Platformy voice AI w 2026: którą wybrać dla firmy w Polsce

Vapi, Retell, ElevenLabs i Twilio mieszczą się w przedziale około 0,05-0,31 dolara za minutę, ale każdy cennik mierzy co innego. Ważniejsze od stawki jest to, że tylko jedna z tych czterech platform daje rezydencję danych w Unii i wyłącznie w planie enterprise. Od 2 sierpnia 2026 obowiązek poinformowania rozmówcy, że rozmawia z AI, ciąży na firmie wdrażającej agenta, nie na platformie.

Większość porównań platform voice AI ustawia te same cztery nazwy w rankingu po opóźnieniu i cenie za minutę. To użyteczne, ale te teksty pisze się dla amerykańskiego kupującego i pomijają dwa pytania, które przesądzają sprawę w polskiej firmie: gdzie fizycznie leżą nagrania rozmów Twoich klientów i co musisz powiedzieć osobie po drugiej stronie słuchawki.

Drugie pytanie przestaje być teoretyczne 2 sierpnia 2026. Zaczynają obowiązywać obowiązki przejrzystości z AI Act, a ciążą one na firmie, która agenta używa, nie na dostawcy minut.

Dlatego to porównanie ma inną kolejność priorytetów. Ceny są, wyciągnięte z cenników każdego dostawcy, a nie z bloga jego konkurenta. Ale idą po dwóch pytaniach, które trudniej naprawić później.

Jeżeli jeszcze ważysz, czy agent głosowy w ogóle ma u Ciebie sens, zacznij od przewodnika o voice AI dla firmy. Ten tekst zakłada, że ta decyzja już zapadła, i zajmuje się następną: na czym to postawić.

Co porównywać przy wyborze platformy voice AI?

Pięć rzeczy w tej kolejności: gdzie dane są przechowywane i przetwarzane, ile kosztuje minuta ze wszystkim, jak agent przekazuje rozmowę człowiekowi, co robi gdy zawiedzie i kto go utrzyma po starcie. Jakość głosu jest niżej, bo w 2026 każda poważna platforma brzmi wystarczająco dobrze.

Miejsce przechowywania danych jest pierwsze z prostego powodu. Cennik wynegocjujesz, prompty przepiszesz, głos wymienisz w jedno popołudnie. Przeniesienie działającej infolinii do innego dostawcy, bo prawnik zablokował pierwszego, to migracja - i zdarza się po tym, jak agent jest już wytrenowany, a numery przekierowane.

Cena jest druga, bo jako jedyna z tej piątki daje się policzyć z góry. Pod warunkiem że liczysz ją na swoim wolumenie i swoim rozkładzie połączeń, a nie na przykładzie z cennika.

Przekazanie rozmowy jest trzecie, bo to jedyna funkcja, którą klient zauważa od razu. Agent, który mówi „łączę z kolegą” i faktycznie łączy, to dobra obsługa. Agent, który wraca do menu głównego, to powód, dla którego ludzie przestają dzwonić.

Zachowanie przy porażce jest czwarte i testuje je najmniej osób, bo na demie nie ma jak. Agent nie musi umieć wszystkiego. Musi wiedzieć, że czegoś nie wie, powiedzieć to jednym zdaniem i oddać rozmowę dalej razem z tym, co już ustalił. Najgorszy wariant to agent, który zgaduje spokojnym tonem, bo dzwoniący mu uwierzy.

Utrzymanie jest piąte na liście i pierwsze, o czym się zapomina przy podpisywaniu umowy. Cennik się zmienia, oferta się zmienia, ludzie w zespole się zmieniają. Ktoś musi to wprowadzić do agenta i sprawdzić, czy przy okazji nie zepsuł czegoś innego. Jeśli nie wiesz, kto to robi w trzecim miesiącu, wiesz już, jak skończy się pilotaż.

Ile kosztują platformy voice AI w 2026?

Od około 0,05 do 0,31 dolara za minutę, tylko że każdy cennik mierzy co innego, więc porównanie ma sens dopiero po dodaniu tego, co dany dostawca pomija. Jedni podają opłatę platformy, a rozpoznawanie mowy, model i telefonię liczą osobno. Inni podają widełki ze wszystkim.

