Un agent vocal AI care sună la rece firme din România merge tehnic în 2026, dar nu vinde. Al nostru a făcut 1.233 de apeluri spre vulcanizări și service-uri auto, 823 de oameni au răspuns, iar 61 au fost interesați. Asta înseamnă 7% din cei care au răspuns. Agentul răspundea în sub o secundă și jumătate și suna bine, iar oamenii tot închideau.
Experimentul
Între 14 și 30 octombrie 2026 am pus un agent AI să sune vulcanizări și service-uri auto din România. Avea o singură treabă: să vândă Onist, recepționistul AI pe care îl construim pentru afaceri locale. Un robot care vinde un robot. Știu, e ironic.
Cifrele, pe scurt:
| Pas | Câte | Procent |
|---|---|---|
| Apeluri făcute | 1.233 | |
| Au răspuns | 823 | 67% din apeluri |
| Au fost interesați | 61 | 7% din cei care au răspuns |
Concluzia mea e simplă: cold calling-ul cu AI în România nu merită în 2026. Mai jos e tot ce am învățat. Cum e construit agentul, unde s-a stricat conversația, cum am reparat-o și de ce nu l-aș vinde ca produs.
Toată lumea construiește voce acum
În ultimul an, aproape fiecare firmă mare de AI a lansat ceva cu voce. xAI are Grok Voice, apoi vin OpenAI, ElevenLabs, Fish Audio și încă sute de startup-uri.
Direcția la modă sunt modelele speech-to-speech, cum sunt GPT Live sau Gemini Live. Primesc sunet și scot sunet, fără text la mijloc. Avantajul lor e că ascultă activ. Își dau seama, cât încă vorbești, dacă trebuie să tacă, să intervină sau să râdă. De aici vine senzația de conversație naturală. Doar că senzația ține mai ales în engleză.
Româna strică tot
Am testat aproape tot ce se găsește pe piață. În engleză, vocile sunt aproape perfecte. În română nu sunt.
O voce sună naturală când are ritmul, accentul și slang-ul nostru. Modelele mari încă nu le au.
Un exemplu concret: am testat în română Phonic, un model speech-to-speech. De la finalul frazei mele până la primul lui sunet treceau între 1,5 și 1,9 secunde. Pragul nostru e 1,3 secunde. Mai e o problemă: detectoarele care ghicesc când ai terminat de vorbit sunt antrenate pe engleză. Pe română nimeresc cam cât aruncatul cu banul.
Așa că ne-am întors la cascadă. Nu e o alegere exotică. ElevenLabs a lansat în septembrie 2026 Reception, recepționistul lor AI pentru firme mici, pe platforma ElevenAgents. Documentația platformei descrie exact piesele unei cascade: un model care transcrie vocea, un model de limbaj ales de tine, unul care citește răspunsul cu voce și un model separat care decide când e rândul agentului să vorbească.
Speech-to-speech sau cascadă
Un agent vocal se construiește în două feluri:
- Speech-to-speech. Un singur model aude vocea și răspunde direct cu voce.
- Cascadă. Trei piese puse în serie. Prima face din voce text, a doua scrie răspunsul, a treia îl citește cu voce.
| Speech-to-speech | Cascadă cu model de decizie | |
|---|---|---|
| Cum merge | Un model: intră sunet, iese sunet | Urechi, decizie, creier, voce, în serie |
| Ce câștigi | Aude tonul și ritmul, ascultă cât vorbești | Alegi fiecare piesă pentru română, vezi și repari fiecare pas |
| Ce pierzi | În română sună străin, nu controlezi nimic din el | Tonul se pierde în text; fără decizie, nu ascultă activ |
| Viteză în testele noastre, în română | 1,5–1,9 secunde până la primul sunet (Phonic) | 0,8–1,3 secunde de când omul tace până răspunde agentul |
Cascada are un defect de bază: nu ascultă activ. Aude tot, dar nu știe ce să facă cu ce aude. Soluția e un model de decizie pus la mijloc. În câteva sute de milisecunde, el spune „asta e o întrebare”, „asta e un refuz” sau „asta e căsuța vocală”. Pe piață sunt câteva. Le treci prin evaluări făcute pe apelurile tale și îl păstrezi pe cel care greșește cel mai rar.
