Agent głosowy AI (voicebot) dla firmy: kiedy może odbierać telefony, ile kosztuje i co mówi prawo

Ile kosztuje voicebot AI dla firmy: model, telefonia i platforma

Za voicebota płacisz dostawcom w trzech miejscach naraz. Dostawca modelu mowy, czyli AI, które słucha rozmówcy i odpowiada głosem, liczy opłatę za dźwięk albo za minuty. Operator telefonii liczy minuty połączenia. Platforma, na której działa agent, bierze abonament albo stawkę za minutę. Do tego dochodzą budowa i utrzymanie, czyli praca, której nie ma w cenniku żadnego dostawcy.

Przykład: 300 połączeń miesięcznie po 3 minuty, czyli 900 minut. Gotowy abonament Voicebot w home.pl kosztuje wtedy 369 zł netto miesięcznie, bo tylko plan bez limitu mieści 300 połączeń. Na ElevenAgents, platformie do budowy agentów głosowych od firmy ElevenLabs, wychodzi około 72 USD miesięcznie, plus model językowy i telefonia. Własny agent na modelu gpt-realtime-2.1 od OpenAI to około 40 USD miesięcznie za sam dźwięk. Do tego dochodzi około 13,6 USD za odbiór rozmów u Twilio, operatora telefonii przez internet, i koszt historii rozmowy, który opisuję niżej. Żadna z tych kwot nie obejmuje budowy, połączenia z kalendarzem ani przeglądu rozmów.

OpenAI w swojej usłudze do rozmów głosowych (Realtime API) liczy tokeny, czyli małe porcje dźwięku albo tekstu. W przeliczeniu na minuty wychodzi tak: w modelu gpt-realtime-2.1 minuta słuchania rozmówcy kosztuje 0,0192 USD, a minuta mówienia modelu 0,0768 USD. W tańszym gpt-realtime-2.1-mini to 0,006 i 0,024 USD. Te kwoty wynikają z dokumentacji: minuta mowy rozmówcy to 600 tokenów dźwięku, a minuta mowy modelu 1200. Stawki za milion tokenów są w tabeli niżej.

To tylko najniższy możliwy koszt. Przy każdej odpowiedzi model dostaje jeszcze raz całą dotychczasową rozmowę, więc według dokumentacji późniejsze odpowiedzi kosztują więcej niż wcześniejsze. Część tej powtórki OpenAI liczy taniej, jako dane z pamięci podręcznej: w gpt-realtime-2.1 to 0,40 USD za milion tokenów dźwięku. OpenAI zaznacza jednak, że nie gwarantuje tej zniżki przy każdej odpowiedzi, i samo radzi zmierzyć zużycie na próbnej rozmowie, zamiast liczyć z góry. Tak robię: koszt każdej rozmowy zapisuję w dzienniku od pierwszego dnia.

ElevenAgents liczy minuty połączenia. Każdy plan ma pakiet minut, a minuta ponad pakiet kosztuje 0,08 USD. Plan Creator za 22 USD miesięcznie obejmuje 275 minut, a Pro za 99 USD 1238 minut. Model językowy i telefonia są rozliczane osobno, telefonia po kosztach operatora. Czas liczy się od nawiązania do zakończenia połączenia, ale na okresy ciszy dłuższe niż 10 sekund ElevenLabs daje rabat 95 procent.

Gotowy abonament w home.pl liczy połączenia, a nie minuty. Voicebot kosztuje tam 169 zł netto miesięcznie za 30 odebranych połączeń i jedno przekierowanie, 269 zł za 100 połączeń, pięć przekierowań i rezerwację wizyt albo 369 zł bez limitu połączeń, z API, czyli połączeniem z innymi programami, i widżetem na stronę. Pierwszy miesiąc jest bezpłatny. W cenie są cztery polskie głosy i baza wiedzy budowana na podstawie Twojej strony.

Skąd liczby w przykładzie? Zakładam, że w każdej rozmowie klient mówi łącznie minutę, a model półtorej minuty. W gpt-realtime-2.1 jedna rozmowa to 0,0192 USD za minutę klienta i 1,5 × 0,0768 USD za odpowiedzi, a 300 rozmów daje około 40 USD. Odbiór na polskim numerze komórkowym w Twilio to 900 minut po 0,0107 USD i 4 USD za numer, razem około 13,6 USD. Jeśli rozmowa idzie dalej przez SIP, czyli internetowe łącze telefoniczne, dochodzi 3,6 USD. W ElevenAgents plan Creator kosztuje 22 USD i obejmuje 275 minut, a pozostałe 625 minut po 0,08 USD to 50 USD, razem 72 USD.