Dane z cenników poszczególnych dostawców, sprawdzone 26 lipca 2026:

Kwoty w złotych są orientacyjne, po kursie 3,80 zł za dolara (NBP, 24 lipca 2026). Fakturę dostaniesz w dolarach.

Ta tabela pokazuje cenniki samych platform. Ile kosztuje całe wdrożenie w polskiej firmie - audyt procesu, scenariusze rozmów, integracje, tuning po starcie - rozpisaliśmy osobno w przewodniku o voice AI dla firmy.

Trzy rzeczy warte zapamiętania z tej tabeli.

Własne klucze API zmieniają rachunek. Stawka Vapi wygląda na najniższą, dopóki nie dołożysz kosztu rozpoznawania mowy i modelu - wtedy suma ląduje w tym samym przedziale co reszta. Taniej wychodzi tylko wtedy, gdy masz już wynegocjowane stawki za model i kogoś, kto woli pilnować czterech dostawców zamiast jednego.

Najbardziej zaskakuje klauzula o przekroczeniu równoległości. ElevenLabs podwaja stawkę za minutę, gdy przekroczysz limit jednoczesnych rozmów. To nie jest kara za duży ruch w skali miesiąca, tylko za duży ruch w tym samym kwadransie. Jeśli telefony kumulują się w poniedziałkowe przedpołudnia, licz szczyt, nie średnią.

Cennik nie odpowiada na pytania, które robią różnicę w fakturze. Zanim porównasz stawki, ustal u każdego dostawcy dokładnie to samo: od którego momentu liczy się minuta, do ilu sekund zaokrągla, czy rozmowy testowe są płatne, czy nieudane połączenie też wchodzi na licznik i ile kosztuje numer telefoniczny w Polsce. Te odpowiedzi przesuwają rachunek mocniej niż różnica w stawce podstawowej. Nie znajdziesz ich na stronie z cenami, tylko w mailu od sprzedaży - i dobrze, bo mail zostaje.

Pełne widełki kosztów wdrożenia AI poza samą platformą rozpisaliśmy w przewodniku ile kosztuje AI dla firmy.

Gdzie leżą nagrania rozmów i dlaczego to ma znaczenie w Polsce?

Tylko jedna z czterech platform oferuje rezydencję danych w Unii, wyłącznie w planie enterprise, a i wtedy przechowywanie w UE nie oznacza automatycznie przetwarzania w UE. Dla firmy nagrywającej rozmowy z klientami pod RODO to najkrótsza droga do zablokowania projektu przez prawnika.

Co publikują poszczególni dostawcy:

• ElevenLabs oferuje rezydencję danych w UE, Indiach i Singapurze jako funkcję enterprise. Dokumentacja mówi wprost, że przechowywanie odbywa się w wybranym regionie, ale przetwarzanie może zachodzić poza nim, w tym u podmiotów powiązanych i podwykonawców. Ograniczenie przetwarzania do UE jest możliwe przy połączeniu trybu Zero Retention z API.
• Retell AI w polityce prywatności podaje, że firma działa w Stanach Zjednoczonych i dane osobowe są przechowywane oraz przetwarzane głównie tam. Transfery z Europejskiego Obszaru Gospodarczego opierają się na standardowych klauzulach umownych, a lista podwykonawców jest publikowana.
• Vapi nie publikuje opcji rezydencji w UE w cenniku ani w dokumentacji publicznej. Brak opublikowanej opcji nie dowodzi, że jej nie ma, ale oznacza, że trzeba zapytać przed wdrożeniem.
• Twilio jest w tym zestawieniu nazwą najstarszą i najlepiej znaną działom zakupów, co zwykle skraca przegląd formalny, a nie techniczny. To obserwacja z rozmów, nie deklaracja dostawcy: strona z cennikiem ConversationRelay mówi o stawkach, nie o miejscu przechowywania nagrań, więc tę odpowiedź musisz dostać osobno i na piśmie, tak samo jak od Vapi.

