkretnie robimy

Zaczynamy od zastosowań, w których skutki pomyłki rozpoznania mowy są najmniejsze, a człowiek może sprawdzić wynik i poprawić błąd przed dalszym działaniem. Do kolejnego punktu przechodzimy dopiero wtedy, gdy poprzedni sprawdził się na prawdziwych rozmowach:

• Notatki z rozmów do CRM. Nikt nie rozmawia z botem — rozmowę prowadzi człowiek, a system ją transkrybuje i przepisuje ustalenia do pól systemowych. Handlowiec sprawdza i zatwierdza treść przed zapisaniem jej w CRM. W pilotażu mierzymy także liczbę błędów i czas potrzebny na poprawki.
• Rozpoznawanie sprawy i przełączanie połączeń. Bot ustala, czego dotyczy sprawa, i przełącza do właściwej osoby lub kolejki. Nie odpowiada na pytanie — odpowiada człowiek, tylko szybciej i bez trzech przełączeń. Kosztem pomyłki jest jedno dodatkowe przekierowanie.
• Odczyt aktualnego statusu z Twojego systemu. „Gdzie jest moja przesyłka”, „czy faktura została opłacona” — odpowiedzią jest fakt z bazy danych, nie zdanie wygenerowane przez AI. Bot odczytuje wartość i ją powtarza; jeżeli nie ma pewności, że dobrze usłyszał numer, prosi o potwierdzenie albo przełącza.
• Umawianie, potwierdzanie i odwoływanie wizyt. Pierwszy krok, w którym bot zapisuje coś do systemu, a nie tylko czyta — więc pierwszy, który potrzebuje ścieżki wycofania: kto i jak cofa wpis, gdy okaże się błędny, i skąd klient dowiaduje się o zmianie.
• Odbieranie połączeń poza godzinami i na zajętej linii. Pełna nienadzorowana rozmowa i dlatego ostatni punkt tej listy, nie pierwszy. Włączamy go na typach spraw, w których poprzednie kroki pokazały, że bot rozumie dzwoniących — z jasnym oznaczeniem automatu. Gdy konsultant jest dostępny, rozmówca może poprosić o połączenie. Gdy wszyscy konsultanci są zajęci lub połączenie przychodzi poza godzinami obsługi, uzgadniamy, jak sprawa trafi do człowieka, na przykład przez przyjęcie wiadomości lub prośbę o oddzwonienie. Bot jasno mówi, co stanie się dalej.

Przez całą tę listę obowiązuje jedna zasada: bot nie podaje ceny, terminu, dostępności ani uprawnienia, którego nie odczytał na żywo z systemu, który je zna. To nie jest ostrożność teoretyczna. W sprawie Moffatt v. Air Canada (2024 BCCRT 149) trybunał uznał przewoźnika za odpowiedzialnego za to, co powiedział jego chatbot, i zasądził 650,88 dolara kanadyjskiego odszkodowania. Kwota jest symboliczna; zasada nie.

Jeżeli te same sprawy przychodzą również mailem, czatem i przez formularz — a zwykle przychodzą — kanał głosowy jest jednym z kilku wejść do tego samego procesu. Całość opisujemy przy automatyzacji obsługi klienta, i tam też jest argument za tym, żeby zacząć od zaplecza, a nie od rozmowy z klientem. Kiedy zamiast odczytywać stan bot ma wykonywać działania w kilku systemach, zaczyna się praca dla agenta AI — ta strona nie powtarza tego porównania.