Wniosek, który z tego wyciągam: przy kilkudziesięciu telefonach miesięcznie i prostych pytaniach wybrałbym gotowy abonament, bo limit 30 albo 100 połączeń wystarcza, a nie płacisz za budowę ani integrację. Własny agent zaczyna mieć sens, gdy ruch rośnie, potrzebujesz połączenia z własnymi systemami albo kontroli nad przełączeniami i zapisem rozmów.

Agenta głosowego wyceniam tak jak inne automatyzacje i agentów AI: wdrożenie kosztuje 3000 –⁠ 18 000 zł netto, a utrzymanie 400 –⁠ 2000 zł netto miesięcznie. Co obejmuje dolna granica, opisuję na końcu przewodnika, a jak liczę całkowity koszt agenta AI, rozpisuję w przewodniku ile kosztuje agent AI.

Cenniki i przepisy się zmieniają. Linki do źródeł są na dole strony.

Stawki z oficjalnych cenników dostawców

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak AI odbiera telefony w firmie: telefonia, mowa i model językowy

Agent głosowy AI składa się z czterech części, które pracują razem w jednej rozmowie. Telefonia odbiera połączenie. Rozpoznawanie mowy zamienia głos rozmówcy na tekst. Model językowy, czyli AI, które rozumie sprawę, wybiera odpowiedź. Synteza mowy czyta tę odpowiedź na głos. Do tego dochodzą narzędzia, z których agent korzysta w trakcie rozmowy, na przykład kalendarz albo CRM, czyli program do prowadzenia klientów. Każda z tych części dokłada opóźnienie, koszt i własne źródło błędów.

Połączenie zaczyna się w telefonii. Numer należy do operatora, który przekazuje rozmowę dalej przez internet. Służy do tego SIP, czyli standard przesyłania rozmów telefonicznych przez sieć. OpenAI pisze wprost, że do jego usługi głosowej (Realtime API) numer podłączysz przez operatora, który przekaże rozmowy przez SIP, na przykład Twilio. Takie łącze nazywa się SIP trunk. Jeśli dane mają być przetwarzane w Europie, OpenAI ma do tego osobny adres. ElevenLabs pozwala w ten sam sposób podłączyć firmową centralę telefoniczną, bez przenoszenia numerów, i przyjmuje dźwięk w jakości zwykłej rozmowy telefonicznej albo lepszej.

Dalej są dwa warianty. W pierwszym, klasycznym, mowa rozmówcy zamienia się na tekst, model językowy pisze odpowiedź, a synteza mowy ją odczytuje. W drugim jeden model słyszy głos i od razu odpowiada głosem, bez zamiany na tekst. Tak działają modele gpt-realtime w OpenAI. W obu wariantach agent może w trakcie rozmowy użyć narzędzia: sprawdzić wolny termin w kalendarzu, znaleźć zamówienie albo zapisać zgłoszenie w CRM. Zwykle robi to przez webhook, czyli adres, pod który wysyła dane, a system firmy odsyła odpowiedź.

O tym, czy rozmowa brzmi naturalnie, decyduje to, czy agent pozna, że rozmówca skończył mówić. OpenAI Realtime API ma na to dwa tryby. Pierwszy czeka na chwilę ciszy o ustawionej długości. Drugi ocenia po słowach, czy rozmówca skończył myśl, i przy zdaniu urwanym w połowie czeka dłużej. Osobne ustawienie decyduje, czy klient może wejść agentowi w słowo, tak jak człowiekowi: wtedy jego głos przerywa odpowiedź, która właśnie płynie w słuchawce. Przy polskich numerach i adresach, dyktowanych z pauzami, zbyt krótka cisza ucina rozmówcę w połowie numeru, dlatego długość ciszy ustawiam na testach, a nie zostawiam domyślnej. Dla programisty przykład tych ustawień jest niżej.

