Formação com avatar de IA: vídeo ou só voz?

A formação com avatar de IA é treino por role play com uma persona que pode ver e ouvir: uma personagem em vídeo, em tempo real, que faz de cliente, de doente ou de candidato enquanto fala com ela em voz alta. A cara acrescenta algo quando o trabalho em si é presencial. Quando o trabalho acontece ao telefone, o treino só com voz está mais perto da realidade e costuma ser a melhor escolha.

Este guia é para responsáveis de formação que estão a decidir se ativam personas em vídeo para as suas equipas. Encontra uma definição, as funções em que uma cara acrescenta valor ao treino e aquelas em que não acrescenta, o que diz a investigação sobre presença social, o lado dos custos e uma tabela de decisão por função.

Duas coisas a que se chama «formação com avatar de IA»

A expressão cobre dois produtos sem relação entre si, e os resultados de pesquisa misturam-nos.

O primeiro é a geração de vídeos com avatar para e-learning: software que transforma um guião num vídeo de um apresentador a lê-lo. Útil para módulos de compliance e explicações de produto. É conteúdo, não treino. Ninguém responde, e este artigo não é sobre isso.

O segundo é o role play com avatar: uma persona com uma cara que reage ao que diz, em tempo real, durante uma conversa que é você que conduz. O formando fala, a persona responde, a expressão muda com a conversa. É esse o tema aqui. Para as bases do treino em si, leia primeiro o que é o roleplay com IA.

O que uma cara acrescenta, e o que não acrescenta

O role play treina comportamentos em condições próximas da tarefa real. A pergunta a fazer a qualquer realismo adicional é simples: a tarefa real contém este elemento? Se o formando vai ter uma pessoa à frente, do outro lado de um balcão, de uma secretária ou de uma cama de hospital, a cara dessa pessoa faz parte do trabalho. Se o formando vai ouvir uma voz num auricular, não faz.

Elemento da tarefa real	O treino só com voz cobre-o	A persona em vídeo acrescenta-o
Encontrar palavras sob pressão	Sim	Sem alteração
Tom, ritmo e silêncio	Sim	Sem alteração
Ser observado enquanto fala	Em parte	Sim, a persona olha de volta
Ler um franzir de sobrancelhas ou um desvio de olhar	Não	Sim, dentro do que o avatar mostra
Manter o contacto visual enquanto pensa	Não	Sim
Conduzir uma conversa ao telefone ou com auricular	Sim, exatamente	Acrescenta algo que o trabalho não tem

A última linha é importante. O treino não deve ser mais exigente em aspetos em que o trabalho não é. Um operador de call center que treina com uma cara aprende a gerir um contacto visual de que nunca vai precisar, enquanto a competência de que precisa, ouvir a frustração só pela voz, não recebe ajuda extra.

Funções em que a cara acrescenta valor ao treino

Loja

Um cliente aproxima-se, pergunta por um produto e observa a reação do vendedor. O vendedor cumprimenta, percebe se o cliente quer ajuda ou espaço e mantém a conversa enquanto alguém olha para ele. Treinar com uma persona que olha de volta está mais perto disso do que treinar com áudio. Um plano de formação em vendas de loja que inclua o acolhimento e a descoberta no espaço de venda encaixa naturalmente.

Consultas com doentes

Os profissionais de saúde dão notícias, explicam opções e confirmam a compreensão enquanto observam a cara do doente. Fazer uma pausa quando o doente parece perdido é uma competência visível. Numa sessão só com voz, o formando tem de o deduzir do silêncio. Com uma persona em vídeo, há algo para ver.

Conversas de recursos humanos

Um entrevistador, um gestor a dar feedback difícil ou alguém a conduzir uma avaliação de desempenho estão todos sentados em frente a uma pessoa. O formando aprende a deixar uma pergunta em aberto enquanto o outro pensa, em vez de preencher o silêncio. Uma cara que espera treina isso melhor do que uma voz que espera.

Hotelaria e receção

O check-in, uma reclamação na receção, um hóspede que pede algo que o hotel não pode dar. São trocas presenciais em que uma expressão calorosa sob pressão faz parte do serviço.

Funções em que o áudio é o trabalho real

Vendas por telefone, apoio ao cliente inbound, marcação de reuniões em outbound, cobranças, linhas de apoio técnico. Em todas elas, o operador e o cliente nunca se veem. A competência está na voz: ouvir a irritação cedo, dar ritmo, escolher as palavras, usar o silêncio. O treino só com voz reproduz o trabalho. Uma persona em vídeo acrescenta um canal que o operador não vai ter no trabalho.

Há um segundo argumento a favor da voz nestas funções. Os cinco passos para lidar com um cliente irritado dependem de ouvir os sinais no tom. Treinar com uma cara pode levar os formandos a apoiarem-se em sinais visuais e a treinar menos a escuta que o trabalho exige.

O que diz a investigação sobre presença social

Presença social é a sensação de estar com outra pessoa durante uma interação mediada. O termo vem de um livro de 1976, “The Social Psychology of Telecommunications”, de John Short, Ederyn Williams e Bruce Christie. Trataram a presença social como uma qualidade do meio: o vídeo transporta mais presença do que o áudio, e o áudio mais do que o texto. Um meio mais rico parece mais estar na mesma sala.

Frank Biocca, Chad Harms e Judee Burgoon reviram o conceito num artigo de 2003 e defenderam que a presença não é só uma propriedade do canal, mas da interação: aumenta quando a outra parte parece reparar em si e responder-lhe. Para o role play, este é o ponto importante. Uma persona que reage ao que diz cria presença, tenha ou não uma cara. A cara aumenta-a mais, mas uma voz que responde já faz grande parte do trabalho.

