Dalla dettatura all’ Agente IA

Per gran parte degli anni 2010, software vocale voleva dire una sola cosa: dettatura. Tu parlavi, il computer scriveva. Fine. Lo standard di riferimento era Dragon NaturallySpeaking, un prodotto che ha dominato il mercato per oltre due decenni. Medici, avvocati e scrittori lo usavano per evitare lesioni da sforzo ripetuto e scrivere più veloce delle loro dita.

La tecnologia era impressionante per l’epoca, ma profondamente limitata. L’accuratezza oscillava intorno all’85–90 % in condizioni ideali e crollava con rumore di fondo, accenti o vocabolario tecnico. Bisognava “allenare” il software leggendo brani ad alta voce per 30–60 minuti prima che riuscisse a capirti.

Il software era anche costoso. Dragon Professional costava 300–500 $ a licenza, l’edizione medica superava i 1.000 $. Funzionava solo su Windows, richiedeva molta CPU e aggiornamenti costanti per mantenere l’accuratezza.

Tutto cambiò a settembre 2022 quando OpenAI rilasciò Whisper, un modello di riconoscimento vocale open source addestrato su 680.000 ore di audio multilingue. Da un giorno all’altro, l’asticella dell’accuratezza passò dall’85–90 % al 95–98 %. Ed era gratis.

Whisper non aveva bisogno di allenamento vocale. Funzionava in oltre 90 lingue appena installato. Gestiva accenti, rumore di fondo e termini tecnici molto meglio di qualsiasi cosa prima. Il modello poteva girare localmente su hardware consumer, eliminando la necessità di costose API cloud.

Servizi cloud di trascrizione come Otter.ai, Rev e Descript migliorarono anch’essi in modo drastico, spinti da modelli transformer simili. La trascrizione delle riunioni divenne mainstream. Il prezzo di una trascrizione accurata scese da centinaia di dollari a licenza a pochi centesimi al minuto.

Ma fondamentalmente il paradigma non era cambiato. Il software vocale era ancora un sostituto della tastiera. Pronunciavi parole e il computer le scriveva. Più veloce e più accurato, ma sempre e solo trascrizione. Il computer non capiva cosa stessi dicendo né cosa stessi cercando di ottenere.

La vera rivoluzione è iniziata quando le interfacce vocali hanno incontrato i grandi modelli linguistici. Invece di scrivere soltanto ciò che dici, l’IA ora capisce cosa intendi e agisce. È il passaggio dalla dettatura all’agente IA.

Gli agenti vocali moderni come Whisper by Remskill combinano riconoscimento vocale con intelligenza di livello GPT. Non detti soltanto testo — dai comandi. «Ricerca le ultime tendenze nelle energie rinnovabili e scrivi un paragrafo di riepilogo.» L’IA cerca sul web, legge le fonti e scrive il paragrafo per te. Tutto con la voce, senza uscire dall’app.

I comandi personalizzati vanno oltre. Puoi creare flussi vocali: «Correggi la grammatica di questa email», «Traduci in spagnolo» o «Spiega questo codice.» Ogni comando esegue una specifica operazione IA sul testo o sul contesto selezionato. È come avere un assistente personale che può fare qualsiasi cosa, attivato da una sola scorciatoia.

Il cambiamento fondamentale è questo: il software vocale non serve più a scrivere più in fretta. Serve a fare cose che prima non si potevano fare.

Nell’era della dettatura, la proposta di valore era la velocità. Parlare è 3–4 volte più veloce di scrivere. Utile, ma limitato. Dovevi comunque pensare cosa scrivere, strutturarlo da solo e cercare informazioni manualmente quando servivano.

Nell’era dell’agente IA, la proposta di valore è la capacità. Puoi fare ricerca su un argomento, scrivere una prima bozza, tradurla, verificare i fatti e formattarla per la pubblicazione — tutto con la voce, senza cambiare app, in una frazione del tempo.

Non è un miglioramento incrementale. È un cambio di categoria. La vecchia domanda era «quanto velocemente posso scrivere con la voce?». Quella nuova è «cosa posso realizzare con la voce?». E la risposta, sempre più spesso, è: quasi tutto.

L’era dell’agente IA è appena iniziata. Ecco cosa arriva nei prossimi 1–2 anni, sulla base della ricerca attuale e delle roadmap di prodotto.