Szybkość ma swoją cenę. ElevenLabs podaje, że model Flash v2.5 generuje mowę w mniej niż 75 milisekund i obsługuje polski, ale w poradniku dobrych praktyk przyznaje, że ten mniejszy model gorzej odczytuje liczby niż większy Multilingual v2: zapis „$1,000,000” Flash v2.5 czyta jako „tysiąc tysięcy dolarów”. Wybór modelu mowy to zawsze kompromis między czasem odpowiedzi a poprawnym odczytaniem kwoty czy daty.

W praktyce firma ma trzy drogi. Gotowy abonament, taki jak Voicebot w home.pl, konfigurujesz bez programisty: baza wiedzy powstaje ze strony firmy, a Ty ustawiasz przekierowania. Na platformie do budowy agentów, takiej jak ElevenAgents, budujesz agenta z własnymi narzędziami i podłączasz numer przez SIP. Najwięcej możliwości daje własna aplikacja połączona bezpośrednio z modelem mowy, na przykład z OpenAI Realtime. Im dalej na tej liście, tym więcej kontroli nad przełączeniami, danymi i kosztem każdej rozmowy, ale też więcej pracy przy budowie i utrzymaniu.

{
  "type": "session.update",
  "session": {
    "type": "realtime",
    "audio": {
      "input": {
        "turn_detection": {
          "type": "semantic_vad",
          "eagerness": "low",
          "create_response": true,
          "interrupt_response": true
        }
      }
    }
  }
}

Cztery warstwy agenta głosowego i jego narzędzia: co w każdej części najczęściej zawodzi

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Które telefony warto oddać automatowi, a które zostawić ludziom

Automatowi warto oddać rozmowy, które mają jasny cel i kończą się zapisem w systemie: zgłoszenie, wizyta, status zamówienia. Ludziom zostaw te, w których sama rozmowa jest usługą: rozmowy pełne złości albo smutku, negocjacje i sprawy, które wymagają oceny sytuacji.

Sprawdzam to jednym pytaniem: czy da się zapisać na kartce, czym kończy się dobra rozmowa? „Wizyta w kalendarzu na czwartek o dziesiątej” albo „zgłoszenie z numerem urządzenia i opisem usterki” to dobre zakończenia, bo widać je w systemie. „Klient uspokojony” nie jest zakończeniem, które automat potrafi sprawdzić.

Agent głosowy to szczególny przypadek agenta AI dla firmy: ma te same narzędzia i te same ograniczenia, tylko rozmawia głosem i nie ma czasu na namysł. Zasada jest ta sama co w każdej automatyzacji, którą buduję: automat przejmuje powtarzalną część, a człowiek zatwierdza pieniądze, wiadomości do klientów i decyzje o ludziach. Jak projektować takie punkty kontroli, opisuję w przewodniku człowiek w pętli.

Rodzaje telefonów do firmy i to, czy warto oddać je agentowi głosowemu

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Kiedy lepsza jest poczta głosowa, rezerwacja online albo człowiek

Prostsze rozwiązanie wystarczy w trzech sytuacjach. Telefonów jest kilka dziennie i prawie wszystkie odbierasz, więc nie ma czego odzyskiwać. Nie masz systemu, w którym zapiszesz wynik rozmowy, więc ktoś i tak będzie przepisywał notatki. Niemal każda rozmowa jest inna, więc nie da się opisać jednego scenariusza. Wtedy poczta głosowa, rezerwacja online albo człowiek wystarczą bez budowy i utrzymania.

Zwrot liczę z telefonów, których dziś nikt nie odbiera, i z czasu, który ludzie tracą na powtarzalne pytania, a nie z etatu, który automat miałby zastąpić. Wyjątki, reklamacje i klienci, którzy chcą rozmawiać z człowiekiem, zostają przy ludziach. Jeśli ktoś obiecuje Ci konkretny procent oszczędności, zanim zobaczy biling, czyli wykaz Twoich połączeń, prosi o zaufanie, a nie podaje fakt.

Co wybrać zamiast agenta głosowego, zależnie od sytuacji w firmie

Tabela jest szersza niż ekran: przesuń ją palcem w bok.

Jak wdrożyć automatyczne odbieranie telefonów krok po kroku

Wdrożenie zaczynam od jednego rodzaju połączeń i od godzin, w których dziś nikt nie odbiera telefonu. Więcej spraw oddaję agentowi dopiero wtedy, gdy przegląd zapisanych rozmów (transkrypcji) pokazuje, że radzi sobie z wyjątkami.

