Voicebot, agent głosowy czy recepcjonistka AI: co wybrać i ile to kosztuje?

Voicebot, agent głosowy, recepcjonistka AI: czym to się różni?

Na polskim rynku te nazwy krążą zamiennie, a oznaczają cztery różne rzeczy.

Nazwa	Jak działa	Do czego wystarcza
IVR	nagrane menu: „wybierz 1, wybierz 2”	przekierowanie połączenia do właściwego działu
Voicebot (klasyczny)	rozpoznaje mowę i intencję, prowadzi rozmowę po scenariuszu przygotowanym z góry	powtarzalne, wąskie sprawy: status przesyłki, potwierdzenie wizyty, ankieta
Agent głosowy	model językowy słucha i mówi w czasie rzeczywistym, a w trakcie rozmowy wywołuje narzędzia w systemach firmy	rozmowy, których nie da się rozpisać na drzewko: umawianie z dopytywaniem, wycena, zmiana zdania w pół zdania
Recepcjonistka AI	agent głosowy sprzedawany jako gotowy produkt: numer, kalendarz, panel, nagrania, transkrypcje	mała firma, która chce odbierać telefony od jutra

Dwa zastrzeżenia. Dostawcy nazywają „voicebotem” zarówno systemy scenariuszowe, jak i agentów na modelach językowych, więc przed zakupem zapytaj, co jest pod spodem i co się dzieje, gdy rozmówca wyjdzie poza scenariusz. A „wirtualna recepcjonistka” albo „wirtualny sekretariat” to w Polsce także usługa, w której telefony odbierają ludzie. Ten przewodnik dotyczy wersji z AI.

Dalej opisuję agentów głosowych w dwóch wariantach: kupionego jako gotowy produkt i zbudowanego samodzielnie. Klasyczny voicebot scenariuszowy ma dziś sens głównie tam, gdzie już działa i robi jedną rzecz.

Do czego agent głosowy się nadaje, a do czego nie?

Nadaje się do rozmów, które mają cel i kończą się operacją w systemie:

• umawianie, przekładanie i odwoływanie wizyt w gabinecie, warsztacie, salonie,
• odbieranie telefonów po godzinach i w szczycie, kiedy recepcja nie nadąża,
• odpowiedzi na pytania o status zamówienia, cenę, dostępność, godziny otwarcia,
• wstępna kwalifikacja zapytania i zapisanie leada w CRM,
• przyjęcie zgłoszenia serwisowego z numerem klienta i opisem problemu.

Gorzej sprawdza się tam, gdzie rozmowa jest wartością samą w sobie: przy reklamacji zdenerwowanego klienta, negocjacjach, sprawach medycznych wymagających oceny albo sprzedaży, w której liczy się relacja. W takich sytuacjach agent powinien zebrać dane i przekazać rozmowę człowiekowi, a nie próbować ją dokończyć.

Najprostszy test: jeśli potrafisz opisać, jakie dane agent ma zebrać i jaką operację wykonać na końcu, to jest rozmowa dla agenta. Jeśli nie potrafisz, najpierw uporządkuj proces.

Ile kosztuje gotowa recepcjonistka AI?

Najlepiej udokumentowany cennik ma Reception.ai od ElevenLabs. Stan na 17 września 2026, płatność miesięczna:

Plan	Cena miesięczna	Minuty w cenie	Każda kolejna minuta
Basic	29 $	75	0,45 $
Plus	79 $	275	0,38 $
Premium	199 $	1000	0,30 $

Przy płatności rocznej wychodzi odpowiednio 24, 66 i 166 dolarów miesięcznie. Przejście na wyższy plan opłaca się od około 186 minut (z Basic na Plus) i od około 591 minut (z Plus na Premium), więc koszt rośnie schodkami.

W cenie jest cały produkt: obsługa połączeń, kalendarz z rezerwacjami i strona do umawiania, integracja z Google Calendar, prosty CRM z historią kontaktów, baza wiedzy, nagrania, transkrypcje, podsumowania rozmów i statystyki. Płacisz więc za to, że nie musisz niczego budować, a nie za samą minutę modelu.

