La prossima fase della competizione nell’intelligenza artificiale potrebbe svolgersi con un minor uso della tastiera. OpenAI, Google e altre grandi aziende tecnologiche stanno investendo nei modelli vocali con l’obiettivo di rendere la conversazione il principale strumento di accesso agli assistenti e agli agenti digitali.
Il passaggio non riguarda soltanto il modo in cui si formula una domanda. I nuovi sistemi sono progettati per ascoltare, interpretare il tono, riconoscere il contesto e rispondere con una voce più naturale. Possono inoltre utilizzare strumenti esterni, consultare documenti, impartire comandi ad applicazioni e svolgere attività che richiedono più passaggi.
OpenAI ha dichiarato nel luglio 2026 che oltre 150 milioni di persone usano ogni settimana le funzioni Voice e Dictation di ChatGPT.
Google ha comunicato che le conversazioni con Gemini Live durano in media cinque volte più di quelle basate sul testo. I numeri indicano un cambiamento nei comportamenti degli utenti, anche se non dimostrano ancora che la voce sostituirà la scrittura.
Indice degli argomenti:
Dal comando vocale alla conversazione continua
Gli assistenti vocali della generazione precedente seguivano una sequenza relativamente rigida. Il sistema convertiva la voce in testo, inviava il testo a un programma capace di produrre una risposta e trasformava infine quella risposta in audio.
Ogni passaggio aggiungeva ritardi ed errori. Una parola trascritta male poteva compromettere l’intera risposta. Le pause, le esitazioni, l’ironia e i cambiamenti di tono andavano spesso perduti. L’effetto era quello di una macchina che leggeva frasi preparate, più che di un interlocutore capace di seguire una conversazione.
I modelli più recenti possono invece elaborare direttamente i segnali audio. La voce non viene trattata soltanto come un contenitore di parole, ma come una fonte di informazioni che comprende ritmo, intonazione, enfasi e interruzioni.
OpenAI ha presentato nel luglio 2026 GPT-Live, descritto dall’azienda come una nuova generazione di modelli vocali destinata a rendere le conversazioni più naturali, migliorare l’ascolto e fornire risposte più accurate. Già nel maggio precedente aveva introdotto per gli sviluppatori modelli in tempo reale capaci di ragionare, tradurre e trascrivere mentre una persona parla.
Google ha seguito una direzione simile con gli aggiornamenti di Gemini Live e dei modelli Native Audio. L’azienda afferma che i sistemi più recenti comprendono meglio istruzioni articolate, gestiscono conversazioni prolungate e modulano la risposta in base al contenuto e al tono dell’utente.
Perché parlare può essere più efficiente
Digitare impone una forma di sintesi. Chi scrive un prompt tende a ridurre il problema a una richiesta breve, eliminando dettagli che considera secondari. Nel parlato è più facile aggiungere spiegazioni, correggersi, esporre dubbi e descrivere il risultato atteso.
Questo vantaggio può diventare rilevante quando gli agenti di intelligenza artificiale non devono più rispondere a una singola domanda, ma eseguire un incarico composto da più operazioni. Un utente può chiedere a un sistema di analizzare un documento, confrontare alcune offerte, preparare una tabella e segnalare le informazioni mancanti. A voce può precisare obiettivi e vincoli senza costruire un’istruzione formale.
Atty Eleti, responsabile di prodotto per la voce di ChatGPT, ha spiegato al Financial Times che le persone apprezzano la conversazione vocale perché consente uno scambio più simile a quello umano, mentre la digitazione richiede maggiore sforzo. L’interesse delle aziende nasce anche dalla durata delle interazioni: secondo Google, gli utenti tendono a mantenere aperta una conversazione vocale più a lungo di una sessione testuale.
La voce può ampliare l’accesso ai sistemi di AI per chi ha difficoltà motorie o visive, per chi non usa abitualmente una tastiera e per chi deve lavorare senza occupare le mani. Può essere utile durante la guida, nelle attività di manutenzione, nei magazzini, negli ospedali e negli ambienti industriali. Questi impieghi richiedono però elevati livelli di accuratezza: un errore in una conversazione informale produce un fastidio, mentre un comando frainteso in un processo operativo può generare costi o rischi.
