Imagem original gerada pelo Plugged Ninja para esta matéria.
O Google Research publicou em 20 de novembro de 2026 um texto que detalha a reconstrução técnica do Duplex, o sistema de chamadas telefônicas automatizadas apresentado pela empresa em 2018. O post é assinado por Yossi Matias (vice-presidente do Google e gerente-geral do Google Research), Yaniv Leviathan (Google Fellow) e Janet Zhou (gerente de produto do Google Maps), e explica como a tecnologia deixou de ser um conjunto de modelos especializados por tarefa para rodar sobre a pilha do Gemini.
A novidade de produto que motiva o texto saiu três dias antes. Em 17 de novembro, a empresa anunciou o Tasks no aplicativo Gemini — um modo em que o usuário descreve uma pendência em texto livre e o assistente a executa, inclusive telefonando para estabelecimentos. Segundo o anúncio, o recurso começou a ser liberado gratuitamente nos Estados Unidos, Japão, Coreia do Sul, Canadá, Austrália e Índia. O Brasil não está na lista.
O que o post do Google Research entrega é a parte de engenharia: o que mudou na arquitetura, quais problemas a telefonia impõe a um modelo de linguagem e como a empresa diz tratar a questão da transparência na ligação. O que ele não entrega — e isso limita bastante qualquer avaliação — são métricas.
A reconstituição histórica feita pelos autores é útil para entender o salto. Na primeira fase, iniciada em 2018, o Duplex usava redes neurais recorrentes treinadas em conversas telefônicas anonimizadas e específicas por tarefa. O sistema só funcionava em domínios fechados: reservar mesa, marcar horário, confirmar funcionamento. Como escrevem os autores, sem conhecimento de mundo pré-treinado era preciso ensinar ao modelo cada tipo de tarefa separadamente.
A segunda fase é híbrida. A partir de 2019, recursos derivados do Duplex chegaram aos celulares Pixel — o conjunto Call Assist, que inclui a triagem de chamadas e a espera automática em linha, presente em cinco gerações do aparelho. Durante a pandemia de covid-19, o sistema foi usado sobretudo para verificar informações de estabelecimentos. Em 2022, o Google passou a usar o LaMDA em chamadas ao vivo, combinando modelos generativos para a formulação das frases com rastreamento determinístico de estado e regras rígidas de política. Segundo o post, informações de estabelecimentos obtidas por essas chamadas já haviam sido exibidas “mais de um trilhão de vezes” na Busca e no Maps — número que a empresa divulgou em 2023.
A terceira fase é a atual. A tarefa deixa de ser escolhida em um cardápio e passa a ser descrita em texto livre, e a pilha de chamadas usa o Gemini para unificar compreensão multimodal, planejamento e geração de diálogo. O anúncio de produto cita o modelo Gemini 4 Hydrogen.
O post organiza as dificuldades em três frentes, e elas ajudam a entender por que telefonar é mais difícil do que conversar por texto.
Antes da chamada, o sistema precisa casar um pedido escrito em linguagem natural com um estabelecimento concreto e estimar se aquela tarefa tem chance de dar certo naquele lugar. O Google diz usar o histórico de conversas anteriores para essa previsão — o que, na prática, significa que a qualidade do serviço depende de uma base acumulada de ligações.
Esta é a parte mais sensível. Em uma conversa por telefone, uma pausa de meio segundo a mais já soa como queda da linha — exemplo usado pelos próprios autores. A pilha é descrita como ajustada para inferência em streaming de baixa latência, com modelos acústicos e de cadência de conversa específicos para lidar com ruído de fundo, pausas e o momento de parar de falar.
Aqui cabe registrar o que o texto não diz: não há nome de modelo de reconhecimento de fala ou de síntese de voz, não se informa se o caminho de áudio é ponta a ponta ou uma cascata de componentes, e não há um único número de latência medida. São exatamente os dados que permitiriam comparar a solução com alternativas abertas.