Trzy rzeczy do sprawdzenia w wersji próbnej, zanim zaplanujesz na tym wdrożenie w polskiej firmie:

• Numer telefonu. Według strony produktu numery są na razie przydzielane tylko firmom z USA, a pozostałe kraje mają status „wkrótce”.
• Od którego planu działają webhooki i MCP. Dokumentacja jest niespójna: strona o webhookach mówi o planie Basic lub wyższym, przegląd integracji podaje, że Basic ma tylko Google Calendar, a strona produktu wymienia webhooki przy planie Plus.
• Język polski i RODO. Strona mówi o ponad 70 językach bez listy i wymienia certyfikaty ISO 27001 i ISO 42001, ale nie wspomina o RODO ani o przetwarzaniu danych w Unii.

Polskie gotowe usługi z publicznym cennikiem kosztują we wrześniu 2026 od około 900 do 3 000 zł miesięcznie z pakietem od 500 do 4 000 minut. Opłata wdrożeniowa wynosi od zera do 5 000 zł, a minuta ponad pakiet od 0,40 do 1,09 zł. Są droższe od Reception.ai, ale w cenie jest polski numer, wdrożenie po polsku i umowa z polską firmą.

Ile kosztuje własny agent głosowy?

Własny agent składa się z trzech pozycji: modelu głosowego, telefonii i małego serwera. Ceny z oficjalnych cenników, stan na 17 września 2026.

Model głosowy. gpt-live-1 od OpenAI kosztuje 0,05 dolara za minutę sesji, naliczane co sekundę. Wywołania narzędzi i dodatkowe rozumowanie po stronie backendu są rozliczane osobno, według cennika użytego modelu. Gemini 3.8 Live od Google rozlicza dźwięk osobno w obie strony: 0,005 dolara za minutę słuchania i 0,018 dolara za minutę mówienia. Jeśli agent mówi przez około 40% rozmowy, wychodzi mniej więcej 0,012 dolara za minutę.

Telefonia. Twilio w Polsce: polski numer komórkowy 4 dolary miesięcznie, połączenie przychodzące 0,0107 dolara za minutę, interfejs SIP 0,0040, Media Streams 0,0044, nagrywanie 0,0025. Numer stacjonarny wymaga adresu w strefie numeracyjnej i danych rejestrowych firmy, a numer komórkowy takiego ograniczenia nie ma.

Minuta rozmowy w sumie:

Składnik	GPT-Live	Gemini 3.8 Live
model głosowy	0,0500 $	około 0,0122 $
połączenie przychodzące Twilio	0,0107 $	0,0107 $
SIP albo Media Streams	0,0040 $	0,0044 $
razem za minutę	około 0,065 $	około 0,027 $

Do tego około 14 dolarów stałych opłat miesięcznie: 4 za numer i około 10 za mały serwer. To ostrożne założenia. Z Elastic SIP Trunking zamiast Programmable Voice minuta GPT-Live schodzi do około 0,057 dolara.

Różnica w architekturze ma znaczenie dla kosztu budowy. OpenAI przyjmuje połączenia SIP bezpośrednio, więc dźwięk idzie od operatora prosto do modelu i nie przechodzi przez Twój serwer. Gemini Live działa przez WebSocket, więc między Twilio a modelem trzeba postawić własny most audio, a potem go hostować, monitorować i zabezpieczać.

Ile to wychodzi miesięcznie przy różnej liczbie rozmów?

Założenie: średnia rozmowa trwa 4 minuty. Dla Reception.ai w każdym wierszu liczę najtańszy plan z dopłatą za dodatkowe minuty, dla własnego agenta stawkę za minutę plus 14 dolarów stałych opłat.

Rozmowy miesięcznie	Minuty	Reception.ai	Własny agent, GPT-Live	Własny agent, Gemini
25	100	40 $	20 $	17 $
50	200	79 $	27 $	19 $
100	400	127 $	40 $	25 $
150	600	199 $	53 $	30 $
250	1000	199 $	79 $	41 $
500	2000	499 $	143 $	69 $
750	3000	799 $	208 $	96 $
1250	5000	1 399 $	338 $	151 $

To nie jest porównanie jeden do jednego. Reception.ai zawiera panel, kalendarz, CRM, nagrania i statystyki. Kolumny własnego agenta to sam koszt działania: budowę i utrzymanie trzeba doliczyć osobno.

Kiedy własny agent się zwraca?

Pytanie nie brzmi „który model jest tańszy za minutę”, tylko „przy jakiej liczbie rozmów oszczędność pokrywa budowę”. Minimalna wersja własnego agenta na GPT-Live, czyli SIP, sesje, bramka narzędzi, logowanie i obsługa błędów, to u mnie jeden do dwóch dni pracy. Wersja dla wielu firm z monitoringiem i panelem to już większy projekt. Dla porównania: podłączenie n8n do Reception.ai to kilka godzin, bo budujesz tylko workflowy i kontrakty narzędzi.