Il banco di prova della programmazione
La scrittura di software è uno dei primi settori nei quali le aziende stanno sperimentando l’interazione vocale con gli agenti. Un programmatore può descrivere la funzione che vuole realizzare, spiegare i vincoli del progetto e chiedere al sistema di modificare il codice, eseguire test o individuare errori.
Sandro Gianella, responsabile di strategia e operazioni internazionali in OpenAI, ha raccontato di usare la voce con Codex, lo strumento di programmazione dell’azienda. Secondo Gianella, quando digita tende a comprimere troppo presto il problema, mentre parlando espone più chiaramente l’obiettivo, i dubbi, i vincoli e i criteri con cui valutare il risultato.
Microsoft sta sviluppando infrastrutture per agenti capaci di svolgere operazioni lunghe senza mantenere bloccata l’interfaccia. Il suo Agent Framework consente, per esempio, di avviare un incarico e riprenderlo attraverso un identificatore, mentre il sistema continua l’elaborazione. L’architettura è pensata per attività che includono l’ispezione di file, l’esecuzione di comandi e l’interazione con altri strumenti.
La voce, in questo modello, diventa il punto iniziale di una catena operativa. Il valore economico non deriva dalla semplice trascrizione, ma dalla capacità di trasformare una richiesta parlata in azioni verificabili. Le imprese dovranno stabilire quali operazioni un agente può eseguire autonomamente, quali richiedono una conferma e come attribuire le responsabilità in caso di errore.
Gli investimenti corrono verso la voice AI
L’interesse tecnologico sta attirando capitale. Secondo i dati di PitchBook citati dal Financial Times, gli investimenti globali di venture capital nelle start-up della voice AI hanno superato i 7 miliardi di dollari nel primo trimestre del 2026. Nello stesso periodo del 2025 erano rimasti poco sotto il miliardo.
L’aumento si inserisce in un mercato dell’AI caratterizzato da una forte concentrazione. PitchBook ha calcolato che le start-up del settore hanno raccolto complessivamente 255,5 miliardi di dollari nel primo trimestre del 2026, ma tre sole operazioni hanno assorbito circa 172 miliardi, pari a due terzi del totale.
Nel comparto vocale gli investitori cercano società che sviluppano modelli audio, infrastrutture per call center, strumenti di trascrizione, doppiaggio, traduzione simultanea e agenti per l’assistenza ai clienti. Il modello di ricavo può basarsi sulle sottoscrizioni, sul numero di minuti elaborati oppure sul consumo delle interfacce software.
La crescita del mercato non garantisce tuttavia margini elevati. L’elaborazione vocale in tempo reale richiede capacità di calcolo, reti affidabili e tempi di risposta molto bassi. Una società deve inoltre sostenere i costi di addestramento, sicurezza e adeguamento alle diverse lingue. Le aziende che utilizzano modelli sviluppati da terzi rischiano di dipendere dai prezzi e dalle condizioni fissate dai grandi fornitori.
La corsa ai nuovi dispositivi
La diffusione della voce sta riaprendo anche il mercato dell’hardware. Smartphone e auricolari non sono sempre adatti a registrare conversazioni lunghe o a isolare la voce dal rumore. Alcune start-up stanno quindi progettando microfoni direzionali, registratori tascabili, spille e dispositivi indossabili.
Plaud vende registratori delle dimensioni di una carta di credito che acquisiscono l’audio e lo sincronizzano con un’applicazione per la trascrizione e il riepilogo. La società propone anche NotePin, un dispositivo indossabile pensato per riunioni e appunti vocali. La documentazione aziendale indica che Plaud Note utilizza due microfoni mems e un’unità dedicata alla cattura della voce. (Plaud)
La start-up newyorkese Sandbar ha sviluppato un anello nel quale l’utente può parlare per registrare note o impartire comandi. Il dispositivo punta a ridurre l’imbarazzo di rivolgersi ad alta voce a uno smartphone in un ufficio, su un treno o in un luogo pubblico.
