Provedor de internet (ISP) vive de duas coisas: cliente conectado e cliente atendido. A primeira é rede; a segunda, historicamente, é gente no telefone. E é aqui que a conta não fecha: o volume de ligações de "minha internet caiu", "cadê meu boleto", "quero a segunda via" é gigante, repetitivo e cresce junto com a base. Contratar atendente na mesma velocidade que a base cresce é insustentável.
Foi esse problema que me levou a construir o ConectaAI — um call center de IA que atende por voz e por WhatsApp, 24 horas por dia, integrado ao sistema do provedor. Este post é a arquitetura por trás disso. Não é teoria: é o que precisa existir pra uma IA atender uma ligação de telefone de verdade e resolver o problema do cliente.
O problema real: voz em tempo real é difícil
Todo mundo sabe fazer um chatbot de texto. Voz é outro jogo. Numa ligação, o cliente fala, espera resposta, interrompe, muda de assunto — e cada milissegundo de latência é percebido como "esse atendimento é ruim". Se a IA demora 3 segundos pra responder, a conversa morre.
Então o desafio central é: transformar uma ligação telefônica em uma conversa com IA com latência baixa o suficiente pra soar humana. Isso quebra em várias peças que precisam funcionar juntas em tempo real.
As camadas do sistema
1. A borda de telefonia (SIP)
A ligação chega pelo mundo da telefonia tradicional — protocolo SIP, troncos de operadora, tudo isso. Essa borda precisa de um componente robusto que aguente o tráfego real e faça a ponte entre a telefonia e o mundo de mídia em tempo real. É a camada mais chata e menos glamourosa, e é a que mais quebra se você errar. Ela cuida de registro de tronco, roteamento de chamada e a conversão do áudio da telefonia (codecs, RTP) para algo que o resto do sistema entende.
2. O transporte de mídia em tempo real
Com a chamada estabelecida, o áudio precisa fluir com latência mínima entre o cliente e o agente de IA. Aqui entra uma camada de mídia em tempo real (do mundo WebRTC/streaming) que carrega o áudio nos dois sentidos. Pensa nela como o "cano" por onde a voz trafega, otimizado pra tempo real, não pra qualidade de estúdio.
3. O pipeline de voz do agente
Este é o coração. Num loop contínuo, para cada turno de fala do cliente:
Áudio do cliente
→ STT (speech-to-text) transcreve em tempo real, com detecção de fim de fala
→ LLM entende a intenção, decide a resposta e as ferramentas
→ TTS (text-to-speech) sintetiza a resposta em voz natural
→ Áudio de volta ao cliente
Cada etapa tem que ser streaming. O STT não espera o cliente terminar a frase pra começar a transcrever. O TTS começa a falar assim que as primeiras palavras da resposta saem do LLM. É essa sobreposição que derruba a latência percebida.
Alguns pontos que aprendi:
- Detecção de fim de fala (endpointing) é decisiva. Cortar o cliente cedo demais irrita; esperar demais soa lento. É afinação constante.
- Barge-in (o cliente interromper a IA no meio da fala) não é opcional. Sem isso, a IA parece um menu de URA burro.
- A voz importa. Uma voz sintética robótica destrói a confiança. Vozes neurais boas (com fallback entre provedores de TTS) mudam a percepção do cliente completamente.
4. O cérebro: LLM com contexto e ferramentas
O LLM não conversa no vácuo. Ele recebe:
- O histórico da ligação (e do cliente, se já ligou antes).
- Os dados do cliente, puxados do ERP do provedor no início da chamada — plano, status financeiro, situação da conexão.
- As ferramentas que ele pode acionar durante a conversa.
E é nas ferramentas que a mágica de negócio acontece. O agente não descreve como resolver — ele resolve:
- Consulta o status da conexão (a ONU do cliente está online?) e faz o diagnóstico.
- Gera a segunda via do boleto e manda o PIX na hora.
- Abre uma ordem de serviço e agenda a visita técnica.
- Verifica pagamentos e desbloqueia o acesso.
Isso exige integração direta com o ERP do provedor (no mundo dos ISPs, sistemas como o IXC dominam). Cada ferramenta é uma chamada de API validada, com confirmação nos passos irreversíveis e log de tudo.
5. Fallback multi-LLM
Já falei disso no post sobre agentes no WhatsApp, mas em voz é ainda mais crítico: numa ligação ao vivo, você não tem o luxo de "tenta de novo". Se o LLM primário engasga, o sistema cai pro secundário em milissegundos, sem o cliente perceber. Nenhum ponto único de falha na resposta.
Dois canais, um cérebro
O ConectaAI atende por voz e por WhatsApp. A tentação é construir dois sistemas. O erro é construir dois sistemas. O canal (telefone ou WhatsApp) é só a camada de entrada/saída — o cérebro, as ferramentas e a lógica de negócio são compartilhados.
Isso significa que o mesmo agente que resolve por voz resolve por texto, com a mesma integração com o ERP e as mesmas regras. Um cliente pode começar no WhatsApp e ligar depois, e o contexto acompanha. Arquitetar assim desde o início economiza meses e evita que os dois canais divirjam em comportamento.
Por que não é "só plugar um chatbot"
Se você tirar uma lição daqui, tire esta: um call center de IA de verdade é 20% modelo de linguagem e 80% engenharia de sistema em tempo real e integração. O LLM é a parte fácil e comoditizada. O difícil — e onde está o valor — é:
- Fazer a telefonia SIP não cair.
- Manter latência de voz abaixo do limiar do desconforto.
- Integrar de verdade com o ERP legado do provedor.
- Garantir resiliência: fila, retry, fallback, observabilidade.
- Saber a hora de passar pro humano com o contexto inteiro.
Isso é software de infraestrutura, não um wrapper de API. E é exatamente por isso que a maioria dos "call centers de IA" prometidos por aí não entrega: pararam no protótipo de texto e nunca encararam a voz em produção.
O resultado que importa
O provedor não compra "IA". Ele compra: atendimento que não dorme, fila que não estoura no horário de pico, segunda via resolvida às 2h da manhã sem ninguém acordar, e time humano liberado pra resolver o que é realmente complexo. A IA absorve o repetitivo — que é a maioria — e o humano cuida da exceção.
Essa é a arquitetura de um call center de IA que funciona. Não porque o modelo é esperto, mas porque o sistema inteiro foi construído pra aguentar o mundo real de um provedor com milhares de clientes ligando.
Construo produtos de IA em produção — inclusive atendimento por voz e WhatsApp para provedores. Se você tem um ISP afogado em ligações repetitivas, vamos conversar.