O terceiro desafio é interpretar o que uma pessoa real quer dizer. O post cita a leitura de recusas indiretas educadas — o equivalente telefônico de “vou ver e te retorno” — e o replanejamento quando a recepção sugere outro horário, inclusive conciliando restrições de agenda do usuário.
Este é o ponto que mais interessa a quem atende. Segundo o Google, toda chamada começa com a revelação explícita de que se trata de um agente de inteligência artificial — especificamente, um sistema automatizado ligando em nome do Google. A empresa afirma que o atendente não precisa fazer nada diferente: lida com a chamada como lidaria com qualquer cliente.
Do lado do estabelecimento, há duas saídas. É possível desativar o recebimento de chamadas automatizadas nas configurações do Perfil da Empresa no Google, e é possível pedir, durante a própria ligação, que a empresa pare de telefonar.
O anúncio de produto acrescenta uma restrição geográfica curiosa: as chamadas pelo Gemini não estão disponíveis em Indiana, Louisiana, Minnesota, Montana e Nebraska. O Google não explica o motivo. Também não há, em nenhum dos dois textos, informação sobre gravação das chamadas, limites de quantas ligações podem ser feitas ou mecanismos de prevenção a abuso.
O ganho prático é evidente para quem depende de pequenos negócios que não têm agendamento on-line: oficina, clínica, restaurante, loja de bairro. Transferir a espera na linha para uma máquina resolve um atrito real, e a arquitetura descrita — planejamento e diálogo no mesmo modelo, em vez de fluxos escritos à mão por vertical — é o que torna isso escalável para além de um punhado de tarefas pré-programadas.
Os riscos também são concretos. O primeiro é de assimetria: a carga de atender se desloca para o funcionário do estabelecimento, que passa a receber chamadas de um sistema que não se cansa. A opção de desativar existe, mas é opt-out, e depende de o negócio saber que ela existe.
O segundo risco é de verificação. O resultado da chamada chega ao usuário como texto, e a precisão desse resumo depende do modelo ter entendido corretamente o que foi dito ao telefone. Sem taxa de sucesso publicada, não há como dimensionar a frequência de erro — e um horário marcado errado tem custo no mundo físico, não na tela.
O terceiro ponto é regulatório e vale para o Brasil, ainda fora da lista de países. Ligações automatizadas em larga escala esbarram em regras de telemarketing, consentimento e gravação que variam por jurisdição. A exclusão de cinco estados norte-americanos, sem explicação pública, sugere que esse mapeamento legal está sendo feito caso a caso.
Por fim, a limitação metodológica que atravessa todo o material: é um post institucional, não um artigo revisado. Não há avaliação, não há comparação com outros sistemas de voz e não há conjunto de teste público. Tudo o que se pode afirmar com segurança é o que a empresa descreve sobre sua própria arquitetura.
O Duplex de 2026 é um caso raro de projeto de pesquisa que sobreviveu a duas mudanças completas de paradigma — de redes recorrentes por domínio a modelos híbridos e, agora, a uma pilha única baseada em modelo de fundação — sem mudar de objetivo. Oito anos depois, a promessa continua a mesma: completar uma tarefa do mundo real por telefone.
O que observar daqui para a frente: se o Google publica métricas de sucesso e latência, se a lista de países se amplia para a América Latina, como os estabelecimentos reagem ao volume de chamadas automatizadas e se órgãos reguladores passam a exigir divulgação padronizada quando quem liga é uma máquina.
Artigo publicado no arXiv em 19 de novembro de 2026 apresenta quatro modelos que estimam…
Relato publicado pela Sophos em 19 de novembro de 2026 descreve como um time autorizado…
Relatório da Unit 42 de 20 de novembro de 2026 reúne sete grupos ligados ao…
Publicado na Science, o experimento ganha o jogo do quadrado mágico em 98,30% das rodadas,…
Preprint de seis universidades mostra que corromper um único registro da tabela de blocos faz…
A Microsoft confirmou a campanha relatada pela ConnectWise e detalhou um kit que inverte o…