A demo mostra como o agente soa. Esta página é sobre o que está por trás da ligação: do que o operador é feito, as formas de entrega, o que precisa ser decidido antes de um preço e quanto custa cada parte.
Não existe um «modelo de operador» que se entregue como um arquivo. É uma cadeia de peças, e cada uma funciona em tempo real.
Recebe a ligação e leva o áudio nos dois sentidos: um tronco SIP, Asterisk ou o seu PABX.
Uma ligação para o seu número chega pela operadora e entra no Asterisk, que envia o áudio ao agente.
Transforma a voz de quem liga em texto enquanto a pessoa ainda fala.
«Oi, tenho percevejos num apartamento de dois quartos» já é texto antes de a frase terminar.
Um modelo de linguagem decide o que dizer, a partir do roteiro, dos seus preços e das suas regras.
Conhece a tabela, faz uma pergunta por vez, não oferece descontos que não existem e volta ao agendamento.
Fala a resposta com a voz do operador, com pausas, respirações e entonação.
As primeiras palavras começam a tocar enquanto o modelo ainda escreve o fim da frase.
Grava o resultado onde a sua equipe trabalha: CRM, agenda, planilha, mensageiro.
Depois da ligação aparece um registro no CRM: nome, telefone, pedido, data da visita, preço informado, resultado.
Sobre a cadeia fica o controle da conversa: saber que a pessoa terminou, não parar num «uhum», calar quando interrompido, preencher a pausa se a resposta demora. A demo tem tudo isso ajustado, e é o que separa uma conversa de uma secretária eletrônica.
As pessoas esperam resposta cerca de um segundo depois de pausar. Assim esse segundo se dividiu numa ligação real para a nossa demo.
Medido numa ligação de demonstração em 9 de outubro de 2026, modelos na nuvem. Para uma instalação local, essa divisão precisa ser medida de novo com os seus modelos e o seu hardware: é ela que decide se a conversa parece viva.
A pergunta «nuvem ou próprio» decide quase todo o resto: prazo, orçamento, hardware e o quanto a voz vai se parecer com a demo.
Como na demo: modelos nos provedores, você paga por minuto de conversa.
Quando velocidade de lançamento e qualidade de voz importam, e manter gravações num provedor é aceitável.
Telefonia, controle da conversa, integrações e dados ficam com você; os modelos são chamados por API.
Quando os dados precisam ficar com você, mas chamar modelos externos de dentro do perímetro é permitido.
A cadeia inteira nos seus servidores, sem nada saindo.
Quando nada pode sair, e há orçamento para o hardware e tempo para os testes.
Preço e prazo vêm depois da especificação. Sem ela, mil e um desejos aparecem no caminho. Estas são as perguntas que precisam de resposta, com exemplos.
Onde roda?
Decide a forma de entrega, o hardware e metade do orçamento.
«Tudo nos nossos servidores, nada sai» ou «conosco, mas modelos na nuvem por API podem».
Só voz ou uma conversa completa?
Ler um texto pronto e um operador que escuta, entende e conduz a conversa são sistemas de tamanhos muito diferentes.
«Ler o status de um pedido pelo número» ou «receber um pedido e responder perguntas».
O que o operador faz?
Cada cenário é um prompt, conhecimento, verificações e testes. Sem exemplos não dá para dimensionar.
«Receber um pedido de dedetização, dar o preço da tabela, agendar e passar para uma pessoa se o cliente discutir».
Quantas ligações simultâneas?
O pico de carga decide o hardware, ou a conta da nuvem.
«Até 10 num dia normal, 30 no pico, 1-2 à noite».
Com o que conectamos?
O limite do trabalho: o que vocês conectam e o que nós construímos.
«Temos Asterisk e entregamos um tronco SIP; a integração com o CRM fazemos nós pela sua API».
Que hardware existe?
Para o local: ajustamos os modelos ao seu hardware, ou o hardware à qualidade necessária.
«Um rack num data center, sem GPU, orçamento de compra a combinar».
Como o resultado é aceito?
Sem critérios de aceite, cada mudança vira discussão.
