Vinte minutos com o CEO da ElevenLabs, agora avaliada em US$ 22 bilhões

ElevenLabs constrói a camada de voz da IA, os modelos que transformam texto em fala que parece humana. A maioria das pessoas se depara com isso quando conversa com o atendimento ao cliente – muitas vezes sem perceber. Klarna oferece suporte telefônico de primeira linha para 35 milhões de clientes nos EUA, por exemplo. O mesmo acontece com a Deutsche Telekom, a Cisco, a Adobe e uma lista crescente de governos. A ElevenLabs também vende para criadores, que usam sua plataforma para audiolivros, dublagem e música.

Não está sozinho no que faz. Na verdade, está cada vez mais encontrando clientes, incluindo a Decagon, uma plataforma de IA conversacional que treinou seu produto de voz no ElevenLabs e agora compete com ela. Mas os seus investidores não parecem muito preocupados. A empresa, que afirma ter uma receita recorrente anual de US$ 600 milhões, agora está avaliada em US$ 22 bilhões por seus financiadores, apesar de ter apenas quatro anos de existência.

Para entender mais, entrevistei o cofundador e CEO da ElevenLabs, Mati Staniszewski, na Nrth em Toronto, uma conferência local de empreendedorismo anteriormente conhecida como Elevate. Cobrimos uma série de tópicos em um curto espaço de tempo, incluindo se as empresas deveriam avisar os clientes quando estivessem conversando com uma IA (ele acha que deveriam) e se ele poderia discutir as margens brutas da empresa. Sem surpresa, Staniszewski disse que não poderia discuti-los em detalhes, mas deixou claro que não se importa que eles sejam ainda mais pressionados se isso significar expandir a participação de mercado da empresa.

Nossa conversa segue, condensada e levemente editada. Você pode conferir a conversa completa aqui.

Você se juntou a nós no TechCrunch Disrupt no ano passado, onde disse que os modelos de áudio seriam comoditizados dentro de alguns anos. Como você avaliaria essa previsão agora?

Ainda há muito trabalho a ser feito e o delta de qualidade que você pode alcançar apenas no nível do modelo ainda é significativo. Se pensarmos no longo prazo, provavelmente daqui a três, cinco anos, essas diferenças serão menores. O que adoraríamos fazer, e ser os primeiros a fazer, é passar no teste de Turing para IA conversacional. Você precisa combinar inteligência, mas também precisa de inteligência emocional. Você precisa entender as emoções do outro lado para poder desacelerar ou falar. Isso ainda não foi feito.

Que porcentagem do negócio é empresarial agora?

Agora somos US$ 600 milhões em ARR. Mais de cinquenta e cinco por cento são empresas clássicas, e uma grande porcentagem dos (restantes) 45% são pequenas e médias empresas, desenvolvedores, construtores, criadores.

Como todo mundo na IA, você está competindo cada vez mais com seus clientes. A Decagon treinou seu produto de voz para você e agora realiza consultas por meio de seus próprios modelos.

As linhas ficam mais borradas. Quando pensamos em empresas modelo, empresas de plataforma, empresas de aplicativos, no passado havia divisões muito claras onde se começa e termina. Hoje essa linha está muito mais confusa. No caso da Anthropic, o que era uma empresa modelo é definitivamente uma plataforma e cada vez mais um amplo conjunto de aplicações. Acho que isso vai continuar.

Seus clientes podem escolher a “camada de raciocínio” em um menu de opções no ElevenLabs. O que você está vendo em termos de uso de modelos de laboratório de fronteira versus peso aberto?

É menos uma escolha binária. Na experiência do cliente, se você está ligando e é apenas informativo, você não está executando nenhuma ação – você pode usar muitos modelos de código aberto porque sua base de conhecimento define o que é uma boa experiência. Mas se forem serviços financeiros, você quer ser autenticado, quer informações sobre uma transação, talvez um reembolso. Não há espaço para erros. Aqui, os modelos de fronteira ainda liderarão.