Przy uprawnieniach narzędzi zatrzymuję się najdłużej. Rozmówca może próbować namówić agenta do czegoś, czego ten robić nie powinien, a głos niczym się tu nie różni od tekstu w czacie. Jak ograniczać takie ryzyko, opisuję w przewodniku bezpieczeństwo agenta AI.

Policz też równoczesne rozmowy. Cennik ElevenAgents podaje limit od 4 połączeń naraz w planie darmowym do 40 w planie Business. Według dokumentacji ElevenLabs po jego przekroczeniu połączenia przychodzące są odrzucane, chyba że włączysz kolejkowanie. Poniedziałkowy poranek w serwisie potrafi wyglądać inaczej niż średnia z miesiąca.

Jeśli klienci umawiają się głównie w godzinach pracy i chętniej klikają, niż dzwonią, zacząłbym od systemu rezerwacji online: klient sam widzi wolne terminy i niczego nie dyktuje, a agent głosowy może później korzystać z tego systemu jako ze swojego narzędzia.

1. Policz połączeniaZ bilingu albo centrali: ile telefonów dziennie, w jakich godzinach i ile nieodebranych. Bez tej liczby nie wiesz, czy jest co odzyskiwać.
2. Wybierz jeden scenariuszNa przykład przyjęcie zgłoszenia serwisowego po godzinach. Spisz pola, które muszą trafić do systemu, i zdanie, którym rozmowa się kończy.
3. Ustal granice i przełączeniaSpisz tematy, przy których agent przełącza rozmowę do pracownika albo zapisuje ją do oddzwonienia. Podaj numer docelowy i ustal, co agent mówi, gdy nikt nie odbiera.
4. Napisz powitanieFirma, informacja o AI, o nagrywaniu, jeśli jest, i o możliwości rozmowy z człowiekiem. Jedno, najwyżej dwa zdania.
5. Podłącz narzędzia z minimalnymi uprawnieniamiAgent czyta wolne terminy i tworzy rezerwację wstępną, ale nie usuwa wizyt i nie zmienia cen. Każde narzędzie ma limit czasu i komunikat na wypadek błędu.
6. Przetestuj na próbnych rozmowachPrzerywanie w pół zdania, poprawki numeru, nazwiska z polskimi znakami, hałas z ulicy, długa cisza, prośba o człowieka i awaria kalendarza. Każdy test ma wynik: zaliczony albo do poprawy.
7. Zacznij po godzinach i przy zajętej liniiNa start centrala przekierowuje tylko połączenia, których dziś nikt nie odbiera. W godzinach pracy telefony odbierają ludzie, tak jak dotąd.
8. Przeglądaj rozmowy co tydzieńPrzez pierwsze tygodnie czytam transkrypcje rozmów zakończonych przełączeniem albo bez rezultatu. Poprawki trafiają do instrukcji i bazy wiedzy, a nie do pamięci jednej osoby.

Kiedy i jak przełączyć rozmowę do pracownika

Rozmowa trafia do człowieka, gdy rozmówca o to prosi, gdy sprawa dotyczy reklamacji, pieniędzy albo emocji i gdy dwa razy z rzędu nie udało się potwierdzić tego samego. Dobre przełączenie przekazuje pracownikowi streszczenie, żeby klient nie opowiadał wszystkiego od nowa.

Warunki przełączenia zapisuję wprost, a nie zostawiam modelowi do wyczucia. Prośba o rozmowę z człowiekiem w dowolnej formie, słowa „reklamacja”, „skarga”, „zwrot pieniędzy”, dwa nieudane potwierdzenia tego samego pola i każda sprawa, na którą nie ma przygotowanego narzędzia, kończą się przełączeniem albo zgłoszeniem do oddzwonienia.

ElevenLabs opisuje trzy sposoby przełączenia, które różnią się tym, co usłyszy pracownik. W transferze konferencyjnym system dzwoni do pracownika, łączy go z klientem i sam się wyłącza. Pracownik słyszy wtedy wiadomość ze streszczeniem, ale tylko wtedy, gdy numer jest podłączony przez wbudowaną integrację z Twilio. Transfer bezpośredni, też tylko przy tej integracji, przełącza od razu i zachowuje numer klienta, ale bez streszczenia. Transfer przez SIP REFER, czyli polecenie oddania rozmowy centrali, też nie daje pracownikowi wiadomości. W OpenAI Realtime API rozmowę przekazuje osobne polecenie refer, które kieruje połączenie na wskazany numer albo adres SIP.

