PolyAI आणि Otter.ai सारख्या दिग्गज कंपन्यांनी इशारा दिला आहे की, 'Latency' आणि 'Transcription' मधील त्रुटींमुळे Voice AI अजूनही 'ChatGPT' सारख्या यशापासून दूर आहे. मोठ्या प्रमाणावर होणाऱ्या अंमलबजावणीसाठी हे तांत्रिक अडथळे पार करणे गुंतवणूकदारांसाठी अत्यंत महत्त्वाचे आहे.
एंटरप्राइज 'Voice AI' क्षेत्रात सध्या मोठ्या प्रमाणावर गुंतवणूक होत आहे. उदाहरण द्यायचे झाले तर, PolyAI ने २०२५ च्या अखेरीस $८६ दशलक्ष निधी उभारून $७५० दशलक्ष चे व्हॅल्युएशन गाठले आहे. मात्र, इतका पैसा ओतूनही, ही टेक्नॉलॉजी टेक्स्ट-आधारित जनरेटिव्ह मॉडेल्स इतकी प्रभावी ठरलेली नाही. सध्या ही सिस्टीम रिफाइनमेंट (Refinement) टप्प्यात असून, वापरकर्त्यांच्या अपेक्षा पूर्ण करण्यात तिला संघर्ष करावा लागत आहे.\n\n### लॅटन्सीचा (Latency) अडथळा\n\nVoice AI समोरचे सर्वात मोठे आव्हान म्हणजे 'लॅटन्सी', म्हणजेच वापरकर्त्याने प्रश्न विचारल्यापासून AI ने उत्तर देण्यापर्यंतचा वेळ. जरी सिस्टीम्स आता एकाच वेळी ऐकणे आणि बोलणे (Full-duplex) करू शकत असल्या, तरी त्यांच्या 'मेंदूचा' वेग नैसर्गिक संभाषणासाठी पुरेसा नाही. जर AI उत्तरासाठी जास्त वेळ घेत असेल, तर ग्राहकांचा विश्वास निर्माण होत नाही आणि मानवी एजंट्सना पूर्णपणे बदलणे शक्य होत नाही.\n\n### रिलायबिलिटी आणि ट्रान्सक्रिप्शनचा धोका\n\nऑटोमेटेड स्पीच रिकग्निशन (ASR) मधील त्रुटी हा या तंत्रज्ञानाचा पायाभूत कमकुवत दुवा आहे. Otter.ai च्या तज्ज्ञांच्या मते, जर AI ने एखादा शब्द चुकीचा समजला किंवा मिस केला, तर मीटिंग समरी किंवा डेटा एन्ट्री सारखी महत्त्वाची कामे बिघडू शकतात. ही तांत्रिक चूक संपूर्ण व्यवसायाचे उद्दिष्ट भरकटवू शकते, ज्यामुळे AI पूर्णपणे स्वायत्त (Autonomous) बनण्याऐवजी एक मर्यादित साधन बनून राहते.\n\n### पारदर्शकता आणि मार्केट ग्रोथ\n\nतांत्रिक आव्हानांच्या पलीकडे, या क्षेत्रातील कंपन्या आता 'एथिकल ट्रान्सपरन्सी'वर भर देत आहेत. Voice AI वापरकर्त्यांशी थेट संवाद साधत असल्याने, समोरची व्यक्ती AI आहे हे स्पष्ट करणे अनिवार्य होत आहे. २०२३ पर्यंत या मार्केटचा विस्तार $१४ अब्ज पर्यंत जाण्याचा अंदाज असला, तरी डेव्हलपर्स या अडथळ्यांवर कशी मात करतात, याकडे गुंतवणूकदारांचे लक्ष लागले आहे.