Żadna z tych informacji nie dyskwalifikuje platformy w Polsce. Standardowe klauzule umowne to legalny mechanizm transferu, a europejskie firmy pracują na amerykańskiej infrastrukturze od lat. Chodzi o coś węższego: rozstrzygnij to przed wdrożeniem, bo to jedyna zmienna, której nie poprawisz zmianą ustawienia. Jeśli Twoimi klientami są przychodnie, kancelarie albo instytucje publiczne, poproś o odpowiedź na piśmie w trakcie testów, nie po nich.

Przeszliśmy tę samą drogę u siebie. Elev, nasz agent, mówi na 30elevate.com, a audio z tych rozmów nie jest nagrywane i transkrypty mają zerową retencję - ustawione w konfiguracji dostawcy, nie tylko opisane w polityce prywatności. Ta różnica to jest cała robota. Zdanie w polityce napiszesz w pięć minut, ustawienie trzeba znaleźć, włączyć i po każdej zmianie sprawdzić, czy dalej trzyma. Ten sam punkt otwiera u nas każde wdrożenie agenta AI u klienta.

To też powód, dla którego temat danych firmowych w narzędziach AI dostał u nas osobny artykuł.

Czego AI Act wymaga od agenta głosowego?

Od 2 sierpnia 2026, jeśli człowiek wchodzi w interakcję z Twoim systemem AI, musisz zadbać, żeby o tym wiedział - a obowiązek ciąży na firmie, która agenta wdraża, nie na platformie, która go dostarczyła. Przy agencie telefonicznym oznacza to informację na początku rozmowy.

Trzy szczegóły, które trzeba mieć dobrze, bo w sieci krąży sporo błędnych wersji podanych bardzo pewnym tonem:

Wyjątek jest wąski. Artykuł 50 nie wymaga informowania tam, gdzie jest oczywiste z okoliczności, że rozmówca ma do czynienia z AI. Agent głosowy zaprojektowany tak, żeby brzmieć jak człowiek, tego progu nie przechodzi. Jeśli Twój agent przedstawia się ludzkim imieniem i naturalnym głosem, zakładaj, że musisz to powiedzieć.

Obowiązek dotyczy podmiotu stosującego. Zakup u Retell, Vapi, ElevenLabs czy Twilio nie przenosi go na nich. Ich dokumentacja zgodności pomaga, ale to Ty masz poinformować dzwoniącego. Obowiązki dostawców modeli ogólnego przeznaczenia to osobna część rozporządzenia i nie są Twoim problemem jako użytkownika.

Kara za artykuł 50 istnieje, ale nie jest tą z nagłówków. Naruszenia obowiązków przejrzystości mieszczą się w progu do 15 mln euro albo 3% światowego rocznego obrotu. Kwota 35 mln euro, którą cytuje większość tekstów, dotyczy praktyk zakazanych, takich jak scoring społeczny, a nie infolinii, która zapomniała się przedstawić. Dla MŚP rozporządzenie przewiduje karę liczoną od niższej z dwóch wartości, nie wyższej.

W praktyce chodzi o jedno zdanie na starcie rozmowy: „Dzień dobry, rozmawia Pan z automatycznym asystentem firmy X - pomogę w rezerwacji i cenach albo przełączę do kolegi”. To zdanie nic nie kosztuje i zamyka temat.

Zwróć uwagę, co to robi z wyborem platformy: prawie nic. Żadna z tej czwórki nie weźmie tego obowiązku na siebie, więc strona o zgodności u dostawcy nie jest powodem, żeby akurat jego wybrać. Platforma może natomiast ułatwić dwie rzeczy: żeby komunikat startowy był Twój i żeby przetrwał każdą późniejszą zmianę scenariusza. To sprawdzasz w testach, nie w dokumentacji.

Pozostałe rzeczy do załatwienia przed uruchomieniem - podstawa prawna RODO, hosting nagrań, aktualizacja polityki prywatności i okres retencji - są rozpisane punkt po punkcie w przewodniku o voice AI dla firmy. Pełne omówienie, co samo rozporządzenie oznacza dla zwykłej firmy, jest w przewodniku po AI Act.