Oszczędność własnego agenta na GPT-Live względem Reception.ai i czas zwrotu budowy:

Rozmowy miesięcznie	Oszczędność miesięcznie	Zwrot budowy za 2 000 $	Zwrot budowy za 5 000 $
50	52 $	38 miesięcy	96 miesięcy
100	87 $	23 miesiące	58 miesięcy
150	146 $	14 miesięcy	34 miesiące
250	120 $	17 miesięcy	42 miesiące
500	356 $	6 miesięcy	14 miesięcy
750	591 $	3 miesiące	8 miesięcy
1250	1 062 $	2 miesiące	5 miesięcy

Wiersz 250 rozmów wygląda gorzej niż 150, bo przy 1000 minut Reception.ai nadal kosztuje 199 dolarów: to najkorzystniejszy punkt planu Premium. Powyżej 1000 minut każda kolejna kosztuje 0,30 dolara i własny agent szybko odjeżdża.

Progi, którymi się kieruję dla jednej firmy:

• Poniżej około 50 rozmów miesięcznie: gotowa usługa. Oszczędność jest za mała, żeby uzasadnić własną infrastrukturę.
• Od 50 do 150: zwykle nadal gotowa usługa, chyba że potrzebujesz nietypowych integracji albo gotowy produkt wypada słabo po polsku.
• Od 150 do 500: własny agent zaczyna mieć sens. Decyduje koszt budowy, planowany czas używania i to, czy rdzeń posłuży kolejnym firmom albo oddziałom.
• Powyżej 500: własny agent. Przy 2000 minut różnica przekracza 350 dolarów miesięcznie.

Rachunek zmienia się, gdy jeden rdzeń obsługuje wiele firm albo lokalizacji. Dziesięć gabinetów po 50 rozmów miesięcznie to na gotowej usłudze 10 × 79 = 790 dolarów, a na własnym agencie około 270 dolarów. Budowa za 2 000 dolarów zwraca się wtedy w niecałe 4 miesiące, choć żaden z gabinetów osobno nie przekracza progu.

Kiedy agent głosowy w ogóle się opłaca?

Koszty powyżej są małe w porównaniu z etatem: pełny koszt pracownika recepcji to kilka tysięcy złotych miesięcznie, a agent przy 250 rozmowach kosztuje kilkaset złotych. Tyle że agent rzadko zastępuje etat. Zwykle odbiera to, czego dziś nie odbiera nikt: telefony po godzinach, w przerwie, w szczycie, gdy recepcja rozmawia z pacjentem przy ladzie.

Dlatego liczę to od strony nieodebranych połączeń. Weź z bilingu liczbę nieodebranych połączeń z miesiąca. Oszacuj, jaka część z nich to nowi klienci, którzy nie zadzwonili drugi raz. Pomnóż przez średnią wartość pierwszej wizyty albo zamówienia. Jeśli wynik jest kilka razy wyższy niż miesięczny koszt agenta, decyzja jest prosta. Jeśli firma odbiera prawie wszystko i telefonów jest kilkanaście w miesiącu, agent głosowy nie ma czego odzyskać.

Agent nie opłaca się też wtedy, gdy nie ma gdzie zapisać wyniku rozmowy. Bez kalendarza online, CRM albo choćby arkusza, do którego trafia rezerwacja, zostaje automatyczna sekretarka z ładnym głosem.

Jak połączyć agenta głosowego z n8n?

n8n nie dotyka dźwięku i nie powinien. Rozmowę w czasie rzeczywistym prowadzi model głosowy, a n8n jest warstwą, w której żyje logika firmy: CRM, kalendarz, cennik, ERP. Agent w trakcie rozmowy wywołuje narzędzie, n8n wykonuje operację i odsyła wynik.

Rozmówca
  ↓
agent głosowy (Reception.ai, GPT-Live albo Gemini Live)
  ↓  wywołanie narzędzia
webhook w n8n
  ↓
CRM / kalendarz / cennik / ERP
  ↓  krótki JSON
agent głosowy czyta odpowiedź na głos

Przykład z warsztatu. Klient mówi: „Chciałbym umówić wymianę klocków do BMW 320i”. Agent zbiera numer rejestracyjny i wywołuje narzędzie:

{
  "registration": "WA12345",
  "service": "brake_pads"
}

Workflow w n8n znajduje pojazd w CRM, sprawdza cennik i wolne terminy, po czym odsyła:

{
  "vehicle": "BMW 320i",
  "price_from": 650,
  "slots": ["2026-09-18T15:30", "2026-09-19T09:00"]
}

Agent odpowiada: „Dla tego BMW cena zaczyna się od 650 zł. Mam jutro 15:30 albo sobotę 9:00”.

