Działającego voicebota kupuje się w abonamencie i nie trzeba do tego nikogo zatrudniać. Projekt zaczyna się dopiero tam, gdzie bot ma być podłączony do systemów, w których żyją prawdziwe dane — i gdzie ktoś musi rozstrzygnąć, których połączeń nie wolno mu odebrać.
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 model. To jest praca integracyjna i to jest to, co sprzedajemy: dobór dostawcy pod język polski, połączenie z systemami źródłowymi, granice tego, co bot może powiedzieć, oraz wymagane przepisami ujawnienie i nadzór.
Drugie ograniczenie jest techniczne i nie znika przy żadnym dostawcy. Jedyny niezależny, recenzowany naukowo benchmark polskiego rozpoznawania mowy — Polish ASR Leaderboard / BIGOS, 25 systemów, ponad 4 000 nagrań — podaje medianę współczynnika błędu słów (WER) 14,52% dla mowy czytanej i 32,42% dla mowy spontanicznej, czyli takiej, jaką słyszy się w telefonie. Badanie pochodzi z 2024 roku i nie obejmuje najnowszej generacji modeli, więc dziś liczby są prawdopodobnie lepsze — ale rząd wielkości jest ten sam, a wyniki podawane przez dostawców mierzy się na nagraniach szerokopasmowych. Klasyczne łącze telefoniczne jest wąskopasmowe — próbkowanie 8 kHz zamiast szerokopasmowego — i przesuwa te wyniki w jedną stronę: w gorszą. Nie każda trasa jest jednak wąskopasmowa: część połączeń SIP i komórkowych negocjuje kodeki szerokopasmowe, więc to, co faktycznie dociera do rozpoznawania mowy, zależy od konkretnego połączenia. Właśnie dlatego jedynym benchmarkiem, który się liczy, są nagrania z linii klienta — a wszystko dalej: potwierdzenia, progi eskalacji i to, co bot w ogóle może stwierdzić, wynika z tej jednej liczby.
Ta sama ostrożność dotyczy deklaracji o wsparciu języka. OpenAI definiuje listę języków obsługiwanych przez model gpt-realtime jako te, dla których współczynnik błędu słów zszedł poniżej 50%. Polski jest na tej liście — i tę definicję warto przeczytać dwa razy, zanim uzna się „obsługujemy polski” za odpowiedź na pytanie o jakość.
Zaczynamy od zastosowań, w których pomyłka rozpoznania mowy nic nie kosztuje, i schodzimy w dół tej listy dopiero wtedy, gdy poprzedni krok udowodnił jakość na prawdziwym ruchu:
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.
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.
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 ogniwem łańcucha z art. 28 RODO — podmiotem przetwarzającym, z którym umowę zawierasz sam, albo dalszym podmiotem przetwarzającym, na którego trzeba wyrazić zgodę i któremu przekazuje się równoważne obowiązki — i każdy jest osobnym pytaniem o transfer poza 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.
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 ujawniamy zawsze. To jest nasza zasada dostarczania, ostrzejsza niż minimum z przepisu. Przepis stosuje się od 2 sierpnia 2026 roku i adresuje przede wszystkim sposób zbudowania systemu: bot ma być zaprojektowany tak, żeby się ujawniał. O tym, czy komunikat rzeczywiście dociera do dzwoniącego, decyduje jednak konfiguracja po stronie firmy — scenariusz, powitanie i to, co stoi przed botem. Ujawnienie budujemy w scenariuszu i w dokumentacji, a pytanie, jak przepis rozkłada obowiązki między dostawcę a podmiot stosujący w konkretnej konfiguracji, stawiamy na początku projektu i kierujemy do prawnika klienta, a nie rozstrzygamy sami.