«Dez cenários combinados passam na nossa linha real, resposta mediana de até 1,5 segundo, a interrupção funciona».
A palavra «operador» esconde quantidades de trabalho muito diferentes. Dois exemplos na mesma linha.
Descobre quem liga e por quê, responde perguntas comuns, agenda ou passa para uma pessoa com o contexto já reunido.
AgenteLarLimpo Dedetização, em que posso ajudar?
ClienteEstamos com baratas, quanto custa?
AgenteEntendi. É apartamento? Quantos quartos?
ClienteDois.
AgentePara dois quartos fica trezentos e quarenta reais. Posso agendar para amanhã?
Um ou dois cenários, a tabela de preços, regras de transferência. Integração: um registro no CRM.
Trata objeções, oferece alternativas, verifica estoque e horários, registra o pedido nos seus sistemas e confirma.
ClienteEstá caro. Outros cobram menos.
AgenteEntendo. Tem garantia de um ano e a segunda visita é grátis. Se for pouca coisa, existe uma opção mais barata.
ClienteTá bom, sábado então.
AgenteDeixa eu ver os técnicos... sábado, onze da manhã está livre. Já registro.
Roteiros de objeções, acesso em tempo real a agendas e estoque, criação de pedidos por API, verificações antes de confirmar. Bem mais testes.
Se a cadeia inteira precisa rodar com você, ela precisa de capacidade de cálculo. As opções dependem da carga e do modelo. A referência para 20-30 conversas simultâneas é a opção 2, a partir da qual começaríamos os testes.
Opções de hardware para comprar
| Configuração | Ligações simultâneas* | Servidor completo | Quando serve |
|---|---|---|---|
| 1. Piloto: 1 × L40S 48 GB ou 1 × RTX PRO 6000 96 GB | 5-10 / 10-20 | $20-35k | Um piloto, um departamento, uma prova de conceito |
| 2. Base: 2 × L40S, 32 núcleos, 256 GB, NVMe 2 TB | 20-30 | $35-50k | Produção com um modelo compacto de 7-14 bilhões de parâmetros |
| 3. Base com folga: 2 × RTX PRO 6000 96 GB | 30-50 | $45-60k | Um modelo maior (30-70 bilhões) ou folga para crescer na mesma caixa |
| 4. Grande: 4 × L40S ou 4 × H200 NVL | 50-100+ | $55-75k / $160-200k | Um modelo grande, mais de 50 ligações, várias unidades num cluster |
| 5. Econômico, usado: A100 80 GB | 15-25 / 2 GPU | $8-12k / GPU | Orçamento apertado; sem FP8, garantia curta ou nenhuma |
Aluguel: 2 × L40S por provedor
| Provedor | Por GPU-hora | 2 GPUs por mês | Observação |
|---|---|---|---|
| Vast.ai | ≥ $0.54 | ≈ $790 | Marketplace de hosts da comunidade, a disponibilidade varia |
| Runpod | $0.79 / $1.09 | ≈ $1,150 / $1,590 | Community / Secure Cloud |
| Scaleway | €1.47 | ≈ €2,150 | Configuração pronta de 2 GPUs, só Paris |
| Nebius | ≥ $1.55 | ≈ $2,260 | Configurações dimensionadas por vCPU |
| OVHcloud | $1.80 | ≈ $2,630 | Configuração pronta de 2 GPUs, Europa |
| AWS (g6e) | $1.86 | ≈ $2,720 | Sem tamanho de 2 GPUs: duas instâncias de 1 ou uma de 4 (≈ US$ 7.660) |
| CoreWeave | $2.25 | ≈ $13,140 | Só nós de 8 GPUs |
| Immers.cloud | — | ≈ 321 000 ₽ (2 × A100) | Dados na Rússia. Sem L40S; o mais próximo com preço público é A100 80 GB |
| Selectel, Yandex Cloud, Cloud.ru, Timeweb, MTS Cloud | — | — | Dados na Rússia. Sem L40S público; RTX 6000 Ada, A6000, A100, H100 sob consulta |
| Lambda, Google Cloud, Azure, Hetzner | — | — | Sem L40S; Google, Azure e Hetzner oferecem RTX PRO 6000 |
* O número de ligações é uma suposição, não uma medição: depende do tamanho do modelo, do reconhecimento e da síntese, e é fixado num teste de carga. Preços consultados em 9 de outubro de 2026, sem impostos; hardware e memória ficaram mais caros ao longo de 2026.