W Reception.ai narzędzie definiuje się w panelu: nazwa, opis, adres URL, metoda HTTP, parametry i limit czasu odpowiedzi. Opis jest częścią promptu, bo na jego podstawie agent decyduje, kiedy narzędzia użyć. Jak pisać takie opisy, wyjaśniam w przewodniku o AI Agencie w n8n. We własnym agencie te same narzędzia deklaruje się jako funkcje modelu, a mała bramka przekazuje wywołania do webhooków n8n.

Typowy zestaw narzędzi dla recepcji: find_customer, check_availability, create_booking, reschedule_booking, cancel_booking, calculate_quote, create_lead, send_confirmation, transfer_call.

Cztery zasady, które oszczędzają najwięcej kłopotów:

1. Narzędzia niezależne od dostawcy. Kontrakt wejścia i wyjścia projektuję tak, żeby nie zależał od modelu głosowego. Dziś najlepszy po polsku jest GPT-Live, za pół roku może być inaczej. Wtedy wymieniam adapter, a workflowy w n8n zostają bez zmian. Ten sam zestaw obsłuży też Reception.ai u mniejszej firmy.
2. Szybka i krótka odpowiedź. Rozmówca czeka w ciszy, więc workflow odpowiada przez Respond to Webhook od razu po uzyskaniu wyniku, a wysyłkę SMS-a czy wpis do arkusza robi po odpowiedzi. JSON zawiera tylko to, co agent ma powiedzieć. Gemini 3.8 Live wywołuje narzędzia domyślnie asynchronicznie i potrafi w tym czasie mówić dalej („Mam już dane samochodu, sprawdzam jeszcze terminy”), co dobrze pasuje do dłuższych workflowów.
3. Błąd też jest odpowiedzią. Gdy CRM nie odpowiada albo nie ma terminów, workflow zwraca czytelny komunikat, a agent proponuje oddzwonienie albo przełącza do człowieka. W n8n oznacza to wyjścia błędów na węzłach i error workflow z alertem. Z danych n8n-mcp wynika, że obsługę błędów ma tylko 2% workflowów budowanych przez agentów AI, a przy rozmowie telefonicznej jej brak słychać od razu.
4. Zabezpieczony webhook. Nagłówek z tokenem na każdym narzędziu i żadnych publicznych adresów bez uwierzytelnienia. Narzędzie cancel_booking dostępne dla każdego, kto zna URL, to zaproszenie do kłopotów. Zabezpieczanie webhooków opisuję szerzej w przewodniku n8n self-hosted czy cloud.

Webhook czy MCP?

Reception.ai obsługuje oba sposoby: narzędzia jako webhooki oraz serwer MCP przez SSE albo Streamable HTTP, z wyborem, które narzędzia recepcjonistka może wywołać. n8n potrafi być taką stroną MCP dzięki węzłowi MCP Server Trigger.

Na pierwsze wdrożenie wybieram webhooki. Są prostsze, przewidywalne i łatwe do debugowania: jedno narzędzie, jeden workflow, jedna historia egzekucji. MCP ma sens, gdy katalog narzędzi rośnie i ma służyć kilku agentom naraz, na przykład recepcjonistce w telefonie, czatowi na stronie i asystentowi zespołu.

Który model najlepiej mówi po polsku?

We wrześniu 2026 przetestowałem na żywo wszystkie trzy rozwiązania. To był szybki test, a nie formalny benchmark, ale przy recepcjonistce naturalna rozmowa po polsku jest całym produktem, więc traktuję go poważnie.

• GPT-Live: najlepszy. Najbardziej naturalny głos, spójna rozmowa, ani razu nie zmienił języka.
• Reception.ai: w porządku, ale w publicznym demo głos zmienił się w trakcie rozmowy na inny. Demo może mieć inną konfigurację niż własne konto, więc to rzecz do sprawdzenia w wersji próbnej.
• Gemini 3.8 Live: najsłabszy. Zaczął po polsku, po czym sam przeszedł na niemiecki. Możliwe, że pomoże twarda instrukcja w prompcie („rozmawiasz wyłącznie po polsku, obce nazwy własne nie są prośbą o zmianę języka”), ale u recepcjonistki na produkcji to czerwona flaga.