Czego nie obiecujemy

• Voicebota dzwoniącego na zimno. Art. 398 Prawa komunikacji elektronicznej zakazuje używania automatycznych systemów wywołujących do przesyłania informacji handlowej bez uprzedniej zgody — również wobec firm — i nie wolno zadzwonić po to, żeby tę zgodę uzyskać. Prezes UKE może nałożyć karę do 3% przychodu z poprzedniego roku albo do 1 000 000 zł, w zależności od tego, która kwota jest wyższa, a ryzyko zostaje po stronie dzwoniącego. Czy połączenia czysto obsługowe mieszczą się poza tym zakazem, rozstrzyga prawnik klienta — my tego nie rozstrzygamy.
• Voicebota udającego człowieka. Bot mówi, że jest automatem, w pierwszych sekundach rozmowy, i przez całą rozmowę da się przejść do człowieka. Nie budujemy scenariuszy, których celem jest, żeby dzwoniący tego nie zauważył.
• Voicebota oceniającego kandydatów w rekrutacji. Wnioskowanie o emocjach w miejscu pracy jest zakazane przez art. 5 ust. 1 lit. f AI Act od 2 lutego 2025 roku. Zakaz obejmuje rekrutację i okres próbny, wiąże także podmiot stosujący system, a zgoda kandydata go nie uchyla.
• Voicebota na numerach alarmowych. Ocena i klasyfikacja zgłoszeń alarmowych oraz ustalanie priorytetu wysyłki służb to zastosowanie wysokiego ryzyka z załącznika III AI Act. Obowiązki dla tej kategorii przesunięto na 2 grudnia 2027 roku — przesunięto, nie zniesiono, a my nie mamy w tym obszarze doświadczenia, którego wymagałby taki projekt.
• Voicebota windykacyjnego jako pierwszego projektu. Mówimy to wprost, na gruncie reputacyjnym, a nie prawnym: nie znaleźliśmy przepisu, który zakazywałby automatycznego dzwonienia w sprawach windykacyjnych, i nie będziemy udawać, że taki przepis istnieje. Nie chcemy jednak, żeby pierwszym miejscem, w którym firma testuje automat rozmawiający z ludźmi pod presją, była windykacja. Komplet warunków, przy których odradzamy projekt, zebraliśmy na stronie czego nie robimy.

Nie budujemy też własnego silnika mowy ani nie sprzedajemy abonamentu na bota. Silnik się kupuje; my odpowiadamy za to, do czego jest podłączony i co wolno mu powiedzieć. Publikowane przez dostawców wyniki wdrożeń traktujemy jak materiały marketingowe bez opisanej metodyki — nie powtarzamy ich jako prognozy dla klienta.

Nagrania rozmów to dane osobowe

Nagranie rozmowy i jej transkrypcja to co do zasady zwykłe dane osobowe. Podstawa prawna, okres przechowywania i treść informacji dla dzwoniącego są do rozstrzygnięcia przed uruchomieniem, nie po pierwszym miesiącu. O kategorii przesądza treść rozmowy, a nie sama technologia. Jedna z granic, na których ta kategoria się zmienia, leży po stronie technologii: wyodrębnienie odcisku głosowego po to, by rozpoznać albo zweryfikować rozmówcę, to dane biometryczne szczególnej kategorii z art. 9 RODO, wymagające osobnej przesłanki. Domyślnie budujemy po bezpieczniejszej stronie tej granicy — transkrypcja bez profilu głosowego — i mówimy wprost, kiedy klient prosi o coś, co ją przekracza.

Druga różnica wobec kanału tekstowego jest w łańcuchu dostawców. Integracja głosowa dokłada zwykle trzech lub czterech zewnętrznych przetwarzających — operatora, rozpoznawanie mowy, model językowy, syntezę mowy, czasem osobne miejsce przechowywania nagrań — tam, gdzie integracja tekstowa ma jednego. Każdy z nich jest kolejnym podmiotem, który przetwarza dane w Twoim imieniu (art. 28 RODO). Z jednymi umowę zawierasz sam. Innych dostawców (tzw. dalsze podmioty przetwarzające) można zaangażować tylko za Twoją zgodą, a umowa nakłada na nich równoważne obowiązki. Przy każdym trzeba też osobno sprawdzić, czy dochodzi do przekazania danych poza Europejski Obszar Gospodarczy (EOG). Rolę każdego z nich ustala się osobno, dla konkretnej operacji. Podział ról, sposób ich ustalania i pytania, które zadajemy każdemu dostawcy, opisaliśmy na stronie bezpieczeństwo i RODO — tutaj dokładamy tylko część głosową.

Informowanie rozmówcy, że rozmawia z AI — czego wymaga przepis, a co robimy zawsze