OpenAI sta lavorando a una propria famiglia di apparecchi insieme alla società fondata dal designer Jony Ive. Secondo il Financial Times, il primo prodotto potrebbe arrivare all’inizio del 2027 ed essere un assistente ambientale dotato di fotocamera, microfono e altoparlante. OpenAI non ha pubblicato una scheda tecnica definitiva; caratteristiche e calendario devono quindi essere considerati indiscrezioni, non annunci ufficiali.
La scelta dell’hardware sarà decisiva. Un assistente sempre disponibile deve distinguere la voce del proprietario da quella delle altre persone, comprendere quando viene interpellato e ridurre le attivazioni accidentali. Deve inoltre comunicare con chiarezza quando registra, quali dati conserva e dove avviene l’elaborazione.
Privacy e sicurezza diventano costi industriali
Un sistema vocale raccoglie dati diversi da quelli presenti in una normale chat. Oltre alle parole può registrare l’identità vocale, l’accento, le emozioni percepite, i rumori domestici e le conversazioni di persone che non hanno scelto di utilizzare il servizio.
L’aggiunta di fotocamere e sensori amplia ulteriormente le informazioni disponibili. Un dispositivo ambientale può ricostruire abitudini, spostamenti all’interno di un’abitazione e relazioni tra persone. Le aziende dovranno limitare la raccolta, specificare i tempi di conservazione e consentire la cancellazione dei dati.
Esiste anche un problema di autenticazione. Una voce registrata o sintetizzata può essere usata per impartire comandi, mentre un sistema che controlla acquisti, messaggi o serrature deve verificare l’identità dell’utente. La ricerca sulla sicurezza degli assistenti vocali ha documentato da anni rischi legati agli attacchi di riproduzione audio e ai comandi impartiti da soggetti non autorizzati.
Le norme europee sulla protezione dei dati e sull’intelligenza artificiale imporranno alle imprese di valutare finalità, proporzionalità e rischi del trattamento. Per i fornitori la conformità non sarà una funzione accessoria: influenzerà tempi di sviluppo, costi assicurativi e possibilità di vendere i prodotti a banche, pubbliche amministrazioni e aziende sanitarie.
Il limite più difficile è sociale
La tecnologia deve superare un ostacolo che non dipende dalla potenza dei modelli. Parlare con una macchina in presenza di altre persone può risultare invadente. Una conversazione vocale occupa lo spazio sonoro, espone informazioni personali e rende difficile capire se qualcuno si sta rivolgendo a un collega oppure a un assistente digitale.
Negli uffici, l’uso contemporaneo di numerosi agenti vocali potrebbe aumentare il rumore e compromettere la riservatezza. Alcune start-up stanno investendo in insonorizzazione, microfoni ravvicinati e dispositivi che acquisiscono la voce senza costringere l’utente a parlare ad alto volume.
Restano poi gli errori dovuti ad accenti, lingue miste, sovrapposizioni e ambienti rumorosi. OpenAI ha riconosciuto che le precedenti versioni vocali potevano essere lente e confondere lingue o pronunce. I nuovi modelli riducono questi problemi, ma non li eliminano.
La voce conquisterà probabilmente le attività nelle quali velocità, libertà di movimento e ricchezza delle istruzioni contano più della discrezione. Il testo manterrà un vantaggio quando servono precisione, controllo visivo e una traccia facile da correggere.
Il mercato non si sta quindi dirigendo verso la scomparsa della tastiera. Sta costruendo un’interfaccia aggiuntiva che può diventare centrale per gli agenti capaci di agire. Il successo dipenderà meno dalla somiglianza della voce a quella umana e più dalla capacità di eseguire correttamente un incarico, spiegare che cosa è stato fatto e proteggere le informazioni ascoltate.
Partecipa alla community