Alguns desses modelos abertos são chineses. O governo dos EUA é um cliente. Os governos europeus são clientes. Como são essas conversas?

Diferente. Em cada implantação, os modelos e as vozes que implantamos dependerão do caso. Se trabalharmos com o governo polonês ou com o governo brasileiro, eles terão seu próprio conjunto de requisitos. Pode ser um modelo de peso aberto, um modelo de código fechado, seu próprio modelo ajustado. (Na Polónia) é um caso de saúde. Você tem pacientes marcando consultas em todo o sistema público de saúde e 18% nunca comparecem. A implantação consiste em agentes que ligam e lembram você. Eles tinham um conjunto de modelos otimizados de acordo com seu conhecimento e nós integramos mantendo a residência dos dados.

As empresas devem divulgar quando alguém está conversando com um agente em vez de com um ser humano?

Acho que deveria haver divulgação neste momento. Atualmente, as pessoas não estão acostumadas com isso, e o padrão comum é que você não quer se sentir enganado nessa ligação. Mas daqui a cinco anos, quando todos tiverem seu próprio agente trabalhando em seu nome, você estará ligando e esperando um agente. Então acho que mudaremos como sociedade. Existem boas maneiras de fazer isso: se houver uma espera de 30 minutos por um humano, ofereça uma escolha ao cliente. Em quase todos os casos, eles escolhem o agente e ficam surpresos com a qualidade da experiência.

Quais são as suas margens brutas, considerando o que você está pagando por modelos e inferências?

Vou dar uma resposta vaga. Dado que temos esse elemento de pesquisa, somos capazes de ajustar e restringir modelos de maneiras extremamente inteligentes. Mas se pudermos repassar alguma economia ao cliente, faremos isso. O mais importante ainda é provar o valor e estar presente com o cliente. Portanto, se pudermos investir e provar esse valor, não nos importamos que as margens diminuam para realmente beneficiarmos juntos à medida que o valor for criado nos próximos cinco anos.

Você tem milhões de horas de ligações de atendimento ao cliente. Você treina com eles? Quanto dos seus dados de treinamento são sintéticos?

Em algumas empresas criamos os modelos juntos. Eles queriam um modelo específico para seu caso de uso. Caso contrário, a grande parte do treinamento não foi tanto o volume de dados, mas a anotação dos dados. Temos milhares de pessoas internamente em regime de contratação nos ajudando a anotar não só o que foi dito, mas quando as pessoas estavam falando, como disseram as coisas, quais emoções foram usadas. Tivemos que contratar treinadores de voz para poder detectar sotaques com precisão.

Foi relatado que você espera um IPO em 2028. Você pode confirmar isso?

Adoraríamos criar uma empresa que resistisse ao teste do tempo. Estamos preparando as bases para podermos fazer isso nos próximos anos. Mas se o faremos dependerá da hora e do lugar.

‘Anos’ é muito vago.

(Risos.)

Nos bastidores: Onde você avalia se os laboratórios de fronteira deveriam desacelerar?

Todos estão alinhados para trabalhar juntos para encontrar uma maneira de acompanhar o ritmo. Se eles deveriam tornar isso público e quanto de conversação com a mídia ou regulamentação isso deveria envolver, esse é outro assunto. Mas sim, todos devemos tomar as precauções corretas ao implantarmos a tecnologia. Não treinamos os modelos de texto e o lado inteligente dos modelos, que é a chave central do debate.

O ElevenLabs poderia ser exposto da mesma forma que o Hugging Face?

Estamos um passo adiante porque não implantamos partes auto-replicantes ou recorrentes da inteligência dos agentes. Nossa tecnologia não permite que agentes criem mais agentes. Todo cliente passa pelo KYC. O risco de cibersegurança é definitivamente um risco para o mundo em geral, mas temos um bom conjunto de precauções em vigor.