Która platforma do której sytuacji?

Dobierz platformę do tego, kto jest na linii i co się dzieje, gdy agent się pomyli, a nie do tabeli benchmarków. Poniżej cztery sytuacje, w których odpowiedź wychodzi inna.

Chcesz sprawdzić, czy voice AI w ogóle ma u Ciebie sens. Zacznij tam, gdzie numer odbiera w jeden dzień, a rezygnacja nie wymaga rozmowy handlowej. Nadają się do tego darmowy próg ElevenLabs i rozliczenie za użycie w Retell. Przeprowadź dwadzieścia prawdziwych rozmów, zanim cokolwiek porównasz.

Masz zespół techniczny i wynegocjowane stawki za model. Rozliczenie z własnymi kluczami w Vapi jest zbudowane dokładnie pod to i przy większym wolumenie wyjdzie najtaniej. Zakłada też, że nie przeszkadza Ci utrzymanie integracji, gdy jedna z czterech podpiętych usług zmieni zachowanie.

Telefon to główne drzwi do firmy. Recepcja, rezerwacje, zapytania po godzinach. Tu decydują przekazanie do człowieka, radzenie sobie z akcentem i wchodzeniem w słowo oraz czysty zapis do CRM. Zapłać za pakiet ze wsparciem, które odbiera telefon, nie za najtańszą minutę.

Działasz w sektorze regulowanym albo sprzedajesz do instytucji publicznych. Zacznij od odpowiedzi o rezydencję danych i idź wstecz. Lista może się skończyć na jednej nazwie albo na europejskim dostawcy spoza tego zestawienia, i to jest poprawny wynik.

Jedna uwaga do całej czwórki. Żadnej z nich nie musisz skreślać z góry i w żadnej nie kupujesz zgodności w pakiecie razem z minutami. Kolejność decyzji waży tu więcej niż sama nazwa: najpierw ustal, gdzie mogą leżeć nagrania Twoich klientów, potem policz minuty na swoim szczycie, a demo obejrzyj na końcu. Odwrotna kolejność też prowadzi do wyboru, tylko czasem trzeba go potem cofnąć.

Czego te porównania zwykle nie mówią?

Wybór platformy to mniejsza część roboty. Reszta to ta część, której nikt nie pokazuje na demie: co agent mówi, gdy nie wie, jak przekazuje rozmowę i kto to naprawia w czwartym miesiącu, gdy zmieni się cennik.

Trzy rzeczy, których nauczyliśmy się, budując i utrzymując agentów głosowych:

Cisza jest gorsza niż zła odpowiedź. Sekunda przerwy w czacie jest normalna, w rozmowie telefonicznej brzmi jak zerwane połączenie. Testuj z prawdziwym hałasem w tle i z rozmówcą, który wchodzi w słowo, bo tak zachowują się Twoi klienci.

Przekazanie rozmowy potrzebuje adresata, nie obietnicy. „Przełączę do kolegi” ma wartość tylko wtedy, gdy ktoś odbiera. Ustal, co się dzieje o 22:00 - poczta głosowa z deklaracją oddzwonienia jest lepsza niż przełączenie w pustą kolejkę. Osoba, która odbiera, musi też wiedzieć, co agent potrafi, a czego nie - to kwestia przeszkolenia zespołu, nie konfiguracji, dlatego szkolenie prowadzimy równolegle z wdrożeniem, nie po nim.

Utrzymanie to koszt, którego nikt nie budżetuje. Zmieniasz cennik - agent musi wiedzieć. Dodajesz usługę, to samo. Zmieniasz CRM - integracja do przebudowy. Raport Deloitte o stanie AI w 2026 pokazuje, że tylko mniej więcej jedna na pięć organizacji ma dojrzały model nadzoru nad autonomicznymi agentami, przy 17%, które już je wdrożyły, i ponad 60% planujących to w ciągu dwóch lat. W tej różnicy gniją niepilnowane pilotaże.

