A infraestrutura que não aparece na tela
Na visita à Agora.io, em Xangai, a conversa percorreu dois problemas que costumam aparecer separados: transportar áudio e vídeo pela internet e construir uma interação útil com inteligência artificial. O encontro mostrou como essas camadas se aproximam quando uma pessoa precisa conversar com um agente de voz.
Uma voz bem produzida chama atenção na primeira demonstração. No uso real, outras perguntas passam a importar: o agente escuta até o fim? Percebe uma correção? Consegue parar de falar? Usa a informação certa do negócio? Sabe quando encaminhar a situação para alguém? A experiência depende dessas decisões, além da qualidade do modelo.
A apresentação conectou engenharia de rede, comportamento da conversa e operação comercial. Para quem desenvolve produtos, o aprendizado central é olhar para a interação inteira. A resposta não termina quando o modelo gera uma frase; ela precisa chegar no momento adequado e ajudar a pessoa a realizar alguma coisa.
Uma empresa especializada em conectar pessoas
A Agora, Inc. reúne dois negócios com focos distintos: Agora atende os Estados Unidos e mercados internacionais; Shengwang tem sede em Xangai e foco na China. São operações da mesma holding, e essa organização ajuda a entender a presença do grupo nos dois mercados. Produtos, contratos e condições locais precisam ser considerados em seu contexto. Relatório anual de 2025 da companhia.
Essa especialização tem relação com a trajetória de Tony Zhao, também identificado formalmente como Bin Zhao, um dos fundadores. Antes da Agora, ele trabalhou com áudio e vídeo na WebEx, criou a NeoTasks e foi CTO da YY. É uma história ligada aos problemas de comunicação interativa, não somente à adoção recente de modelos de IA. Biografia institucional do fundador.
O resultado público mais recente dá uma referência de escala: no segundo trimestre de 2026, o grupo reportou receita consolidada de US$ 40,4 milhões, crescimento anual de 18%, e 3.892 clientes ativos. O indicador de clientes considera contas com mais de US$ 100 de receita nos 12 meses anteriores e exclui a Easemob. São dados do grupo, não apenas do escritório visitado, divulgados em 13 de agosto em resultados não auditados. Resultados oficiais do segundo trimestre de 2026.
O caminho mais curto nem sempre é o mais rápido
Uma analogia apresentada ao grupo foi a do trânsito: escolher uma rota depende das condições do caminho, não apenas da distância. Na internet, perdas, congestionamento e oscilações de conexão também mudam a experiência. Para uma conversa, um atraso pode fazer duas pessoas começarem a falar ao mesmo tempo ou quebrar a continuidade de uma resposta.
A rede SDRTN da Agora é descrita como uma camada de transporte em tempo real que acompanha condições de rede, seleciona rotas e utiliza redundância. Seu papel é apoiar a troca interativa de áudio e vídeo. Isso exige atenção a problemas que um vídeo assistido com alguns segundos de buffer consegue esconder melhor. Como a Agora descreve sua rede em tempo real.
A velocidade percebida de um agente, porém, não depende só dessa rede. O aparelho, a conexão local, o reconhecimento da fala, o modelo, a síntese de voz e os sistemas consultados participam do percurso. Medir apenas uma dessas etapas não revela quanto tempo a pessoa espera por uma resposta útil.
Falar é uma capacidade. Conversar exige outras
No encontro, a discussão sobre voz avançou para atenção, intenção e organização de turnos. Uma pausa pode significar que a pessoa terminou ou que ainda está pensando. Uma interrupção pode ser uma correção relevante. A interação precisa dar espaço para essas situações, em vez de se comportar como uma sequência rígida de perguntas e respostas.
O Conversational AI Engine conecta modelos existentes a interfaces de voz. Numa arquitetura encadeada, a fala é reconhecida, o modelo gera uma resposta e a síntese a transforma em áudio. Há também configurações com modelos de áudio nativo. O FAQ oficial esclarece que o motor não cria nem treina o modelo conectado: a proposta é integrar e conduzir a interação. A proposta do Conversational AI Engine.
A documentação trata tanto da interrupção pela fala do usuário quanto da interrupção por um comando da aplicação. A detecção de início e término da fala também é configurável. Essas possibilidades ajudam a desenhar quando ouvir, responder e parar, mas não significam interpretação perfeita de toda intenção humana. Documentação sobre interrupções e turnos.
Um exemplo de teste seria a pessoa corrigir um pedido enquanto o agente responde. O objetivo é observar se a correção entra no fluxo, se a resposta anterior é interrompida e se a conversa retoma o ponto certo. É uma avaliação da experiência, diferente de testar apenas se a voz soa natural.
Uma demonstração não substitui um produto em operação
A diferença entre demonstrar e operar foi uma das discussões mais úteis da visita. Um protótipo pode funcionar num roteiro conhecido. O produto precisa lidar com perguntas incompletas, informação desatualizada, erros de integração e situações que não estavam no roteiro. O trabalho envolve objetivos do negócio, conhecimento disponível e melhoria contínua.