Gemini jest wyraźnie tańszy, tylko że ta różnica jest mała w liczbach bezwzględnych: około 37 dolarów miesięcznie przy 1000 minut i około 187 dolarów przy 5000. Jeden klient, który rozłączył się, bo recepcja zaczęła mówić po niemiecku, kosztuje więcej. Modelu głosowego nie wybieram więc po cenie za minutę.

Przed wdrożeniem warto przejść 10 do 30 identycznych scenariuszy na każdym kandydacie: przerywanie agentowi, zmiana zdania w pół zdania, numery telefonów i rejestracyjne, polskie nazwiska, daty i godziny, hałas w tle, długa pauza, dwa lub trzy wywołania narzędzi w jednej rozmowie, błąd narzędzia, brak terminów, przekazanie do człowieka. Do oceny: czy agent trzyma język i głos, ile trwa odpowiedź, czy dane w systemie są poprawne i ile rozmów wymagało człowieka.

Co z RODO i obowiązkiem informowania o AI?

Dwa obowiązki, oba do załatwienia w powitaniu.

AI Act, artykuł 50. Od 2 sierpnia 2026 osoba, która rozmawia z systemem AI, musi zostać o tym poinformowana jasno i najpóźniej na początku rozmowy, chyba że wynika to w oczywisty sposób z kontekstu. Informacja w regulaminie albo po rozmowie nie wystarcza. Źródło: rozporządzenie (UE) 2024/1689.

Nagrywanie. Nagranie rozmowy z klientem to przetwarzanie danych osobowych. Rozmówca powinien na początku usłyszeć, że rozmowa jest nagrywana, kto jest administratorem danych i po co powstaje nagranie, a pełna klauzula informacyjna powinna być dostępna na stronie firmy. Do tego umowa powierzenia z dostawcą agenta i sprawdzenie, gdzie fizycznie trafiają nagrania i transkrypcje.

Wystarczy jedno zdanie w rodzaju: „Dzień dobry, tu wirtualna asystentka gabinetu, rozmowa jest nagrywana”. To opis praktyki, nie porada prawna. Przy danych medycznych albo finansowych ustalenia z prawnikiem warto zrobić przed wyborem dostawcy, a nie po.

Co wybrać: drzewko decyzyjne

1. Czy potrafisz opisać, jakie dane agent ma zebrać i jaką operację wykonać? Nie: najpierw uporządkuj proces. Agent go nie naprawi.
2. Czy masz mniej niż około 50 rozmów miesięcznie i zależy Ci na szybkim starcie? Tak: gotowa recepcjonistka AI, a jeśli potrzebujesz własnej logiki, podłącz do niej n8n przez webhooki. Sprawdź wcześniej numer telefonu i jakość polskiego w wersji próbnej.
3. Czy masz ponad 500 rozmów miesięcznie albo wiele lokalizacji na jednym rdzeniu? Tak: własny agent na GPT-Live z natywnym SIP, narzędzia w n8n.
4. Jesteś pomiędzy? Policz zwrot z tabeli wyżej dla swojego kosztu budowy i zdecyduj, czy jakość rozmowy po polsku jest dla Ciebie warta więcej niż gotowy panel.
5. Gemini 3.8 Live warto obserwować. Jest najtańszy i ma dobre asynchroniczne wywołania narzędzi, ale w moim teście po polsku wypadł najsłabiej i wymaga dodatkowego mostu audio.

Niezależnie od wariantu logika firmy zostaje w n8n, a model głosowy jest wymienną częścią. Dzięki temu wybór z punktu 2 nie blokuje przejścia do punktu 3, gdy telefonów przybędzie.

Źródła

Ceny i parametry sprawdzone 17 września 2026 na stronach dostawców:

• Reception.ai: plany i cennik, webhooki, serwer MCP, przegląd integracji, strona produktu
• OpenAI: model gpt-live-1, Live API
• Google: cennik Gemini API, Gemini 3.8 Live, możliwości Live API
• Twilio: cennik połączeń głosowych w Polsce, Elastic SIP Trunking w Polsce, wymagania dla polskich numerów
• AI Act, rozporządzenie (UE) 2024/1689

Kwoty w dolarach nie zawierają VAT. Ceny modeli i telefonii zmieniają się często, więc przed decyzją sprawdź aktualne cenniki.