Art. 50 ust. 1 AI Act wymaga, żeby osoba wchodząca w interakcję z systemem AI została o tym poinformowana w sposób jasny i najpóźniej przy pierwszej interakcji — chyba że jest to oczywiste z okoliczności i z kontekstu użycia. Na infolinii na to odstępstwo nie liczymy: dzwoniący nie ma skąd wiedzieć, kto odbierze, więc informujemy zawsze. To nasza własna zasada, ostrzejsza niż minimum z przepisu. Przepis stosuje się od 2 sierpnia 2026 roku i dotyczy przede wszystkim tego, jak system jest zbudowany: bot ma być zaprojektowany tak, żeby informował rozmówcę, że rozmawia z systemem AI. O tym, czy komunikat rzeczywiście dociera do dzwoniącego, decyduje jednak konfiguracja po stronie firmy — scenariusz, powitanie i to, co słyszy dzwoniący, zanim połączy się z botem. Tę informację umieszczamy w scenariuszu i w dokumentacji. Pytanie, jak przepis rozkłada obowiązki między dostawcę a podmiot stosujący (każdego, kto korzysta z systemu AI pod swoją kontrolą, np. firmę lub instytucję, z wyjątkiem użytku osobistego niezwiązanego z działalnością zawodową) w konkretnej konfiguracji, stawiamy na początku projektu i kierujemy do prawnika klienta, a nie rozstrzygamy sami.

Art. 50 ust. 2 dokłada drugi obowiązek: dźwięk wygenerowany przez AI ma być oznaczony w sposób odczytywalny maszynowo, czyli tak, żeby programy mogły rozpoznać, że wygenerowała go AI, „o ile jest to technicznie wykonalne”. Okres przejściowy — do 2 grudnia 2026 roku — dotyczy systemów wprowadzonych do obrotu przed 2 sierpnia 2026 roku, więc to, po której stronie tej daty stoi konkretne wdrożenie, zależy od użytego silnika i jego dostawcy, a nie od dnia, w którym powstaje integracja. Sam obowiązek oznaczania adresowany jest przy tym do dostawcy systemu. Do sprawdzenia są więc dwie rzeczy: co deklaruje dostawca silnika i czy tę deklarację da się zweryfikować. Nie twierdzimy, że jakiekolwiek oznaczenie pozostanie czytelne po kompresji dźwięku w sieci telefonicznej. Dostarczamy udokumentowaną ocenę, czy oznaczenie odczytywalne maszynowo jest wykonalne, oraz rejestr tego, co i kiedy system wygenerował. Szerszy zakres przygotowania — rejestr systemów, komunikaty i oznaczanie w zakresie, który prawnik przypisze do roli Twojej firmy, dokumentacja i udokumentowany warsztat dla zespołu — opisujemy przy technicznym sprincie zgodności z AI Act.

Do tego dochodzi numer, z którego bot dzwoni albo pod którym odbiera. Ustawa z 28 lipca 2023 r. o zwalczaniu nadużyć w komunikacji elektronicznej wymienia podszywanie się pod cudzy numer jako nadużycie, a od 24 września 2024 roku operatorzy mają obowiązek blokowania takich połączeń. Numer jest więc elementem zgodności, nie szczegółem konfiguracyjnym: numer, który podszywa się pod cudzy, albo taki, którego sieć nie potrafi połączyć, po prostu przestaje działać. Osobno warto wiedzieć, że uzyskanie polskiego numeru lokalnego to przede wszystkim formalności — adres rejestrowy musi odpowiadać strefie numeracyjnej, a operatorzy wymagają dokumentów tożsamości i firmowych. Na pilotaż zwykle lepiej skierować ruch na numer, który klient już ma.

Po stronie polskiej obowiązuje ustawa z 3 lipca 2026 r. o systemach sztucznej inteligencji (Dz.U. 2026 poz. 1003), która powołuje KRiBSI, czyli nową komisję nadzorującą AI w Polsce: kolegialny organ obsługiwany przez Ministerstwo Cyfryzacji, złożony z przedstawicieli Prezesów UOKiK, KNF, KRRiT i UKE. Organ istnieje w przepisach i dopiero się organizuje, więc nie twierdzimy, że ktokolwiek już dziś egzekwuje te obowiązki. Twierdzimy, że data wejścia obowiązku informacyjnego jest znana i że projekt uruchamiany po niej musi go spełniać od pierwszego dnia. Jak według ustawy przebiega kontrola KRiBSI i co warto mieć przygotowane, opisaliśmy w tekście o ustawie o systemach AI i kontroli KRiBSI.

Jak pracujemy

Zaczynamy od raportu z centrali telefonicznej klienta: ile połączeń przychodzi, o jakich porach, ile nie zostaje odebranych i o co pytają dzwoniący. Nie podajemy branżowego wskaźnika nieodebranych połączeń, bo żaden, który znaleźliśmy, nie pochodzi z innego źródła niż materiały dostawców — a własny raport wyciąga się w jedno popołudnie i jest prawdziwy. Ta sama zasada dotyczy jakości: nagrania z linii klienta są jedynym sprawdzianem, na podstawie którego wybieramy dostawcę rozpoznawania mowy.