Um aviso vindo da investigação sobre aprendizagem: o trabalho de Richard Mayer sobre aprendizagem multimédia inclui o que ele chama o princípio da imagem. Ao longo dos seus estudos, acrescentar a imagem do orador no ecrã não melhorou de forma consistente a aprendizagem a partir de uma explicação. O contexto é o ensino, não o role play, por isso não resolve a questão para o treino de conversas. Mas avisa contra a ideia de que uma cara ajuda sempre.

Em resumo: use uma cara quando o trabalho tem uma, porque o formando treina a lê-la e a sustentá-la. Não espere que melhore uma competência de telefone.

Custos e largura de banda

Uma persona em vídeo em tempo real custa mais a correr do que uma sessão de voz, porque a geração de vídeo assenta em cima da fala. Também precisa de uma ligação estável com mais largura de banda do que o áudio, e de um ecrã grande o suficiente para a cara ser legível. Três consequências práticas:

• O orçamento por minuto sobe. Se o orçamento de formação é fixo, o vídeo reduz o número de minutos de treino disponíveis. Para competências que precisam de muitas repetições, essa troca pode ir contra o objetivo da formação.
• Nem todos os locais de trabalho têm ligação. Lojas, enfermarias e back offices de hotéis têm muitas vezes Wi-Fi fraco. Uma sessão de voz sobrevive melhor a uma ligação má.
• O treino no telemóvel favorece a voz. Os formandos que treinam no telemóvel durante o trajeto para o trabalho ganham mais com uma sessão de áudio do que com uma janela de vídeo pequena.

Uma regra sensata: voz por defeito, vídeo para os cenários em que a cara faz parte da competência.

Tabela de decisão: persona em vídeo ou só voz

Função	Contacto real	Recomendação	Porquê
Vendas por telefone, SDR	Telefone	Só voz	O trabalho é uma voz
Call center inbound	Telefone, chat	Só voz	Ouvir o tom é a competência central
Vendedor de loja	Presencial	Vídeo para o acolhimento e a descoberta, voz para exercícios de conhecimento de produto	Ser observado faz parte da loja
Receção de hotel	Presencial	Vídeo	A expressão sob pressão é o serviço
Vendas no terreno, gestor de conta	Misto, sobretudo reuniões	Vídeo para ensaiar reuniões, voz para preparar chamadas	Corresponder à próxima interação real
Médico, enfermeiro	Presencial	Vídeo para conversas difíceis	Observar o doente é uma competência clínica
RH, responsável de recrutamento	Presencial ou videochamada	Vídeo	Sustentar uma pausa enquanto alguém pensa
Apoio técnico, linha de apoio	Telefone	Só voz	Sem canal visual no trabalho
Gestor a dar feedback	Presencial	Vídeo para as conversas mais difíceis, voz para as repetições	As repetições precisam de volume, o ensaio final precisa de realismo

O padrão: voz para o volume, vídeo para o ensaio final de uma conversa presencial.

Como funciona o avatar em direto na Replio

Na Replio, os formandos treinam conversas em voz alta, por voz, com personas de IA: um comprador, um cliente, um doente, um colaborador ou um candidato. Cada persona traz um cenário com as suas objeções e o momento em que as levanta, a necessidade escondida por trás de cada uma, e uma condição de sucesso e uma condição de falha. A persona mantém-se no papel durante toda a sessão.

O avatar em direto é uma opção em cima dessa sessão de voz. Quando está ativado, a persona aparece como um avatar de vídeo em tempo real enquanto a conversa decorre. Nada mais muda na sessão: a mesma persona, o mesmo cenário, a mesma pontuação. Uma sessão completa dá ao formando uma pontuação e feedback escrito sobre essa conversa, e os gestores podem rever a sessão, ler a transcrição completa e acrescentar a sua própria avaliação.

Isso torna a tabela de decisão fácil de aplicar na prática. Faça as repetições em voz e depois ative o avatar para os cenários em que o interlocutor real do formando vai estar na sala. As equipas que trabalham em apoio ao cliente, retalho, saúde e RH podem misturar os dois no mesmo projeto.

O plano gratuito inclui um lugar, um projeto e 15 minutos de teste, válidos uma única vez. Os planos de equipa estão na página de preços.

Perguntas frequentes

O que é a formação com avatar de IA?

É treino por role play com uma persona de IA que pode ver e ouvir em tempo real. O formando fala, o avatar responde e reage, e a conversa é pontuada no fim. É diferente dos geradores de vídeo com avatar, que produzem vídeos de apresentadores para e-learning e não respondem.

O role play em vídeo é melhor do que o role play por voz?

Não em geral. O vídeo acrescenta valor quando o trabalho real é presencial, como em lojas, consultas com doentes, conversas de recursos humanos e hotelaria. Para funções ao telefone, o treino só com voz corresponde ao trabalho e treina melhor a escuta.

Um avatar torna o role play com IA mais realista?

Acrescenta a sensação de ser observado e algo para ler na expressão da persona. A investigação sobre presença social desde Short, Williams e Christie em 1976 sugere que meios mais ricos parecem mais estar com uma pessoa, enquanto o trabalho posterior de Biocca e colegas mostra que um interlocutor que responde já cria grande parte dessa presença, com ou sem cara.

Quanto custa a formação com avatar de IA em comparação com a voz?

A geração de vídeo assenta em cima da fala, por isso um minuto de vídeo custa mais do que um minuto de voz e precisa de mais largura de banda. A maioria das equipas usa a voz por defeito e reserva o avatar para o ensaio final de conversas presenciais.