Uma forma de conectar o agente às informações de uma empresa é a recuperação de conteúdo, conhecida como RAG. O serviço busca trechos relevantes numa base e os fornece como contexto para o modelo responder. Essa consulta é diferente de treinar novamente o modelo. A documentação da Agora permite conectar um serviço de modelo próprio e descreve esse uso de contexto recuperado. Integração com modelo e base de conhecimento.
Para aplicar isso, vale definir de onde vem cada informação, quem a atualiza e quais ações o agente pode executar. Uma voz convincente não torna uma resposta automaticamente correta. A avaliação precisa considerar o conteúdo, a ação realizada e o resultado para a pessoa.
| O que aparece na demonstração | O que precisa ser observado no uso real |
|---|---|
| A voz soa natural. | O agente escuta, aceita correções e respeita turnos. |
| A resposta chega rápido. | A espera é aceitável nas condições reais de rede e uso. |
| O agente conhece um roteiro. | Ele usa informações atualizadas e lida com exceções. |
| A integração executa uma ação. | A ação é confirmada, registrada e tratada quando falha. |
| A conversa termina. | A pessoa resolveu o que precisava ou foi bem encaminhada. |
O custo também é uma escolha de produto
O Brasil apareceu na conversa como um mercado em que a viabilidade econômica precisa acompanhar a capacidade técnica. A tese apresentada foi combinar modelos e tecnologias com um custo adequado ao uso. Não basta escolher a configuração mais sofisticada se o preço inviabiliza o serviço que a empresa quer oferecer.
Para um founder, isso sugere comparar custo por tarefa resolvida, além de custo por minuto. Uma conversa barata que não resolve o pedido pode gerar repetição, transferência e retrabalho. Uma configuração mais cara também precisa justificar sua diferença com resultados relevantes para aquele caso.
O teste deve considerar idioma, sotaques, ruído, duração, volume de uso e sistemas conectados. A opção adequada para uma demonstração curta pode não ser a mesma para muitas interações ao longo do mês. São decisões a medir no contexto do produto, sem presumir uma economia ou um preço universal.
A pessoa continua fazendo parte do sistema
Nas perguntas do grupo, triagem e encaminhamento para atendimento humano apareceram como parte do desenho. A discussão não sustentou a eliminação completa das pessoas. Um agente pode ajudar a organizar uma demanda e preparar a próxima etapa, enquanto um profissional assume uma situação que exige julgamento ou uma decisão diferente.
O encaminhamento precisa preservar contexto: o que foi pedido, o que já foi tentado e por que alguém deve assumir. Recomeçar do zero depois de uma conversa longa pode anular parte do benefício da automação. Esse é um requisito de produto e operação; interromper a fala do agente, por si só, não implementa uma transferência humana completa.
A pergunta prática é onde a IA ajuda mais e onde deve parar. Essa fronteira pode mudar com a maturidade da operação, mas precisa estar definida desde o primeiro piloto. A responsabilidade pelo atendimento continua existindo mesmo quando a interface passa a ser uma voz de IA.
A interface sai da tela e encontra os desenvolvedores
A conversa também passou por dispositivos e ambientes com ruído, ampliando o olhar para além de aplicativos na tela. Quando a interface é uma voz, microfones, acústica, conexão e contexto físico fazem parte da experiência. O mesmo agente pode exigir escolhas diferentes numa sala silenciosa e num ambiente de trabalho movimentado.
Há um exemplo público dessa aproximação entre infraestrutura e construção prática. Em março de 2026, Agora e Seeed Studio anunciaram uma colaboração em IA incorporada a dispositivos, acompanhada de um hackathon que previa robôs Reachy Mini, computação NVIDIA Jetson, modelos da Hugging Face e mentoria. É um programa anunciado naquele momento, não um resultado desta visita. O anúncio público da colaboração com a Seeed Studio.
Para developer relations, documentação, exemplos e apoio técnico podem reduzir a distância entre entender uma tecnologia e conseguir usá-la. A leitura para quem constrói comunidade é criar oportunidades de experimentação com objetivos claros. Um protótipo abre a conversa; suporte, aprendizado e melhoria ajudam a sustentar a adoção.
O que founders podem levar para o próximo piloto
- Começar pelo trabalho a realizar. Definir qual problema a conversa deve resolver antes de escolher a voz e o modelo.
- Testar a escuta. Incluir pausas, correções, interrupções e perguntas incompletas na avaliação.
- Medir a experiência inteira. Observar a espera pela resposta útil, a conclusão da tarefa e o retrabalho.
- Cuidar do conhecimento. Manter conteúdo atualizado, delimitar ações e verificar o que foi executado.
- Planejar o humano no fluxo. Definir quando encaminhar e como preservar o contexto.
- Avaliar a economia no uso real. Comparar custo e resultado com a duração e o volume esperados.
A visita à Agora mostrou que a oportunidade em IA conversacional envolve mais do que acrescentar voz a um modelo. Há trabalho de infraestrutura, desenho da interação e operação do negócio. É a combinação dessas camadas que permite transformar uma demonstração interessante numa experiência útil para quem está do outro lado.