Dostawców wybieramy na podstawie tego, jak dobrze obsługują język polski, a nie na podstawie długości listy języków w materiałach. Przykład, który sprawdzamy zawsze: w usłudze głosowej Microsoftu (Azure Voice Live) domyślne, rekomendowane przez Microsoft automatyczne rozpoznawanie języka („automatic multilingual”) obejmuje piętnaście wersji językowych i nie ma wśród nich polskiego. Polski jest dostępny, ale trzeba go wskazać w konfiguracji, a Microsoft ostrzega, że bez tego transkrypcja jest gorsza. Podobnie z głosem bota: Azure ma dokładnie trzy gotowe, natywne standardowe głosy neuronowe dla polskiego (pl-PL), bez głosu HD i bez wyboru stylu mówienia. Google Chirp 3 HD jest dla polskiego ogólnie dostępny i pozwala ustawić własną wymowę, co ma bezpośrednie znaczenie dla nazw produktów, ulic i nazwisk.

Dalej jest to samo, co w każdym naszym projekcie: jeden typ sprawy, pilotaż o możliwie najwęższym zakresie, a decyzja o poszerzeniu zakresu zapada na podstawie jego wyników. Pełny przebieg opisuje metodyka wdrożenia, cały zakres usługi — od audytu procesów po utrzymanie — strona wdrożenie AI w firmie, a warunki, które musi spełnić proces nadający się do automatyzacji, opisaliśmy przy automatyzacji AI.

Ile to kosztuje

Po stronie bota koszt ma cztery pozycje, które dostawcy podają osobno i które trzeba zsumować, żeby porównanie miało sens: abonament za platformę, pakiet minut wraz ze stawką za minuty ponad pakiet, jednorazowa opłata wdrożeniowa i połączenie z systemami, z których bot bierze dane. Piąta pozycja to utrzymanie — scenariusze, słownik wymowy i zasady przełączania rozmowy do człowieka zmieniają się razem z ofertą. Stawka za minuty ponad pakiet bywa największą niespodzianką, bo w publikowanych cennikach potrafi się różnić między dostawcami mniej więcej dwukrotnie.

O tym, czy projekt ma sens, decyduje jednak liczba po drugiej stronie: ile połączeń dziś nie zostaje odebranych i ile z nich dotyczy spraw, które bot mógłby obsłużyć bez zgadywania. Jeżeli ta liczba jest mała, uczciwa odpowiedź brzmi „nie kupuj” — i mówimy ją. Cały rachunek rozpisaliśmy pozycja po pozycji, z dwoma opublikowanymi cennikami zsumowanymi na dwunastu miesiącach, w tekście o tym, ile kosztuje voicebot. Składniki kosztu wspólne dla wszystkich naszych projektów opisaliśmy natomiast przy okazji tego, ile kosztuje wdrożenie AI.

Nie mamy dotąd wdrożonego voicebota, więc nie mamy własnych liczb o wynikach — i nie zamierzamy pożyczać cudzych. To, co możemy pokazać przed projektem, to sposób pracy i lista rzeczy, których nie zrobimy.

Najczęstsze pytania

Czym voicebot różni się od chatbota?

Kanałem i marginesem błędu. Chatbot dostaje dokładnie ten tekst, który wpisał klient. Voicebot musi najpierw zamienić mowę na tekst, a na tym etapie część słów się gubi. Niezależne, recenzowane naukowo badanie porównawcze polskich systemów rozpoznawania mowy z 2024 roku (Polish ASR Leaderboard / BIGOS, 25 systemów) podaje medianę wskaźnika błędów słów (WER, czyli odsetka słów zamienionych, pominiętych lub dopisanych względem poprawnego zapisu): 14,52% dla mowy czytanej i 32,42% dla swobodnej mowy. Badanie nie obejmuje najnowszych modeli i nie pozwala przewidzieć jakości dzisiejszych usług, ale pokazuje, dlaczego voicebot musi dopytywać i potwierdzać, zamiast zakładać, że dobrze usłyszał. Do tego dochodzi sama linia telefoniczna. Klasyczna linia wąskopasmowa przenosi węższy zakres dźwięku (próbkowanie 8 kHz) niż nagrania szerokopasmowe, na których dostawcy mierzą swoje wyniki. Część połączeń internetowych (SIP) i komórkowych przenosi dźwięk szerokopasmowy, dlatego rozstrzygają nagrania z konkretnej linii.