Uma voz que soa limpa no navegador atravessa uma rede móvel com compressão. Se a ligação passa por dois trechos móveis, o áudio degrada duas vezes. Testamos isso num modelo da linha: AMR-NB em cada trecho e G.711 entre eles.
Um modelo de linha é uma aproximação. A qualidade é decidida com ligações pela sua cadeia real, e isso faz parte do aceite.
Ouvir na demo com «Dois trechos» →Os critérios são fixados antes de começar, para que «pronto» signifique o mesmo para os dois lados.
Se assumimos todo o call center virtual: Asterisk, telefonia, o operador com IA, a integração e o lançamento.
É uma ordem de grandeza, não uma tabela de preços. O valor exato vem quando o escopo é fixado: um operador que qualifica e transfere e um que vende e registra pedidos custam diferente.
As perguntas que aparecem ao olhar a tabela acima com vontade de economizar. Em resumo: uma ou duas ligações de teste rodam em quase tudo. Vinte ou trinta conversas simultâneas respondidas em um segundo, não.
Ela tem 24-32 GB de memória. Numa placa precisam caber o modelo de resposta, o reconhecimento e a síntese, além de memória para cada conversa em andamento. Para 20-30 ligações em paralelo não basta, e as respostas entram em fila. Além disso, a licença dos drivers da NVIDIA proíbe placas GeForce em data centers, elas não têm memória com correção de erros (ECC) e a refrigeração não foi feita para 24/7 num rack. Serve para um protótipo de uma ou duas ligações, não para produção.
Um modelo de linguagem em CPU leva segundos por frase. Reconhecimento e síntese em tempo real para dezenas de fluxos também esbarram na CPU. O orçamento de resposta é de cerca de um segundo, metade para o modelo. Em CPU isso não fecha nem com uma ligação.
Para um piloto com poucas ligações, talvez: é a opção 1 da tabela, só que mais fraca. O problema são os picos: quando cinco pessoas terminam de falar ao mesmo tempo, as respostas entram em fila e um segundo vira três a cinco. A T4 ainda não suporta formatos de cálculo modernos e é bem mais lenta. Só compensa se o pico for de umas duas ligações.
Ele roda bem um modelo só e é prático para desenvolvimento. Mas foi feito para um fluxo: atende mal dezenas de conversas em paralelo, porque não agrupa requisições como as GPUs de servidor. E não há gestão de servidor, redundância nem operação normal em rack.
Um modelo pequeno cabe, mas segue pior o roteiro: confunde preços, foge do assunto, aceita descontos que não existem e lida pior com idiomas. Vimos isso em testes até entre modelos na nuvem do mesmo nível: um respondia curto e dentro das regras, outro igualmente rápido caía em monólogos. O tamanho do modelo é um equilíbrio entre qualidade da conversa e hardware, e precisa ser testado nos seus cenários.
As ligações chegam em ondas: de manhã, depois de um disparo, no almoço. A latência não sobe aos poucos: ela salta assim que as requisições passam do que a placa processa. Um servidor dimensionado pela média responde em três segundos no pico, justamente quando mais gente liga.
Sim, e é o caminho certo. Primeiro aluguel e testes de carga, depois a opção 1 para um piloto. A arquitetura permite separar reconhecimento, síntese e modelo de resposta em servidores diferentes, então crescer é adicionar hardware, não refazer o sistema.
Ouça o agente primeiro. Se essa ordem de orçamento funciona para você, o próximo passo é descrever a primeira entrega e fixar o que precisa funcionar no aceite.
Quanto custa: a partir de $99 por mês · Que ligações ativas o agente faz?
