O agente ganhou rosto: o que muda quando a IA atende por vídeo

A interface dos agentes de IA está mudando. Primeiro, conversávamos por texto. Depois, passamos a falar com assistentes de voz. Agora, empresas começam a testar agentes que aparecem em vídeo, com rosto, gestos e expressões. A promessa é tornar a interação mais próxima de uma conversa presencial. Mas, na operação, a pergunta não é se o avatar parece humano. É se ele ajuda o cliente a resolver algo com menos atrito.

Um exemplo recente é o Atmee v2, da Atmanity, anunciado em 4 de novembro de 2026. A empresa o descreve como um modelo de vídeo em tempo real para agentes ao vivo. Segundo a Atmanity, o sistema combina o Causeur, que decide comportamento, personalidade e timing, com o Atmee v2, que renderiza o avatar. A proposta é gerar a presença visual a partir de uma imagem de referência e uma amostra curta de áudio. São alegações do fornecedor; o anúncio e a documentação não substituem um teste independente em produção.

O vídeo muda a interface, não o trabalho que precisa ser feito

Um agente de texto responde em uma caixa de conversa. Um agente de voz acrescenta ritmo e entonação. Um agente por vídeo acrescenta presença: o cliente vê um rosto que reage, pode acompanhar uma demonstração e talvez perceba sinais de escuta. Isso pode ser relevante quando a confiança, a orientação visual ou a sensação de acompanhamento fazem parte da experiência.

Mas a camada visual não organiza fila, não corrige uma base de conhecimento desatualizada e não define quando um caso deve ir para uma pessoa. Se o processo não sabe o que fazer diante de uma exceção, o avatar só vai tornar a confusão mais convincente. Rosto bonito não conserta operação.

Onde um avatar pode entrar de verdade

Atendimento e triagem

Pode fazer sentido em uma recepção digital, em uma orientação inicial ou na triagem de uma dúvida que exige explicar próximos passos. A empresa precisa definir o escopo, as respostas autorizadas e a transferência para um atendente. Em cobrança, saúde, finanças ou qualquer interação sensível, presença visual não é consentimento nem garantia de que a resposta está correta.

Demonstração de produto

Um agente pode apresentar um produto, responder perguntas sobre funcionalidades ou orientar uma configuração. O teste deve verificar se o cliente encontra a informação e conclui a etapa desejada, não apenas se assiste à demonstração. Se o catálogo está incompleto ou as promessas comerciais divergem do produto, o avatar pode amplificar o problema.

Treinamento e onboarding

Em treinamento, a interação por vídeo pode dar uma face a explicações e simulações. Em onboarding, pode orientar uma pessoa nova em uma sequência de tarefas. O valor depende da qualidade do conteúdo, da possibilidade de fazer perguntas e da capacidade de reconhecer quando a pessoa não entendeu. Um vídeo atraente, por si só, não demonstra aprendizado nem reduz o tempo de integração.

Porta-voz digital

Um porta-voz digital pode apresentar informações recorrentes, explicar um serviço ou orientar visitantes em um ponto de venda ou canal digital. A empresa deve deixar claro que se trata de um agente de IA, decidir quem responde pelo conteúdo e manter um caminho de contato humano. Não use a aparência de uma pessoa real sem autorização adequada, nem deixe que a forma de apresentação esconda os limites do sistema.

O custo não é só o preço do plano

A página pública de preços da Atmee lista planos Free, Starter por US$ 9 ao mês, Growth por US$ 49, Pro por US$ 199 e Scale por US$ 599, além de Enterprise sob consulta. Os créditos incluídos renovam mensalmente e os não utilizados do plano não acumulam. A documentação informa cobrança por segundo, na proporção do modo escolhido.

No Atmee v2, o modo behavior-driven full-stack, em que o fornecedor executa a conversa e renderiza o avatar, consome 2 créditos por minuto. No modo avatar-only, a empresa traz seu próprio agente de voz e o serviço renderiza o rosto: 1 crédito por minuto. A página apresenta o preço de cada crédito entre US$ 0,105 e US$ 0,150, conforme o plano. Isso coloca o consumo de vídeo full-stack aproximadamente entre US$ 0,21 e US$ 0,30 por minuto, usando o preço por crédito do plano e sem contar eventuais recargas. O modo avatar-only fica aproximadamente entre US$ 0,105 e US$ 0,15 por minuto.

Essas contas ajudam a comparar modos, mas não são o custo total do atendimento. No avatar-only, entram também os custos do agente de voz, modelo, infraestrutura e integração que a empresa já usa ou terá de contratar. Nos dois casos, devem entrar desenvolvimento, monitoramento, suporte, revisão humana, latência e sessões que não resolvem o problema. O Atmee v2 HD é apresentado como opção Enterprise de preço customizado, então não dá para estimar seu custo apenas com a tabela pública.

Também há uma decisão de arquitetura. No modo full-stack, a plataforma executa comportamento, modelo de linguagem, voz e rosto. No avatar-only, a empresa mantém seu próprio agente e adiciona a camada visual. Não existe uma opção universalmente melhor. A escolha depende do que já está integrado, do nível de controle necessário e do custo por interação concluída, não só por minuto.

Um roteiro simples para testar antes de assinar

Eu faria um piloto pequeno, com uma pergunta operacional clara. Primeiro, escolheria um ponto de contato específico e registraria como ele funciona hoje: volume, tempo para resolver, abandono, transferência para pessoas, retrabalho e satisfação. Depois, definiria quais situações o agente pode tratar e quais deve encaminhar sem improvisar.

Em seguida, testaria casos comuns e exceções com os mesmos critérios do processo atual. Mediria a latência de ponta a ponta, a proporção de interações resolvidas, erros, interrupções, transferências, repetição de contatos e custo total por resolução correta. Compararia também a experiência com vídeo e sem vídeo: o rosto pode elevar a sensação de presença, mas talvez não melhore o resultado.

Antes de ampliar, verificaria limites de sessão e concorrência, como são tratados os dados de imagem e voz, quais registros ficam disponíveis, como suspender o agente e o que ocorre quando os créditos acabam. A página da Atmee informa que sessões terminam quando o saldo chega a zero; uma interrupção no meio do atendimento é um detalhe de operação, não uma nota de rodapé.

A métrica certa não é o quanto o avatar impressiona

A Atmanity apresenta o vídeo como a próxima interface dos agentes, depois do texto e da voz. É uma tese interessante, mas uma interface só merece entrar na operação quando melhora uma tarefa real sem criar novos custos e riscos desproporcionais. Demos mostram possibilidade; só o uso em condições representativas mostra se essa possibilidade serve ao negócio.

Minha sugestão para a próxima semana é escolher um ponto de contato em que a presença realmente possa importar, testar ali com um grupo pequeno e observar o que o cliente faz depois: resolveu, avançou, abandonou, pediu ajuda ou precisou repetir tudo para uma pessoa? O que acontece após a interação vale mais do que o quanto o avatar impressiona.

Este é o primeiro texto de uma série sobre a próxima infraestrutura da IA: no próximo post, vou olhar para o Project Suncatcher, do Google, e para a pergunta sobre o que muda quando a própria computação da IA começa a sair do chão.

Se vídeo é a interface, os satélites são uma aposta em onde a IA será executada. Veja também o próximo artigo sobre o Project Suncatcher, do Google, depois de publicado.

Fontes consultadas: Atmanity; preços e documentação de API da Atmee; TechcityAuthority; RuntimeWire.