Ile kosztuje voicebot?

Cena składa się z czterech pozycji, które dostawcy podają osobno: abonamentu za platformę, pakietu minut wraz ze stawką za minuty ponad pakiet, jednorazowej opłaty wdrożeniowej i połączenia z Twoimi systemami (np. kalendarzem, systemem zamówień, CRM), które przechowują aktualne dane. Piąta pozycja to utrzymanie — scenariusze i słownik wymowy zmieniają się razem z ofertą. Część polskich dostawców publikuje cenniki, więc porównanie jest możliwe, ale ma sens dopiero po zsumowaniu wszystkich pozycji na dwanaście miesięcy, razem z minutami ponad pakiet. O tym, czy w ogóle warto, decyduje jednak inna liczba: ile połączeń dziś nie zostaje odebranych. Tę liczbę wyciąga się z własnej centrali w jedno popołudnie.

Czy klienci muszą wiedzieć, że rozmawiają z automatem?

Tak — u nas zawsze. Art. 50 ust. 1 AI Act wymaga, żeby osoba wchodząca w interakcję z systemem AI została o tym poinformowana w sposób jasny i najpóźniej przy pierwszej interakcji, chyba że jest to oczywiste z okoliczności i z kontekstu użycia; przepis stosuje się od 2 sierpnia 2026 roku. Na infolinii na to odstępstwo nie liczymy — dzwoniący nie ma skąd wiedzieć, kto odbierze — więc informujemy zawsze i traktujemy to jako własną zasadę, ostrzejszą niż minimum z przepisu. W praktyce jest to zdanie w pierwszych sekundach rozmowy, a nie zapis w regulaminie. Przepis dotyczy przede wszystkim tego, jak system jest zbudowany: bot ma potrafić poinformować rozmówcę, że rozmawia z systemem AI. O tym natomiast, czy komunikat rzeczywiście dociera do dzwoniącego, decyduje konfiguracja po stronie firmy: scenariusz, powitanie i to, co dzwoniący słyszy, zanim połączy się z botem. Tę informację umieszczamy w scenariuszu i w dokumentacji. Jak przepis rozkłada obowiązki między dostawcę a podmiot stosujący (każdego, kto korzysta z systemu AI pod swoją kontrolą, np. firmę lub instytucję, z wyjątkiem użytku osobistego niezwiązanego z działalnością zawodową) w konkretnej konfiguracji, rozstrzyga prawnik klienta.

Co z nagrywaniem rozmów i RODO?

Nagranie i transkrypcja to co do zasady zwykłe dane osobowe — z podstawą prawną, okresem przechowywania i informacją dla dzwoniącego do rozstrzygnięcia przed uruchomieniem, nie po. O kategorii przesądza jednak treść rozmowy, a nie sama technologia. Jedna z granic, na których ta kategoria się zmienia, leży po stronie technologii: wyodrębnienie odcisku głosowego po to, by rozpoznać lub zweryfikować rozmówcę, to dane biometryczne szczególnej kategorii z art. 9 RODO, wymagające osobnej przesłanki — a to, która przesłanka wchodzi w grę, rozstrzyga prawnik klienta. Domyślnie budujemy po bezpieczniejszej stronie tej granicy — transkrypcja bez profilu głosowego. Osobno trzeba policzyć zewnętrznych dostawców, którzy przetwarzają dane na Twoje zlecenie: przy integracji głosowej zwykle trzech lub czterech, przy tekstowej jednego.

Czy zbudujecie voicebota, który dzwoni do klientów?

Nie do list, które nie wyraziły zgody. Art. 398 Prawa komunikacji elektronicznej zakazuje używania automatycznych systemów wywołujących do przesyłania informacji handlowej bez uprzedniej zgody — również w relacjach B2B — i nie wolno zadzwonić po to, żeby tę zgodę uzyskać. Sankcję nakłada Prezes UKE: do 3% przychodu z poprzedniego roku albo do 1 000 000 zł, w zależności od tego, która kwota jest wyższa. Ryzyko zostaje po stronie dzwoniącego, czyli po stronie klienta. Czy połączenia czysto obsługowe — przypomnienie o wizycie, potwierdzenie zamówienia — mieszczą się poza tym zakazem, to pytanie do prawnika klienta, nie do nas.