Czy AI naprawdę rozumie po polsku? Dyktowane numery, daty i odmiana w praktyce

"Poproszę jeszcze numer telefonu do potwierdzenia." Klient dyktuje: "sześćset osiemdziesiąt dwa, czterysta jedenaście...". Bot po drugiej stronie zapisuje coś, co z numerem telefonu ma niewiele wspólnego, i radośnie brnie dalej. SMS z potwierdzeniem nigdy nie dojdzie, wizyta wisi w próżni, a klient następnym razem zadzwoni do konkurencji.

Jeśli myślisz o asystencie telefonicznym AI, to pewnie Twoja największa obawa: "po angielsku może działa, ale po polsku? Pomyli dziewięć z dziesięć". Obawa uzasadniona - dla większości botów polski naprawdę jest problemem. Pokazujemy na twardych danych, dlaczego tak jest, gdzie generyczne rozwiązania się wykładają i po czym poznać asystenta, który polszczyznę rozumie naprawdę, a nie tylko w ulotce.

Dlaczego polski to trudny język dla maszyn

Nie chodzi o "trudne słowa" - chodzi o konstrukcję języka.

Po pierwsze: odmiana. Polski ma siedem przypadków i odmienia praktycznie wszystko, łącznie z nazwiskami. "Kowalski", "do Kowalskiego", "z Kowalskim" - to jedno nazwisko w trzech formach, a asystent musi zrozumieć, że klient nazywa się Kowalski, nie "Kowalskiego". Przy nazwiskach mniej typowych robi się jeszcze ciekawiej.

Po drugie: liczebniki. "Dwie wizyty", "dwóch klientów", "dwoma terminami" - ta sama liczba, trzy różne słowa. A numer telefonu dyktowany po polsku to nie ciąg cyfr, tylko słowa: "sześćset dwadzieścia jeden" może znaczyć 621, ale wypowiedziane z pauzą w złym miejscu bywa rozumiane jako 600 i 21.

Po trzecie: daty i godziny. Polak nie mówi "siedemnastego sierpnia o szesnastej trzydzieści". Mówi "we wtorek po piętnastym" albo "wpół do piątej". "Wpół do piątej" to 16:30 - system, który tego nie wie, umówi klienta cztery i pół godziny za wcześnie.

Te trudności widać w liczbach. Badanie zespołu AGH i współautorów z lutego 2026 roku sprawdziło jakość rozpoznawania polskiej mowy przez najpopularniejsze modele. Na czystym, wzorcowym zbiorze nagrań najlepszy model komercyjny mylił się rzadko - 3,29% błędnych słów. Ale na prawdziwych nagraniach, z badanego zbioru wywiadów medycznych, ten sam najlepszy model osiągnął 10,58% błędów, a popularny otwarty model Whisper - aż 42,26%. Czyli mniej więcej co trzecie słowo przekręcone. Na wzorcowym benchmarku wszyscy wyglądają dobrze; na realnym polskim audio różnica między najlepszym a popularnym jest czterokrotna.

Polski benchmark BIGOS, prezentowany na konferencji NeurIPS 2024, dokłada drugi wniosek: mowa potoczna, rozmowowa jest rozpoznawana o około 17 punktów procentowych gorzej niż mowa czytana. A rozmowa telefoniczna z klientem to właśnie mowa potoczna - z wtrąceniami, poprawkami i "yyy" w połowie zdania.

Mit: "skoro ChatGPT zna polski, to każdy bot dogada się po polsku"

To najczęstszy skrót myślowy - i najdroższy. Fakt, że duże modele językowe piszą płynnie po polsku, nie znaczy, że dowolny bot głosowy zrozumie polską rozmowę telefoniczną. To dwa różne problemy.

Zanim bot cokolwiek "pomyśli", musi najpierw usłyszeć i zamienić dźwięk na tekst. Ten etap nazywa się rozpoznawaniem mowy (STT) i to na nim wykłada się większość rozwiązań. Jakość tego etapu mierzy się metryką WER (word error rate), czyli po prostu: jaki procent słów system przekręcił, zgubił lub dopisał. WER 10% oznacza, że co dziesiąte słowo jest błędne. Brzmi znośnie? W dyktowanym dziewięciocyfrowym numerze telefonu wystarczy jedno przekręcone słowo, żeby cały numer był do niczego.