Gdy streszczenia nie da się przekazać głosem, wysyłam je równolegle: notatka w CRM albo wiadomość na komunikatorze zespołu z numerem dzwoniącego, tematem i tym, co już ustalono. Pracownik odbiera telefon, patrząc na ekran, i nie zaczyna od pytania, w czym może pomóc.

Przypadek, o którym łatwo zapomnieć: nikt nie odbiera przełączenia. Na taką sytuację agent potrzebuje osobnego scenariusza: mówi wprost, że w tej chwili nikt nie może podejść, zapisuje zgłoszenie z numerem i dogodną porą oddzwonienia, a potem potwierdza je SMS-em. Bez tego klient ląduje w ciszy, czyli dokładnie tam, skąd całe wdrożenie miało go wyciągnąć.

{
  "reason": "reklamacja zamówienia",
  "transfer_number": "+48000000000",
  "client_message": "Łączę z osobą od reklamacji. Proszę chwilę poczekać.",
  "agent_message": "Uszkodzona dostawa, numer zamówienia potwierdzony. Klient chce wymiany, nie zwrotu."
}

Czy rozmówca musi wiedzieć, że rozmawia z maszyną? Art. 50 AI Act

Tak. Art. 50 AI Act wymaga, żeby od 2 sierpnia 2026 r. osoba, która przez telefon rozmawia z systemem AI, dowiedziała się o tym najpóźniej przy pierwszej interakcji, w jasny i wyraźny sposób, chyba że w danych okolicznościach jest to oczywiste.

Podstawą jest art. 50 ust. 1 rozporządzenia (UE) 2024/1689, czyli AI Act. Według niego dostawca musi zaprojektować system AI, który rozmawia bezpośrednio z ludźmi, w taki sposób, żeby rozmówca wiedział, że rozmawia z AI. Ust. 5 dodaje, że informacja ma być jasna i wyraźna, przekazana najpóźniej przy pierwszej interakcji i zgodna z wymogami dostępności. Komisja Europejska w odpowiedziach na pytania o art. 50 wymienia cztery warunki, które muszą być spełnione razem: system AI, prawdziwa rozmowa w obie strony, kontakt bez człowieka pośrodku i rozmówca będący osobą fizyczną, także przedsiębiorcą. Program odbierający telefony w imieniu firmy spełnia wszystkie cztery.

Wyjątek „to oczywiste” Komisja każe rozumieć wąsko: liczy się to, co byłoby oczywiste dla przeciętnej, dobrze poinformowanej i uważnej osoby. Przy telefonie trudno mówić o oczywistości: rozmówca nie widzi żadnego oznaczenia, a dobrze dobrany syntetyczny głos może brzmieć jak człowiek. Dlatego informacja pada w pierwszym zdaniu powitania, a asystent nie dostaje ludzkiego imienia i nazwiska, które sugerowałyby pracownika.

Data się nie zmieniła. Harmonogram Komisji, uwzględniający już zmiany wprowadzone pakietem Digital Omnibus on AI, podaje 2 sierpnia 2026 r. jako początek stosowania art. 50 i egzekwowania przepisów o przejrzystości. Przesunięcie do 2 grudnia 2026 r. dotyczy tylko oznaczania treści syntetycznych w formacie czytelnym maszynowo (ust. 2) w systemach wprowadzonych do obrotu przed 2 sierpnia 2026 r.

Kto odpowiada za komunikat? Ust. 1 dotyczy dostawcy, a dostawcą jest według AI Act także ten, kto zleca zbudowanie systemu i oddaje go do użytku pod własną nazwą. Jeśli zamawiasz agenta zbudowanego na API modelu i uruchamiasz go jako asystenta swojej firmy, dostawcą możesz być Ty. Przy gotowym abonamencie, sprzedawanym pod marką producenta, dostawcą w rozumieniu tej definicji jest producent, ale powitanie słyszą Twoi klienci, więc i tak sprawdzasz, czy informacja pada. Jeśli narzędzie reklamuje rozpoznawanie emocji, zapytaj, czy to system rozpoznawania emocji w rozumieniu AI Act. Wtedy art. 50 ust. 3 każe firmie, która go używa (w AI Act: podmiotowi stosującemu), poinformować o nim rozmówców.