Nu intru în ce folosim exact. Drumul unui răspuns arată așa:
- Urechile. Transcriu româna în timp real, cuvânt cu cuvânt.
- Decizia. În câteva sute de milisecunde hotărăște ce a fost: o întrebare, un refuz, un „da” simplu sau robotul de la căsuța vocală.
- Creierul. Scrie răspunsul.
- Vocea. Îl citește. Primul sunet iese în mai puțin de o zecime de secundă.
Din momentul în care omul tace până când agentul începe să vorbească trec între 0,8 și 1,3 secunde.
Agentul spune din prima propoziție că e AI. Articolul 50 din AI Act cere asta, și mi se pare normal oricum. Deschiderea noastră a fost:
„Bună ziua! V-aș strica complet marți dimineața dacă v-aș spune că sunt o inteligență artificială?”
Oamenii închid, nu tehnologia
Viteza n-a fost problema. Agentul răspundea repede, iar oamenii închideau oricum. Închiderile se strângeau în trei momente: imediat după deschidere, la mijlocul prezentării și imediat după ce omul spunea el însuși „nu”.
Trei lucruri m-au surprins:
- Vocea contează. Cu aceeași deschidere, cuvânt cu cuvânt, la vocea de bărbat au închis 54% în primele 15 secunde. La vocea de femeie, 42%.
- Ora contează. La 10 dimineața răspund 78%. La 5 după-amiaza, doar 7% stau la telefon mai mult de 30 de secunde.
- Contextul bate scriptul. Când agentul pomenea reclama firmei de pe Facebook, conversația mergea mult mai bine decât cu orice deschidere despre program.
Ce omoară vibe-ul
Peste o mie de apeluri în ateliere reale înseamnă situații pe care nu le prinzi în niciun test de birou. Astea au stricat conversațiile:
- „Alo?” peste salut. Omul spune „Alo?” exact când agentul începe să vorbească. Agentul se oprește politicos. Omul nu mai aude nimic și închide după 7–13 secunde.
- Televizorul din atelier. Transcrierea a prins știrile de la televizor. Agentul a crezut că vorbește patronul și a început să-i răspundă televizorului.
- Căsuța vocală. Agentul n-a recunoscut robotul de mesagerie Orange. I-a ținut toată prezentarea, 40 de secunde, și la final i-a mai lăsat și un mesaj.
- „M-ați prins prost.” Agentul a luat fraza drept glumă și i-a urat omului „o seară bună”. Ceasul arăta 15:52.
- Zgomotul din atelier. Orice sunet de fundal îl făcea să creadă că omul vrea să-l întrerupă. Se oprea, iar linia rămânea mută.
- SMS când omul vrea WhatsApp. Omul cerea detaliile pe WhatsApp, iar agentul îi promitea un SMS.
Cum te apropii de „perfect”
Cel mai mult ne-a ajutat să amestecăm AI-ul cu voce înregistrată de om.
Am înregistrat replicile care se repetă la fiecare apel: deschiderea, răspunsul la „sunt ocupat” și puntea „Da... uite, vă explic.” Când omul termină de vorbit, modelul de decizie alege replica potrivită, iar ea pornește imediat. Cât omul ascultă „Da... uite, vă explic”, creierul scrie restul răspunsului.
Am testat sistemul înainte să-l lăsăm pe apeluri reale. Modelul de decizie a ales replica bună în 282 din 284 de cazuri de test. Pe un set pe care nu-l mai văzuse, a nimerit 92 din 92.
Un sistem care se învață singur
Un agent vocal nu se repară din birou. După fiecare lot de apeluri, facem același lucru:
- Citim transcrierile.
- Fiecare moment în care agentul a ieșit din script devine o regulă nouă.
- Fiecare regulă primește un test care o ține pe loc.