Do tego dochodzi sam kanał. Nagrania, na których modele wypadają świetnie, to zwykle czyste studyjne audio. Telefon to co innego: wąskie pasmo, kompresja, klient dzwoni z ulicy albo z samochodu, w tle szczeka pies, rozmówcy czasem mówią jednocześnie. Widać to nawet na angielskim, gdzie modele mają najwięcej danych treningowych: według analiz serwisu Vexascribe Whisper na wzorcowym angielskim zbiorze osiąga około 2,7% błędów, ale na realnym audio z telefonów i spotkań już 8-12%. Po angielsku jest łatwiej - a po polsku ta poprzeczka wisi znacznie wyżej.

Wniosek: "nasz bot mówi po polsku" to deklaracja, która nic nie kosztuje. Pytanie brzmi, na czym ten bot słucha - i czy jego silnik rozpoznawania mowy był strojony i testowany na polskim, telefonicznym, potocznym audio, czy tylko na ładnym benchmarku.

Numery, daty, nazwiska - tu boty wykładają się najczęściej

Jest jeszcze jeden haczyk, o którym ulotki milczą: nie wszystkie słowa są równie ważne. W rozmowie o umówienie wizyty 90% zdania można przekręcić bez szkody. Ale numer telefonu, data, godzina i nazwisko muszą być bezbłędne - to na nich opiera się cała rezerwacja.

Branża nazywa to problemem encji i mierzy osobną metryką - Slot Error Rate, czyli odsetkiem błędów właśnie na tych kluczowych danych, a nie na wszystkich słowach po równo. Powód jest prosty: numery, daty, kwoty i nazwiska mają wyraźnie wyższy odsetek błędów niż zwykłe słowa. Testy branżowe na produkcyjnym audio pokazują, że nawet czołowe silniki rozpoznawania mowy gubią kilkanaście do dwudziestu kilku procent takich kluczowych danych.

Jak to wygląda w praktyce? Kilka typowych awarii, opisywanych zresztą w branżowych analizach produkcyjnych agentów głosowych:

• Numer zapisany słowami. Klient dyktuje "pięćset pięćdziesiąt pięć...", a system zapisuje dosłownie słowa zamiast cyfr - i SMS nie ma dokąd pójść.
• Sklejone liczebniki. "Sześćset dwadzieścia jeden" ląduje jako dwa osobne kawałki i numer ma za dużo albo za mało cyfr.
• Data względna. "We wtorek po piętnastym" wymaga spojrzenia w kalendarz: który wtorek wypada po 15. dniu miesiąca? Generyczny bot słyszy "wtorek" i "piętnasty" - i wybiera źle.
• Godzina po polsku. "Wpół do piątej" to 16:30, "kwadrans po ósmej" to 8:15. System trenowany głównie na angielskim tych konstrukcji zwyczajnie nie zna.
• Nazwisko w odmianie. "Proszę zapisać wizytę dla Grzegorza" - klient ma na imię Grzegorz, ale bot zapisuje "Grzegorza", bo nie cofa odmiany.

Każdy z tych błędów z osobna wygląda niegroźnie. W praktyce każdy kończy się tak samo: rezerwacją, której nie da się potwierdzić, klientem, do którego nie da się oddzwonić, albo wizytą w złym dniu. A jak policzyliśmy w analizie kosztów nieodebranych telefonów, jeden stracony kontakt w firmie usługowej to często 150-300 zł - bot, który gubi dane, potrafi być równie kosztowny jak telefon, którego nikt nie odebrał.

Jak Heyheyo radzi sobie z polszczyzną

Właśnie dlatego przy budowie Heyheyo wybór silnika rozpoznawania mowy nie był detalem technicznym, tylko decyzją o rdzeniu produktu. I dlatego nie działamy na jednej linii obrony, ale na czterech.

Krok 1: silnik strojony pod polski, w czasie rzeczywistym. Heyheyo korzysta z wyspecjalizowanego silnika rozpoznawania mowy dostrojonego do polskiego - testowanego przez nas dokładnie na tym, co najtrudniejsze: dyktowanych numerach telefonu, datach względnych, polskich godzinach i odmienianych nazwiskach, na prawdziwym telefonicznym audio. Zanim jakikolwiek silnik trafił do produktu, sprawdzaliśmy, ile dyktowanych cyfr gubi - i odrzucaliśmy te, które gubiły za dużo.

Krok 2: potwierdzenie w rozmowie. Nawet najlepszy silnik czasem się pomyli, więc asystent nie udaje nieomylnego. Kluczowe dane powtarza klientowi na głos: "Zapisuję numer sześćset osiemdziesiąt dwa..., zgadza się?". Klient poprawia od razu, w tej samej rozmowie - a nie następnego dnia, gdy SMS nie dotarł.