Kary za naruszenie art. 50 sięgają według Komisji 15 mln euro albo 3 procent całkowitego światowego obrotu z poprzedniego roku, a przy małych i średnich firmach można uwzględnić proporcjonalność. Co jeszcze AI Act i RODO zmieniają w firmie korzystającej z AI, opisuję w przewodniku AI Act i RODO w małej firmie.

• Powitanie, które spełnia oba obowiązki„Dzień dobry, tu automatyczny asystent AI firmy [nazwa]. Rozmowa jest nagrywana w celu obsługi zgłoszenia, szczegóły wyślę SMS-em. W każdej chwili może Pan lub Pani poprosić o połączenie z pracownikiem.”
• Bez udawania człowiekaAgent nie przedstawia się imieniem i nazwiskiem, nie mówi „sprawdzę u kolegi” i nie odpowiada „jestem człowiekiem”, gdy rozmówca pyta wprost.
• Powitanie w każdym kanaleTa sama informacja w rozmowach przychodzących, wychodzących i po przełączeniu z innej linii. Nie tylko w regulaminie na stronie.

Dlaczego numery, adresy i nazwiska po polsku łatwo przekręcić

Numery telefonów, NIP-y, kody pocztowe, adresy i nazwiska są trudne, bo pomyłki nie słychać w samej rozmowie: brzmi ona dobrze, a w systemie ląduje zły numer. Dlatego każde takie pole traktuję jako osobny punkt kontroli.

Problem ma dwie strony. Rozpoznawanie mowy musi wyłapać cyfry wypowiedziane szybko, w grupach i z poprawkami w rodzaju „sześćset dwanaście, nie, sześćset dwadzieścia”. Synteza mowy musi je potem odczytać z powrotem. ElevenLabs w dokumentacji wymienia numery telefonów, kwoty, daty, godziny, adresy i adresy stron jako elementy, które modele mowy potrafią przeczytać źle, i zaleca, żeby model językowy zamieniał je na słowa, zanim trafią do syntezy.

Polszczyzna dokłada odmianę. Ta sama data brzmi „dwudziestego trzeciego października”, „do dwudziestego trzeciego” albo „na dwudziesty trzeci”, a godzina to „czternasta trzydzieści” albo „wpół do trzeciej”. Ulice noszą imiona patronów w dopełniaczu, a nazwiska bywają podobne do zwykłych słów. Ile będzie pomyłek, zależy od wybranych modeli i głosów, dlatego sprawdzam to na testach. Zasada jest stała: każde pole, które trafia do systemu, agent odczytuje rozmówcy z powrotem i czeka na wyraźne „tak”.

Te same przypadki sprawdzam przed uruchomieniem na kilkudziesięciu próbnych rozmowach z numerami, nazwiskami z polskimi znakami i hałasem w tle. Jeśli agent myli się na liczbach częściej, niż firma może zaakceptować, ograniczam jego rolę do przyjęcia sprawy, a numer potwierdza człowiek przy oddzwonieniu.

1. Odczyt w grupachNumer telefonu agent czyta w grupach po trzy cyfry, kod pocztowy jako dwie i trzy cyfry, a NIP cyfra po cyfrze. Rozmówca potwierdza całość, a nie fragment.
2. Jedno pole narazAgent pyta o adres dopiero po potwierdzeniu numeru. Pięć pytań w jednym zdaniu kończy się pięcioma niepewnymi odpowiedziami.
3. Dane z systemu zamiast z uchaJeśli klient jest już w CRM, agent szuka go po numerze, z którego dzwoni, i prosi tylko o potwierdzenie, a nie o dyktowanie od zera.
4. SMS z podsumowaniemTermin, adres i numer zgłoszenia wracają do klienta SMS-em zaraz po rozmowie. Pomyłkę widać od razu, a nie w dniu wizyty.
5. Czego nie zbierać głosemPESEL, numer karty, hasła i dane o zdrowiu nie powinny przechodzić przez rozmowę z automatem. Do tego służy bezpieczny formularz albo rozmowa z pracownikiem.

