O formulário de monitoria que preenche sozinho

Como declarar os campos que você já usa e receber a conversa inteira pontuada, com evidência em cada linha.

O formulário que existe e cobre 1%

Toda operação tem um. As linhas são sempre parecidas: saudação com identificação, sondagem de necessidade, oferta correta, script de compliance lido por inteiro, encerramento. Um supervisor audita dez ligações por agente por mês. Uma operação com cem agentes, cada um fazendo cem ligações por dia, produz duzentas mil chamadas no mês. Dez por agente cobrem 1% disso.

Dessa fatia saem bônus, plano de melhoria e desligamento. A fatia é escolhida com viés de horário e de disponibilidade, não por sorteio. O supervisor audita o que está na fila, no turno em que está logado, nas gravações que o sistema deixou acessíveis. Ninguém amostra com método estatístico, porque não há tempo para isso.

E quando chega um pedido de evidência sobre uma ligação específica de três meses atrás, ela quase nunca é uma das auditadas. A auditoria começa do zero: alguém escuta o áudio inteiro, transcreve à mão, procura o trecho que importa e escreve o parecer. Se o pedido vem do Procon ou da área de risco, o prazo aperta e o trabalho cai em cima de quem estiver disponível.

A inversão

Em vez de a plataforma oferecer relatórios prontos, você declara os campos e ela devolve cada um preenchido, conversa por conversa. Cada linha do formulário vira um campo com tipo de retorno. O construtor visual recebe os campos, a plataforma processa a chamada e devolve o resultado.

O último campo é o mais importante em auditoria e o mais esquecido em projeto de automação. Uma nota sem evidência não sobrevive a contestação. Pedir o trecho que sustenta cada reprovação transforma o resultado em algo que o agente pode ler, o supervisor pode conferir e a área de risco pode arquivar. Sem esse campo, o número é uma acusação. Com ele, é um documento.

Quatro coisas precisam ser verdade antes

A nota que sai da máquina só aguenta ser contestada pelo agente, pelo sindicato e pela área de risco se quatro coisas forem verdade antes dela. Cada uma é condição, não recurso.

Precisão no áudio que a telefonia entrega

Nenhuma análise acontece sobre áudio. Acontece sobre o texto, e a qualidade de tudo que vem depois está limitada pela transcrição. Se o modelo troca o número do protocolo, erra o valor negociado ou não entende o nome do produto, nenhuma camada seguinte conserta. O áudio de contact center chega em 8 kHz, comprimido pelo codec, com ruído de linha, sotaque regional, cliente falando de dentro do carro e os dois lados falando ao mesmo tempo. Modelo treinado em áudio limpo tropeça exatamente aí, e o erro se concentra justamente nos trechos que a auditoria precisa ler: número, valor, nome, condição.

O modelo da SipPulse para isso é o pulse-telephony, treinado para chamada real de telefonia em português do Brasil. A SipPulse mediu WER, com normalização para o português, num conjunto privado de 261 trechos de chamadas telefônicas reais em 8 kHz, com codecs de telefonia, ruído e sotaques, e transcrição de referência revisada por humanos trecho a trecho. Dados privados, que nenhum provedor viu em treinamento. As APIs de nuvem foram chamadas com language=pt e formatação inteligente ligada, que é o cenário mais favorável a elas. No conjunto de telefonia:

É justo assumir o resultado desfavorável de frente: num corpus de fala preparada de palestra, o TEDx em português, o Whisper vence o pulse-telephony, 9,2% contra 10,6%. Fala preparada de palestra é o tipo de áudio em que o modelo de nuvem é imbatível, e é quase certo que esteja no treino dele. É justamente o áudio que não se parece com uma ligação. Esse contraste é o argumento, não uma concessão.

Vale a ressalva: WER mede erro por palavra e não erro por entidade. O argumento sobre número, valor e nome fica no plano qualitativo, porque a métrica não converte diretamente em taxa de erro de CPF, de protocolo ou de valor.

Para auditar base histórica o modelo roda em lote assíncrono, com identificador próprio por requisição e consulta de status, o que permite processar meses de gravação sem manter conexão aberta. A mesma resposta de API já traz diarização estéreo, anonimização, sumarização, sentimento e as análises personalizadas, sem chamada extra.

Diarização estéreo, em vez de inferência

Quase toda pergunta de qualidade é uma pergunta sobre autoria. O agente se identificou? O agente leu o aviso de gravação? O cliente pediu para não ser contatado de novo? Sem separação de locutor nada disso é verificável, e a transcrição vira um bloco de texto sem autor, que serve para legenda de vídeo e não serve para avaliar atendimento. Diarização convencional agrupa trechos por semelhança acústica e chama de locutor 1 e locutor 2, o que degrada com vozes parecidas, fala sobreposta, ruído de linha e cliente passando o telefone para outra pessoa. Só que o contact center não precisa inferir: a gravação estéreo já guarda o agente em um canal e o cliente no outro, porque a plataforma de telefonia sabe quem é quem. A atribuição por canal sustenta uma reprovação em contestação melhor do que atribuição por semelhança de voz.

Se a sua plataforma de gravação grava em mono, essa é a primeira coisa a mudar, antes de qualquer projeto de automação de qualidade.