Krok 3: SMS jako druga linia obrony. Po rozmowie klient dostaje SMS z datą, godziną i usługą. Jeśli cokolwiek się nie zgadza, widzi to czarno na białym i może odpisać albo zadzwonić. U nas każda zmiana rezerwacji kończy się wiadomością - jak dokładnie działa umawianie wizyt bez podwójnych rezerwacji, opisujemy osobno.

Krok 4: pełna transkrypcja w panelu. Każda rozmowa jest zapisana słowo po słowie. Nie musisz wierzyć na słowo ani nam, ani asystentowi - otwierasz panel i czytasz, co klient powiedział i co asystent zrozumiał. Pełną listę możliwości znajdziesz na stronie funkcji.

Generyczny bot kontra asystent strojony pod polski

Różnicę najlepiej widać na konkretnych sytuacjach z codziennych rozmów:

Tabela pokazuje wzorzec, nie pojedyncze wpadki. Generyczny bot to system składany z uniwersalnych klocków, w którym polski jest jednym z kilkudziesięciu obsługiwanych języków. Asystent strojony pod polski to system, w którym polszczyzna była kryterium wyboru każdego elementu - od silnika rozpoznawania mowy po logikę zamiany "wpół do piątej" na godzinę w kalendarzu. Z zewnątrz oba wyglądają tak samo i oba "mówią po polsku". Różnicę słychać dopiero przy dyktowaniu numeru.

Czy klienci w ogóle zaakceptują rozmowę z AI

Załóżmy, że technicznie działa. Czy Twoi klienci będą chcieli rozmawiać z asystentem AI? Dane są tu ciekawsze, niż podpowiada intuicja. Amerykańska ankieta Zenoti z września 2025 roku (ponad tysiąc respondentów) pokazała, że 55% klientów salonów akceptuje recepcjonistkę AI, a w segmencie medspa - 71%. Najbardziej komfortowo z taką rozmową czuje się grupa 30-44 lata: 67%. To dane z rynku amerykańskiego, ale kierunek jest czytelny - dla klienta liczy się głównie to, czy sprawa została załatwiona: czy ktoś odebrał, czy termin się zgadza, czy przyszedł SMS.

Rynek zresztą głosuje pieniędzmi: według Grand View Research globalny rynek agentów głosowych AI wart był 2,54 mld dolarów w 2025 roku, a do 2033 ma urosnąć do 35,24 mld - i ponad połowa tego rynku to obsługa połączeń przychodzących. Więcej danych o skali problemu zebraliśmy w przeglądzie badań o nieodebranych telefonach.

A w Polsce? Według Eurostatu w 2025 roku tylko 8,4% polskich przedsiębiorstw używało AI, przy unijnej średniej 20%. To oznacza, że w większości branż lokalnych asystent AI to wciąż przewaga, nie standard. Firma, która wdroży go teraz, przez najbliższe lata będzie tą, u której "zawsze ktoś odbiera" - podczas gdy konkurencja dopiero nadrabia. Jeśli wahasz się między asystentem a zatrudnieniem człowieka do telefonu, porównujemy obie opcje uczciwie tutaj.

Przetestuj sam - to najkrótsza droga do odpowiedzi

Nie musisz wierzyć ani nam, ani benchmarkom. Rozpoznawanie polskiej mowy testuje się jednym telefonem.

Zadzwoń do asystenta i potraktuj go jak najtrudniejszy klient, jakiego znasz. Podyktuj numer telefonu szybko i niewyraźnie. Powiedz, że pasuje Ci "wtorek po piętnastym, najlepiej wpół do piątej". Przedstaw się nazwiskiem, które się odmienia. Przełóż termin w połowie rozmowy. Potem sprawdź dwie rzeczy: czy SMS przyszedł na właściwy numer i czy wizyta stoi w kalendarzu dokładnie tam, gdzie chciałeś.

Dokładnie tak testowaliśmy Heyheyo i tak polecamy testować każde rozwiązanie, również konkurencyjne. Bot, który przejdzie taki test, poradzi sobie z Twoimi klientami. Bot, który go nie przejdzie, będzie generował wpadki, za które zapłacisz Ty.

Abonament Heyheyo zaczyna się od 299 zł miesięcznie, bez umowy na lata i bez wdrożenia na tygodnie - konfiguracja to jedna rozmowa o Twojej firmie, usługach i godzinach pracy. Sprawdź cennik i umów się na test: pięć minut rozmowy z asystentem powie Ci więcej niż każdy artykuł, łącznie z tym.