Art. 50 ust. 2 dokłada drugi obowiązek: syntetyczne audio ma być oznaczone w sposób odczytywalny maszynowo, „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 przetrwa kodek telefoniczny; to, co dostarczamy, to udokumentowana ocena wykonalności i rejestr tego, co i kiedy system wygenerował. Szerszy zakres przygotowania — rejestr systemów, dokumentacja, logowanie i nadzór człowieka — opisujemy przy audycie gotowości na 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 podszyty albo nieroutowalny po prostu przestaje się łączyć. 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 — 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.
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 benchmarkiem, na którym wybieramy dostawcę rozpoznawania mowy.
Dostawców dobieramy pod polski, nie pod długość listy języków w materiałach. Przykład, który sprawdzamy zawsze: domyślna, rekomendowana przez Microsoft konfiguracja „automatic multilingual” w Azure Voice Live obejmuje piętnaście wersji językowych i nie ma wśród nich polskiego — polski jest dostępny, ale trzeba go ustawić jawnie, a Microsoft ostrzega, że przy nieustawionym języku jakość transkrypcji spada. Podobnie po stronie syntezy: Azure daje dla pl-PL dokładnie trzy standardowe głosy neuronowe, bez wariantów HD i bez stylów mówienia, podczas gdy Google Chirp 3 HD jest dla pl-PL ogólnie dostępny i pozwala zdefiniować własną wymowę — co ma bezpośrednie znaczenie dla nazw produktów, ulic i nazwisk.
Dalej jest to samo, co w każdym naszym projekcie: jeden typ sprawy, najwęższy możliwy pilotaż, decyzja o poszerzeniu zakresu podejmowana na danych z pilotażu. 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.
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 integracje z systemami źródłowymi. Piąta pozycja to utrzymanie — scenariusze, słownik wymowy i progi eskalacji 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.
Kanałem i marginesem błędu. Chatbot dostaje tekst dokładnie taki, jaki napisał klient; voicebot musi najpierw rozpoznać mowę — a to jest krok, w którym część słów się gubi. Jedyny niezależny, recenzowany naukowo benchmark polskiego rozpoznawania mowy (Polish ASR Leaderboard / BIGOS, 25 systemów) podaje medianę współczynnika błędu słów (WER) 14,52% dla mowy czytanej i 32,42% dla spontanicznej. Badanie jest z 2024 roku i nie obejmuje najnowszej generacji modeli, ale rząd wielkości tłumaczy, dlaczego voicebot musi potwierdzać ustalenia zamiast zakładać, że usłyszał dobrze. Do tego dochodzi telefonia: klasyczne łącze jest wąskopasmowe, próbkowane 8 kHz, i przenosi mniej niż nagrania szerokopasmowe, na których dostawcy mierzą swoje wyniki — choć część połączeń SIP i komórkowych negocjuje kodeki szerokopasmowe, więc rozstrzyga nagranie z konkretnej linii.
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 integracji z systemami, w których żyją 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.
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 ujawniamy zawsze i traktujemy to jako własną zasadę dostarczania, ostrzejszą niż minimum z przepisu. W praktyce jest to zdanie w pierwszych sekundach rozmowy, a nie zapis w regulaminie. Przepis adresuje przede wszystkim sposób zbudowania systemu — bot ma potrafić się ujawnić — natomiast o tym, czy komunikat rzeczywiście dociera do dzwoniącego, decyduje konfiguracja po stronie firmy: scenariusz, powitanie i to, co stoi przed botem. Ujawnienie budujemy w scenariuszu i w dokumentacji; jak przepis rozkłada obowiązki między dostawcę a podmiot stosujący w konkretnej konfiguracji, rozstrzyga prawnik klienta.
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 łańcuch podmiotów przetwarzających: integracja głosowa dokłada zwykle trzech lub czterech dostawców tam, gdzie tekstowa ma jednego.
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.
Napisz, ile ich jest i czego najczęściej dotyczą. Odpowiemy, który typ sprawy wzięlibyśmy na pierwszy pilotaż — również wtedy, gdy odpowiedź brzmi „kup abonament, nie potrzebujesz nas”.
Umów bezpłatną konsultacjęOstatnia aktualizacja: