Resumo: WhatsApp adicionou chamadas de voz nativas à sua Business Platform, e agora agentes de voz com IA estão sendo integrados a essas chamadas, assim como os chatbots com IA foram integrados às mensagens do WhatsApp. Uma chamada chega ao número do WhatsApp de uma empresa, é encaminhada por um BSP para um agente de voz com IA, que escuta, transcreve e responde em tempo real, e é transferida para uma pessoa com a transcrição completa e o contexto quando a conversa exige discernimento. Em meados de 2026, essa solução já está disponível e funcionando por meio de alguns BSPs — mas o acesso varia: BSPs corporativos têm acesso mais amplo às chamadas, a implementação para pequenas e médias empresas ainda está avançando em alguns lugares, e as chamadas iniciadas pela empresa são restritas em alguns mercados, incluindo os EUA. Os principais casos de uso atuais são o desvio de chamadas de IVR, conversas sobre cobranças/finanças e a resolução de solicitações de atendimento ao cliente. As chamadas de vídeo e os recursos multimodais mais avançados estão nos planos da Meta, mas ainda não estão amplamente disponíveis. Este artigo explica como tudo funciona na prática, o que já está disponível, o que ainda está por vir e como medir os resultados — o próximo passo natural para qualquer empresa que já usa IA no chat do WhatsApp.

Se uma empresa já criou chatbots ou agentes com IA para as mensagens do WhatsApp, a voz é a próxima camada lógica — não uma iniciativa separada. A WhatsApp Calling API amplia o mesmo canal confiável e já instalado, que passa de texto para voz. Os agentes de voz com IA seguem a mesma curva de adoção dos chatbots com IA nas mensagens: começam pelos tipos de chamada mais frequentes e repetitivos e depois se expandem à medida que a tecnologia e a estrutura de conformidade amadurecem.

Este artigo está na interseção de dois recursos abordados em outras partes desta série — IA no WhatsApp e a própria WhatsApp Calling API. Aqui, o foco é especificamente no que acontece quando os dois se combinam: como os agentes de voz com IA funcionam em uma chamada do WhatsApp, o que está realmente disponível por meio de BSPs hoje, onde estão os casos de uso reais e o que ainda vem por aí — incluindo vídeo.

Do chat à chamada: por que WhatsApp adicionou voz

WhatsApp construiu sua reputação empresarial com base em mensagens, mas algumas conversas nunca foram adequadas para texto. Problemas complexos, compras que exigem muita consideração e situações que precisam de segurança ou negociação são conversas que as pessoas geralmente ainda preferem ter em voz alta. A resposta da Meta foi a WhatsApp Business Calling API — chamadas VoIP integradas diretamente à mesma conversa do WhatsApp que as empresas já usam para mensagens, modelos e mídia avançada.

A proposta de valor central reflete o que tornou as mensagens do WhatsApp tão eficazes para empresas desde o início: o cliente não precisa sair de um aplicativo em que já confia nem ligar para um número desconhecido, e toda a interação — histórico do chat, detalhes do pedido e agora a própria chamada — fica em uma única conversa contínua, em vez de ser dividida entre uma plataforma de mensagens e um sistema telefônico separado.

Para as empresas, isso significa que uma chamada não começa do zero. Um agente ou sistema de voz com IA que atende uma chamada do WhatsApp pode ver sobre o que o cliente enviou mensagens na semana passada, o que pediu e o que um chatbot já tentou resolver — um contexto que uma central de atendimento telefônico tradicional raramente tem quando o telefone toca.

Como funciona a WhatsApp Calling API

Antes de integrar IA, vale a pena entender o funcionamento do recurso de chamadas subjacente, pois ele determina diretamente o que um agente de voz com IA pode ou não fazer.

Duas direções de chamada, duas regras diferentes. WhatsApp Calling permite tanto chamadas iniciadas pelo usuário (quando um cliente toca no ícone de chamada no perfil do WhatsApp de uma empresa) quanto chamadas iniciadas pela empresa (quando a empresa liga para o cliente). As chamadas iniciadas pelo usuário são o principal caso de uso e estão amplamente disponíveis — quando um cliente escolhe ligar, não é necessária uma pré-aprovação especial. As chamadas iniciadas pela empresa têm controles mais rigorosos: ela precisa da permissão explícita do cliente para ligar, registrada pela Meta como um status de permissão que a empresa pode consultar antes de fazer a chamada. Chamadas de saída não atendidas também são monitoradas — várias chamadas seguidas sem resposta ou rejeitadas podem resultar na revogação da permissão para ligar, o equivalente, para chamadas de voz, a uma penalidade na classificação de qualidade das mensagens.

O roteamento fica totalmente a critério da empresa. Quando uma chamada chega, ela não toca apenas em uma linha genérica — é direcionada por webhook para onde a empresa (ou seu BSP) tiver configurado: uma linha telefônica tradicional, um endpoint SIP conectado a uma central de atendimento existente ou um fluxo de mídia WebSocket que alimenta um agente de voz com IA. Essa flexibilidade de roteamento torna possíveis os agentes de voz com IA sem substituir toda a estrutura de uma central de atendimento existente — a IA pode atuar como primeira camada, mantendo o roteamento para atendentes humanos disponível.

Os controles de chamadas existem justamente para gerenciar o volume e as expectativas. As empresas podem controlar a exibição do ícone de chamada (para ativar as ligações seletivamente), definir o horário de atendimento por telefone para que os clientes vejam as mensagens como alternativa fora desse período e oferecer solicitações de retorno de chamada, para que uma ligação não atendida ou feita fora do horário não simplesmente desapareça.

Esse recurso funciona na Cloud API, não no WhatsApp Business App gratuito. A possibilidade de fazer chamadas faz parte da plataforma programática do WhatsApp Business, ou seja, exige o mesmo tipo de configuração baseada em API (e parceria com um BSP ou diretamente com a Meta) já necessário para a automação de mensagens — não é algo que se adiciona a uma conta de pequena empresa baseada em telefone.

Como os agentes de voz com IA se integram às chamadas do WhatsApp

É aqui que entra a camada de IA, e a arquitetura é uma extensão natural de como os chatbots com IA funcionam nas conversas por mensagem do WhatsApp — só que com áudio em vez de texto.

A chamada é direcionada a um sistema de IA, em vez de a uma pessoa. Quando uma chamada é direcionada a um endpoint de mídia WebSocket (em vez de uma linha telefônica ou tronco SIP), um agente de voz com IA atende. O áudio é transmitido em tempo real nos dois sentidos entre quem liga e o sistema de IA.

A fala é transcrita e compreendida enquanto a pessoa conversa, sem esperar que ela termine e pressione um botão. Os agentes de voz com IA modernos para WhatsApp interpretam a intenção a partir da fala natural e coloquial — chegando mais perto de uma conversa real do que um menu IVR tradicional de tons de toque.

As respostas vêm de informações empresariais aprovadas, seguindo o mesmo princípio básico de um chatbot com IA bem desenvolvido: o agente de voz consulta uma base de conhecimento definida — perguntas frequentes, políticas, detalhes de produtos e dados de pedidos e contas obtidos em tempo real de sistemas conectados — em vez de gerar respostas sem restrições. Isso mantém as respostas precisas e previsíveis durante uma conversa telefônica ao vivo.

O agente pode fazer perguntas complementares, coletar informações e tomar providências durante uma chamada — confirmar o número de um pedido, verificar se a pessoa pode fazer uma devolução, confirmar sua identidade — dando continuidade à conversa como faria um atendente telefônico competente, em vez de responder a uma única pergunta e parar por aí.

A transferência para um atendente humano mantém todo o contexto. Quando uma chamada precisa ser atendida por uma pessoa — por exemplo, quando há uma ambiguidade que a IA não consegue resolver, o cliente pede explicitamente para falar com alguém ou um indicador de sentimento sugere frustração —, ela é transferida com a transcrição e as informações relevantes da conta já anexadas. O atendente humano não começa do zero: ele assume a conversa no meio do caminho, com tudo o que a IA já coletou.

Isso reflete as camadas de "atendimento humano com assistência de IA" e "agente de IA" descritas na estrutura mais ampla de IA no WhatsApp — a voz é apenas uma nova interface para o mesmo modelo em camadas, não um paradigma separado.

Estado atual: o que está realmente disponível por meio dos BSPs hoje

Como esse cenário está mudando rapidamente, vale a pena ser preciso sobre o que realmente está disponível em meados de 2026 e o que ainda está sendo lançado — aqui, uma visão honesta e realista importa mais do que o entusiasmo exagerado.

O recurso de chamadas já está geralmente disponível, mas foi lançado por etapas, não de forma uniforme. Algumas empresas podem acessar chamadas diretamente por meio das parcerias da Meta para a Cloud API, e vários BSPs maiores e já consolidados integraram chamadas — incluindo o roteamento para agentes de voz com IA — às suas plataformas, após trabalharem com a Meta como parceiros de acesso antecipado ou de versão beta. A disponibilidade mais ampla entre BSPs voltados a empresas menores vem avançando, mas ainda não é universal; vale confirmar diretamente com um BSP específico se as chamadas (e, em particular, o roteamento para agentes de voz com IA) já estão disponíveis na plataforma dele antes de presumir que o recurso está incluído.

As diferenças geográficas são importantes, especialmente para chamadas ativas. As chamadas iniciadas pelo usuário (recebidas) — quando um cliente decide ligar para uma empresa — estão amplamente disponíveis onde quer que a Cloud API esteja disponível. Já as chamadas iniciadas pela empresa (ativas) têm mais restrições: exigem o modelo de consentimento descrito acima e, em meados de 2026, não estão disponíveis para empresas que ligam para clientes em alguns mercados, incluindo Estados Unidos, Canadá e vários outros países — enquanto mercados como Índia e Brasil registraram maior adoção de chamadas comerciais recebidas e ativas. Isso afeta diretamente quais casos de uso de agentes de voz com IA (atendimento receptivo versus cobrança ou vendas ativas) são viáveis em cada mercado.

A cobrança segue um modelo por minuto, semelhante, em linhas gerais, à forma como SMS ou minutos de voz costumavam ser cobrados, além da tarifa que o BSP cobrar pela plataforma e pelas ferramentas relacionadas. Os valores exatos variam conforme o provedor e a direção da chamada, e essa área ainda está se consolidando — vale confirmar os preços atuais diretamente com o BSP escolhido, em vez de presumir que há uma tarifa fixa.

💡Como esse cenário está evoluindo tão rápido, considere qualquer informação específica sobre disponibilidade ou preços como ponto de partida para conversar com um BSP, não como um fato definitivo — essa é realmente uma das áreas que mais mudam na plataforma WhatsApp Business neste momento.

Casos de uso: automação de IVR, cobrança e atendimento ao cliente

Os casos de uso mais claros e que oferecem valor imediato para os agentes de voz com IA do WhatsApp são semelhantes àqueles em que os chatbots com IA se destacaram primeiro nas conversas por mensagem — conversas frequentes, repetitivas e bem definidas.

Automação de IVR. Os sistemas tradicionais de IVR com menus telefônicos são muito malvistos justamente por serem rígidos e lentos. Um agente de voz com IA no WhatsApp pode substituir um menu de vários níveis, controlado por tons de toque, por uma conversa natural — ele entende e encaminha imediatamente a frase "Estou ligando por causa de uma entrega", em vez de exigir que o cliente navegue por opções como "digite 3 para pedidos e depois 1 para acompanhar a entrega". Isso também funciona como uma camada eficaz para reduzir chamadas para empresas que ainda usam uma linha telefônica tradicional: direcionar primeiro as chamadas recebidas para o atendimento por voz no WhatsApp pode resolver dúvidas simples mais rápido do que a fila de uma central de atendimento convencional.

Cobranças e conversas financeiras. O atendimento de empréstimos, os lembretes de pagamento e as ligações de cobrança são naturalmente repetitivos, mas também delicados — exatamente o tipo de conversa em que funciona bem ter um agente de IA cuidando dos casos rotineiros (confirmar uma data de pagamento, explicar um saldo) e encaminhando situações complexas ou emocionalmente carregadas para um atendente humano capacitado. As empresas de serviços financeiros estão entre as primeiras a adotar visivelmente a voz no WhatsApp, especificamente por combinar a confiança em um aplicativo familiar com a estrutura necessária para conversas sujeitas a requisitos de conformidade.

Resolução de problemas de atendimento ao cliente, especialmente onde as redes telefônicas públicas não são confiáveis. Para empresas que atuam em mercados onde a infraestrutura tradicional de telecomunicações é instável, as chamadas do WhatsApp baseadas em VoIP — que funcionam pela internet, e não por uma rede de voz celular — oferecem uma conexão mais confiável, com um agente de IA disponível para resolver dúvidas simples na hora, independentemente de quando a chamada chegar.

Vendas e qualificação de leads. Um agente de voz com IA pode fazer a qualificação inicial em uma chamada de vendas recebida — confirmar o interesse e levantar os requisitos básicos — antes de encaminhar um lead mais receptivo e com contexto completo para um representante de vendas humano, de forma semelhante a como os chatbots com IA já qualificam leads por mensagens no WhatsApp.

💡Em todos esses casos, o padrão é o mesmo: a IA cuida das interações rotineiras e de alto volume na linha de frente; as pessoas tomam as decisões que exigem discernimento; e a transferência entre elas preserva todo o contexto, para que o cliente nunca precise repetir o que disse.

O que vem por aí: vídeo e muito mais

A Meta deixou claro que a voz não é o destino final das chamadas do WhatsApp Business — as chamadas de vídeo estão documentadas como um recurso planejado ou em desenvolvimento na mesma Calling API, junto com outros recursos multimodais, como um gerenciamento de correio de voz mais avançado e compartilhamento de tela, embora ainda não estejam disponíveis para todos no momento da publicação.

A direção é clara, mesmo que o cronograma exato ainda não seja: o WhatsApp está se posicionando como um canal de comunicação empresarial multimodal por padrão — texto, mídia avançada, voz e, futuramente, vídeo, tudo na mesma conversa contínua, em vez de canais separados e desconectados que a empresa precisa integrar.

Especificamente para a IA, o vídeo abre uma categoria realmente nova de casos de uso que vão além do que só a voz permite — verificação visual (confirmar danos em um produto devolvido, orientar o cliente em uma etapa física de solução de problemas), diagnóstico remoto e conversas de vendas mais completas. Nada disso está disponível de forma geral ainda, e qualquer empresa que esteja planejando usar esses recursos deve tratá-los como itens do roadmap para os quais vale se preparar, não como funcionalidades que já podem servir de base para um projeto.

💡A conclusão prática: as empresas que investem agora em IA de voz no WhatsApp — bases de conhecimento, lógica de escalonamento e estruturas de conformidade — estão construindo a mesma base que naturalmente se estenderá ao vídeo quando ele estiver amplamente disponível, em vez de começar do zero.

Conformidade e consentimento específicos para voz

Tudo o que abordamos anteriormente sobre conformidade nas mensagens do WhatsApp também se aplica às chamadas, com alguns pontos adicionais específicos para voz que vale destacar.

O consentimento para chamadas feitas pela empresa é registrado explicitamente, não apenas presumido. Diferentemente de uma autorização geral para receber mensagens de marketing, a permissão para chamadas iniciadas pela empresa é um status específico que a Meta registra para cada cliente e que pode ser verificado antes de uma chamada. Isso precisa ser incorporado a qualquer fluxo de trabalho de IA de voz para chamadas feitas pela empresa (como cobranças proativas ou lembretes de agendamento) como uma verificação explícita, e não como algo presumido com base no consentimento para mensagens.

Sequências de chamadas não atendidas têm consequências reais. Chamadas feitas pela empresa que são repetidamente não atendidas ou rejeitadas podem fazer com que a permissão de chamada do cliente seja revogada automaticamente — um lembrete de que campanhas de IA de voz com chamadas feitas pela empresa exigem o mesmo rigor em frequência e segmentação que campanhas de mensagens, e talvez até mais, já que o toque do telefone é mais invasivo do que uma notificação de mensagem.

A gravação de chamadas exige atenção explícita ao consentimento e à divulgação. Gravar chamadas do WhatsApp atendidas por IA (ou por pessoas) para fins de qualidade, treinamento ou conformidade exige seguir as leis aplicáveis de consentimento e divulgação em cada região — elas variam bastante conforme a jurisdição e o setor (principalmente em áreas regulamentadas, como o setor financeiro) e não se deve presumir que a gravação esteja automaticamente em conformidade só porque a chamada acontece no WhatsApp.

A transparência sobre o uso de IA continua sendo importante. Assim como no caso dos chatbots de IA, informar que a pessoa está falando com um agente de voz de IA, e não com uma pessoa — em vez de deixar que a qualidade da voz sintética dê essa impressão por si só — é uma boa prática e vem se tornando uma exigência regulatória em cada vez mais mercados.

Como medir o desempenho da IA de voz no WhatsApp

A estrutura de avaliação dos agentes de voz de IA amplia as principais métricas usadas para chatbots de IA, com alguns indicadores adicionais específicos para voz:

Taxa de resolução sem transferência — o equivalente, em voz, à taxa de contenção: a porcentagem de chamadas totalmente atendidas pelo agente de IA, sem transferência para uma pessoa, em relação aos tipos específicos de chamadas para os quais o agente foi desenvolvido.

Taxa de resolução — indica se o problema real de quem ligou foi resolvido e é acompanhada separadamente da taxa de contenção. Uma chamada pode ser "contida" pela IA sem que o problema subjacente seja resolvido, caso a pessoa simplesmente desista em vez de pedir para falar com alguém — a mesma falha relevante na contenção de chamadas por chatbot também se aplica aqui.

CSAT das interações por voz — uma breve avaliação após a chamada (enviada por uma mensagem de acompanhamento no WhatsApp, que o canal permite enviar facilmente assim que a chamada termina), acompanhada separadamente para chamadas atendidas apenas pela IA, transferidas da IA para uma pessoa e atendidas inteiramente por uma pessoa, para identificar diferenças de satisfação entre os tipos de chamada.

Custo por chamada/minuto — custo total (tarifas por minuto do BSP, custos da plataforma de IA e tempo de atendimento humano em chamadas escaladas) em comparação com o custo de um call center equivalente, operado inteiramente por pessoas e atendendo ao mesmo volume.

Tempo médio de atendimento e tempo até a resolução — quanto tempo levam as chamadas atendidas por IA em comparação com os mesmos tipos de chamada que antes exigiam um agente humano, e com que rapidez ocorre a transferência da IA para uma pessoa quando necessário, já que uma transferência demorada ou que perde o contexto compromete toda a proposta de valor.

💡Assim como acontece com chatbots de IA em mensagens, nenhuma métrica isolada conta a história toda — uma taxa alta de contenção combinada com um CSAT baixo geralmente significa que a IA está encerrando chamadas, em vez de resolvê-las, e essa diferença só fica visível quando as métricas são acompanhadas em conjunto.

Primeiros passos

Confirme com seu BSP a disponibilidade atual de chamadas e de IA de voz. Como esse recurso está sendo lançado rapidamente, não presuma que terá acesso — confirme diretamente o que está disponível na plataforma em avaliação, incluindo quais direções de chamada e mercados são atendidos.

Comece com chamadas recebidas, não feitas pela empresa. As chamadas recebidas (iniciadas pelo usuário) têm menos exigências de consentimento e estão mais amplamente disponíveis, o que as torna o ponto de partida natural — começando pelos casos de uso de atendimento ao cliente e contenção de chamadas em URA antes de avançar para cobranças ou chamadas de vendas feitas pela empresa.

Reaproveite a base de conhecimento já criada para a IA de mensagens. Se um chatbot ou agente de IA do WhatsApp já estiver ativo, a base de conhecimento existente de perguntas frequentes e políticas é um excelente ponto de partida para o agente de voz, em vez de criar um sistema de conhecimento separado do zero.

Defina a transferência para uma pessoa antes do lançamento. O rigor necessário para permitir que uma pessoa assuma o atendimento, essencial para chatbots, é ainda mais importante em interações por voz — uma pessoa frustrada presa a um sistema de IA que não transfere a chamada tem uma experiência pior do que alguém frustrado em uma conversa por chat, porque as interações por voz costumam ser mais urgentes.

Acompanhe desde o primeiro dia a contenção, a resolução, o CSAT e o custo por chamada, aplicando à IA de voz o mesmo rigor de medição usado na IA de mensagens, para comprovar o valor real da implementação, em vez de simplesmente presumi-lo.

Trate o vídeo e outros recursos do roadmap como uma preparação para o futuro, não como metas de implementação atuais — invista agora na base de conhecimento e conformidade e amplie os recursos multimodais à medida que forem disponibilizados para todos.

Considerações finais

Os agentes de voz de IA no WhatsApp são um recurso real e disponível hoje — não um conceito para o futuro —, mas o cenário real é o de um lançamento ainda em amadurecimento: robusto em alguns mercados e níveis de BSP, mais limitado em outros, com vídeo e recursos multimodais mais avançados claramente no roadmap, mas ainda sem ampla disponibilidade. Para as empresas que já investiram em IA nas mensagens do WhatsApp, a voz é a próxima camada natural, construída sobre a mesma base de conhecimento, o mesmo rigor nas transferências para pessoas e a mesma estrutura de avaliação — ampliando um canal em que os clientes já confiam para incluir conversas que sempre funcionaram melhor faladas do que digitadas.

À medida que o acesso a chamadas se amplia entre os níveis de BSP ao longo do restante de 2026 e nos anos seguintes, as empresas mais preparadas para avançar rapidamente serão aquelas que, desde o início, trataram a base de IA para mensagens — base de conhecimento, lógica de escalonamento e processos de conformidade — como infraestrutura para voz, e não como um projeto separado para desenvolver mais tarde.