Nagrywanie rozmów a RODO: co powiedzieć na początku

Głos rozmówcy, numer telefonu i transkrypcja to dane osobowe, więc na początku rozmowy agent przekazuje najważniejsze informacje z art. 13 RODO, a resztę wysyła linkiem albo SMS-em. Nagrywanie włączasz tylko wtedy, gdy masz do niego podstawę prawną i realny powód.

Informacje o danych możesz przekazać w dwóch warstwach. Tak radzą, także dla rozmów telefonicznych, wytyczne Grupy Roboczej Art. 29 w sprawie przejrzystości (WP260), opublikowane po polsku na stronie UODO. W pierwszej warstwie, czyli w samej rozmowie, rozmówca słyszy, kto jest administratorem, w jakim celu przetwarza dane, że ma prawa wynikające z RODO i o przetwarzaniu, które mogłoby go zaskoczyć. Pozostałe informacje z art. 13 można przekazać innym kanałem, na przykład linkiem do polityki prywatności albo e-mailem. Wytyczne dodają, że gdy informacje przekazuje się ustnie, rozmówca powinien móc je ponownie odsłuchać, więc agent na prośbę powtarza komunikat słowo w słowo.

Nagranie to osobna decyzja. Agent może działać bez zapisywania dźwięku, a do sprawdzania jakości może wystarczyć transkrypcja, która też jest danymi osobowymi. UODO w 2022 r. nałożyło karę 10 tys. zł na ośrodek, który rejestrował dźwięk bez podstawy prawnej z art. 6 ust. 1 RODO, i przywołało wytyczne 3/19 Europejskiej Rady Ochrony Danych, według których zapis obrazu z dźwiękiem jest większą ingerencją w prywatność niż sam obraz. To była sprawa monitoringu, a nie infolinii, ale zasada jest ta sama: najpierw cel i podstawa, potem przycisk „nagrywaj”.

Każdy dostawca w łańcuchu przetwarza dane w Twoim imieniu: platforma agenta, dostawca modelu i operator telefonii. Art. 28 RODO wymaga pisemnej umowy powierzenia i sprawdzenia, czy dostawca daje wystarczające gwarancje. UODO ukarało administratora, który powierzył dane bez takiej umowy i bez weryfikacji. Zanim podłączysz numer, sprawdź, gdzie trafiają nagrania i transkrypcje, jak długo są przechowywane i czy możesz je usuwać.

Przy wyborze dostawcy patrzę też na miejsce przetwarzania. OpenAI ma osobny adres SIP dla europejskiego przetwarzania danych, a w cenniku dolicza 10 procent za przetwarzanie regionalne przy modelach wydanych od 5 marca 2026 r. ElevenLabs w dokumentacji SIP opisuje adresy dla izolowanych regionów danych, w tym unijnego, przy funkcji stałych adresów IP dla klientów Enterprise. Co obejmuje Twój plan, potwierdź w umowie, a nie na stronie produktu.

• Pierwsza warstwa w powitaniuNazwa firmy jako administratora, cel rozmowy, informacja o nagrywaniu, jeśli jest, i o tym, gdzie znaleźć resztę informacji.
• Druga warstwa w SMS-ie lub na stroniePełna klauzula z art. 13: podstawa prawna, odbiorcy, czas przechowywania, prawa i kontakt. Link w SMS-ie z potwierdzeniem albo stała podstrona.
• Krótkie przechowywanieNagrania i transkrypcje usuwane automatycznie po ustalonym czasie. Im krócej leżą, tym mniej jest do wycieku i do wydania na żądanie.

Czy wolno dzwonić do klientów automatem z ofertą? Art. 398 PKE

Agent głosowy może dzwonić do klientów, ale z ofertą handlową tylko do tych, którzy wcześniej się na to zgodzili. Tak stanowi art. 398 Prawa komunikacji elektronicznej: automatycznego systemu wywołującego nie wolno używać do wysyłania informacji handlowej, w tym marketingu bezpośredniego, jeśli abonent lub użytkownik końcowy nie wyraził na to uprzedniej zgody.