- Lotul următor pleacă doar după ce trec toate evaluările.
Așa au apărut reguli ca „Nu comenta vocile din fundal.” sau „Nu cere numărul de telefon, tu l-ai sunat.”
De ce nu l-aș vinde
Agentul merge. Tot nu l-aș vinde nimănui, din patru motive:
- Regulile. Apelurile automate de vânzare sunt reglementate strict, iar regulile diferă de la o țară la alta. Ca produs, aș prelua riscul fiecărui client.
- Oamenii. Încă închid când aud că vorbesc cu un AI care vrea să le vândă ceva. Viteza nu schimbă asta.
- Îl folosim intern. Ne ajută la vânzări, deși nu le face pe toate singur. Despre asta scriu în alt articol.
- Direcția. AI-ul la telefon merge când omul te sună pe tine, nu când îl suni tu.
Ce aștept în 2027
Pentru 2026, cascada e compromisul bun. Nu cred că va mai fi și în 2027.
Aștept două lucruri. Primul: modele speech-to-speech cu voci românești native. Al doilea: un detector de final de propoziție antrenat pe română, care să coboare tot răspunsul sub o secundă. Când apar amândouă, cascada pierde.
Ce a rămas din experiment
Mare parte din ce am învățat aici a intrat în Onist, care face invers: răspunde la telefon pentru afaceri locale, atunci când clientul sună. Acolo AI-ul chiar își face treaba, pentru că omul de la celălalt capăt vrea ceva: o programare, un preț, o oră liberă. Cum arată o programare făcută de un recepționist AI, pas cu pas, am scris în robotul telefonic pentru programări. Dacă vrei să compari firmele care vând agenți vocali în România, le-am pus pe toate într-o listă cu prețuri.
Întrebări frecvente
Ce este un agent vocal AI?
Un agent vocal AI e un program care vorbește la telefon cu oamenii, în timp real, fără un operator. Se construiește fie dintr-un singur model speech-to-speech, care aude și răspunde direct cu voce, fie dintr-o cascadă, în care vocea devine text, textul primește un răspuns, iar răspunsul e citit cu voce.
Merită cold calling-ul cu AI în România?
Din experiența noastră, în 2026 nu merită. Din 1.233 de apeluri spre vulcanizări și service-uri auto, 823 de oameni au răspuns și 61 au fost interesați, adică 7% din cei care au răspuns. Agentul a fost rapid, dar oamenii închid când aud că un AI vrea să le vândă ceva.
Ce este o cascadă la un agent vocal?
O cascadă înseamnă piese separate puse în serie: una transcrie vocea, una scrie răspunsul, una îl citește cu voce. Un model de decizie pus la mijloc hotărăște în câteva sute de milisecunde dacă omul a pus o întrebare, a refuzat sau dacă a răspuns căsuța vocală.
De ce nu merg modelele speech-to-speech în română?
Încă nu au ritmul, accentul și slang-ul românesc, așa că sună străin. În testul nostru, Phonic a avut nevoie de 1,5 până la 1,9 secunde până la primul sunet, peste pragul nostru de 1,3 secunde. Iar detectoarele care ghicesc când ai terminat de vorbit sunt antrenate pe engleză.
Trebuie să spună agentul vocal că e AI?
Da. Articolul 50 din AI Act cere ca omul să știe că vorbește cu un sistem AI. Agentul nostru o spune din prima propoziție.
Cât de repede trebuie să răspundă un agent vocal?
Pragul nostru e de 1,3 secunde de când omul tace până când agentul începe să vorbească. Cascada noastră răspunde în 0,8 până la 1,3 secunde, iar primul sunet al vocii iese în mai puțin de o zecime de secundă.
Unde funcționează un agent vocal AI la telefon?
Pe apelurile primite. Când clientul sună el la o vulcanizare sau la un salon, vrea ceva anume și acceptă să vorbească cu un recepționist AI care îi răspunde și îi face programarea. Când îl suni tu ca să-i vinzi ceva, de cele mai multe ori închide.