Anonimização brasileira, na origem

Transcrever a base significa criar uma segunda base, agora em texto pesquisável, cheia de CPF, número de cartão, endereço e nome completo. Texto se copia, se exporta para planilha, se cola em ticket e vaza com muito mais facilidade do que áudio. A anonimização atua na própria transcrição, antes de o texto circular, e remove por seleção CPF, CNPJ, telefone, cartão, e-mail, CEP, endereço IP, localização e nome de pessoa. CPF e CNPJ são categorias brasileiras, que ferramenta importada não trata como entidade própria.

O painel de anonimização (capa) no playground de fala para texto. Cada categoria de dado sensível é ligada ou desligada por seleção, e o playground gera o código equivalente em cURL, Python e JavaScript.

O ponto prático é que auditoria de qualidade quase nunca precisa do dado real. Para avaliar se o agente confirmou a identidade antes de falar de fatura, importa que a confirmação aconteceu, não qual é o CPF. Anonimizar remove risco sem remover a capacidade de auditar, e é o que permite abrir o painel de qualidade para supervisor, coordenador e consultoria externa sem discussão de acesso.

Execução local

Gravação de voz é dado biométrico sob a LGPD, e em setor regulado isso decide o projeto. O pulse-telephony roda on-premises, em lote e em streaming, e aí o áudio do cliente não sai da infraestrutura dele em momento nenhum.

O custo, porque é ele que mata ou aprova o projeto

O volume é minutos de gravação por mês, e você sabe o seu. Monitoria em 100% da base é o caso de uso de maior volume de áudio da operação inteira, e é por isso que a conta muda de natureza.

O consumo é em créditos em real, com impostos inclusos, cobrado por minuto de áudio no reconhecimento de fala. O AI Budget define limite por sessão e cota semanal, então o gasto fica previsível antes do fechamento. On-premises, o custo por minuto vira infraestrutura fixa, o que inverte a conta justamente no volume alto, que é o caso da monitoria.

Dois fatos técnicos entram aqui porque em auditoria de base histórica eles são custo, não desempenho: o modelo transcreve uma hora de áudio em cerca de 13 segundos, e é eficiente o bastante para rodar em CPU, sem GPU. Uma base de meses de gravação deixa de ser projeto de fim de semana e o processamento deixa de exigir hardware dedicado. O áudio é processado no Brasil, em infraestrutura própria, o que também é um item da conta e não só de conformidade.

A triagem que vem junto

Com o texto pronto e atribuído, três análises vêm na mesma resposta da API, sem chamada extra. Não substituem o julgamento humano; dizem onde o humano deve olhar.

Sentimento. O valor não está na média do mês e sim na cauda, nas ligações em que o sentimento do cliente piora ao longo do atendimento, que viram a fila prioritária.

Sumarização. O supervisor lê dez resumos no tempo em que ouviria uma ligação inteira e decide quais valem o áudio completo.

Detecção de tópico com grau de confiança. Produz o mapa real do motivo das ligações, que costuma ser bem diferente do que o menu da URA e o campo de tabulação do agente sugerem. É dali que sai a lista honesta do que automatizar primeiro.

O ciclo que fecha

O schema é exportável entre times e projetos, o que mantém o mesmo critério em carteiras diferentes. Ele se aplica igual a voz e a chat, e igual a atendimento humano e a agente de IA, o que finalmente torna as duas notas comparáveis. O resultado sai por webhook para o BI assim que fica pronto, sem alguém exportando planilha na sexta. Nos agentes de voz da plataforma a pós-análise dispara ao encerrar a conversa, então o agente de IA já nasce auditado pelo mesmo formulário do agente humano.

Quem está colocando agente de IA no primeiro nível passa a poder comparar a nota do agente de IA com a do humano na mesma régua, em vez de discutir no achismo.

O que muda na rotina

Vale ser claro sobre o que essa arquitetura não faz. Ela não demite o supervisor e não decide desligamento. O que muda é a ordem do trabalho. Antes o supervisor gastava o dia procurando o que auditar e sobrava pouco tempo para agir. Com a base inteira pontuada, a fila continua existindo, mas chega priorizada: reprovações de compliance, ligações em que o sentimento despencou, agentes cujo indicador caiu na semana. O tempo humano vai para a conversa de feedback e para o caso difícil. E o pedido de evidência sobre a ligação de três meses atrás deixa de ser mutirão de escuta, porque a transcrição diarizada, o resumo, os campos avaliados e o trecho que sustenta cada conclusão já estão gravados.

Como começar

O caminho mais rápido não é integrar tudo. É pegar um lote pequeno de gravações que a própria equipe já auditou, rodar o mesmo formulário como schema e comparar as duas notas. Essa comparação entrega duas coisas: mostra onde o schema precisa de ajuste, porque critério vago para a máquina normalmente também é critério vago para o avaliador humano, e dá ao time de qualidade a confiança para aceitar o resultado, que é o obstáculo real desses projetos, não a tecnologia.

Traga um lote de ligações já auditadas pela sua equipe e o formulário de monitoria que vocês usam hoje. A SipPulse transforma o formulário em schema e compara o resultado com a nota humana, na sua própria base. Confirmado o encaixe, a base histórica roda em lote assíncrono e as novas conversas passam a ser pontuadas no fluxo.

sippulse.com · docs.sippulse.ai · info@sippulse.com · +55 48 3332-8540