W tekście przepisu nie ma wyjątku dla klientów firmowych: mowa w nim o abonencie lub użytkowniku końcowym, bez podziału na konsumentów i przedsiębiorców. Ust. 3 dodaje, że taki kontakt nie może odbywać się na koszt odbiorcy, a ust. 4, że naruszenie jest czynem nieuczciwej konkurencji. Nie ma w nim też podstawy dla „domniemanej zgody” w relacjach między firmami (B2B). Zgodę zapisuj w CRM z datą, źródłem i kanałem, bo to Ty będziesz ją wykazywać.

Drugi przepis to ustawa o prawach konsumenta. Art. 20 ust. 1: przedsiębiorca, który dzwoni do konsumenta, żeby zawrzeć umowę na odległość, musi na początku rozmowy podać ten cel oraz dane identyfikujące siebie i osobę, w której imieniu dzwoni. Ust. 2: jeśli proponuje umowę przez telefon, potwierdza jej treść na papierze albo innym trwałym nośniku, a oświadczenie konsumenta jest skuteczne dopiero wtedy, gdy zostanie utrwalone po otrzymaniu tego potwierdzenia. Agent może więc umówić prezentację, ale „tak” powiedziane automatowi nie zamyka sprzedaży konsumenckiej.

Nie każdy telefon wychodzący to marketing. Potwierdzenie umówionej wizyty albo informacja, że zamówienie czeka na odbiór, dotyczą sprawy, którą klient już otworzył. Granica przesuwa się, gdy do przypomnienia dokładasz propozycję płatnej usługi. Wtedy bezpieczniej traktować rozmowę jak informację handlową, a przy wątpliwościach zapytać prawnika przed kampanią, nie po pierwszej skardze.

Jest jeszcze rachunek. Według cennika Twilio dla Polski minuta połączenia na polską komórkę kosztuje ponad 20 razy więcej niż minuta odebrana na polskim numerze komórkowym. W niższej stawce, dla połączeń z Europejskiego Obszaru Gospodarczego, to wciąż prawie siedem razy więcej. Dokładne stawki są w tabeli wyżej. Kampania wychodząca liczy się więc zupełnie inaczej niż linia, która tylko odbiera telefony.

Od czego zacząć, gdy część telefonów zostaje bez odpowiedzi

Zacznij od bilingu albo raportu z centrali: ile telefonów zostaje bez odpowiedzi, o jakich porach i w jakich sprawach. Te trzy informacje wystarczą, żeby porównać pocztę głosową, gotowy abonament i własnego agenta na liczbach, a nie na wrażeniu.

Dolna granica mojej ceny wdrożenia obejmuje rozpisanie jednego procesu i policzenie, ile czasu zjada, połączenie z programami, których już używasz, punkt zatwierdzenia przez człowieka oraz instrukcję i szkolenie dla zespołu. Kwotę podnoszą połączenie z systemem bez gotowego łącznika i wymóg pełnej historii decyzji. Utrzymanie, czyli poprawki i reagowanie na zmiany w połączonych systemach, to osobna opłata miesięczna. Minuty, telefonię i model płacisz bezpośrednio dostawcom, według ich cenników z tabeli w części o kosztach.

Zasadę, według której pracuję, pokazuje demo automatyzacji faktur i maili. To demo obiegu dokumentów, a nie rozmowy telefonicznej, ale zasada jest ta sama: automat przygotowuje sprawę, a człowiek ją zatwierdza. Automatyzację, która działa w produkcji, opisałem w realizacji platforma kursów online: płatność sama wystawia fakturę, a gdy wystawienie się nie uda, system ponawia próbę, a potem oznacza fakturę w panelu jako nieudaną i właściciel ponawia ją jednym przyciskiem. W agencie głosowym działa to tak samo: powtarzalną część bierze system, a pieniądze i trudne sprawy zostają u ludzi. Zakres usługi opisuję na stronie automatyzacje AI, a pełne ceny są w cenniku.

Jeśli chcesz sprawdzić, czy u Ciebie ma to sens, napisz, jakie telefony odbierasz, ile ich jest dziennie i w jakich godzinach oraz w jakich systemach trzymasz kalendarz, zamówienia albo klientów. Odpowiadam w ciągu jednego dnia roboczego. Zakres, termin i jedną kwotę dostajesz na piśmie przed startem. Pracuję z Mikołowa, zdalnie w całej Polsce.

Pytania i odpowiedzi