Ten wzorzec nie dotyczy tylko głosu. O tym, dlaczego większość wdrożeń nie dochodzi do produkcji, pisaliśmy w artykule dlaczego wdrożenia AI utykają.

Jak przetestować agenta głosowego przed decyzją?

Zrób dwutygodniowy pojedynek dwóch platform z krótkiej listy: jeden typ rozmowy, jeden scenariusz, te same rozmowy testowe po obu stronach, ocena po tym, co realnie różni dostawców. Szerszy zakres zamienia się w projekt oceny, który nigdy się nie kończy. Węższy udowodni tylko, że agent głosowy umie mówić, a to już wiemy. Wynikiem tego ćwiczenia jest wybór platformy, nie uzasadnienie biznesowe.

Jak to przeprowadzić:

1. Zbuduj tego samego agenta dwa razy. Jeden typ rozmowy, jeden scenariusz, jedna reguła przekazania, wdrożone na obu platformach. Identyczne wejście to cały sens - jeśli prompty się różnią, porównujesz własne pisanie, nie dostawców.
2. Sprawdź to, czego demo nie pokaże. Wejdź agentowi w słowo. Zadzwoń z samochodu. Odpowiedz w połowie i zmień zdanie. Zapytaj o coś spoza scenariusza i posłuchaj, jak sobie z tym nie radzi. Potem zadzwoń w swojej najgorętszej godzinie na obu platformach i zobacz, co równoległość robi z czasem odpowiedzi.
3. Odsłuchaj nagrania osobiście. Co najmniej trzydzieści na platformę, nie podsumowanie z panelu. Nikt jeszcze nie zmienił zdania o agencie głosowym, czytając transkrypt.
4. Policz zwycięzcę na swoich liczbach. Weź stawki z sekcji o cenach razem z odpowiedziami dostawcy o naliczaniu minut i podstaw swój realny wolumen oraz swój szczyt jednoczesnych rozmów, nie przykładową rozmowę z cennika.

Obok testu technicznego wyślij obu dostawcom na piśmie te same cztery pytania: gdzie dane są przechowywane, gdzie przetwarzane, kim są podwykonawcy i czy podpiszą umowę powierzenia. Liczy się treść odpowiedzi i czas reakcji - dostawca, który w trakcie sprzedaży odpisuje trzy tygodnie na standardowe pytanie zakupowe, pokazuje Ci, jak będzie wyglądać wsparcie po podpisaniu umowy. Milczenie na tym etapie też jest odpowiedzią.

Zdecyduj na jednym kryterium, ustalonym przed startem. Zwykle są to rozmowy obsłużone w pełni bez człowieka, czasem koszt w szczycie. Dwa tygodnie kończą się wyborem platformy, a nie działającą infolinią - samo wdrożenie to osobny projekt z własną metryką i rozpisaliśmy je krok po kroku w przewodniku o voice AI dla firmy.

Najczęstsze pytania

Która platforma voice AI jest najlepsza w 2026?

Nie ma jednej najlepszej. Do szybkiego testu najszybciej uruchomisz ElevenLabs i Retell. Zespół techniczny z własnymi umowami na modele wyjdzie najtaniej na Vapi. W organizacjach z rozbudowanym działem zakupów Twilio zwykle najszybciej przechodzi przegląd formalny. Właściwe pytanie brzmi, które ograniczenie dotyka Cię pierwsze: budżet, miejsce danych czy czas do startu.

Ile kosztuje agent głosowy AI za minutę?

Ceny z cenników mieszczą się mniej więcej od 0,05 do 0,31 dolara za minutę, zależnie od tego, co dostawca wlicza. Vapi liczy 0,05 za platformę plus koszty mowy i modelu, Retell podaje 0,07-0,31 ze wszystkim, ElevenLabs 0,08 za minuty dodatkowe, a Twilio ConversationRelay 0,07 plus telefonia. Budżetuj szczyt jednoczesnych rozmów, nie średni wolumen.

Czy platformy voice AI oferują przechowywanie danych w Unii Europejskiej?

Rzadko i zwykle nie w standardowych planach. ElevenLabs oferuje rezydencję w UE jako funkcję enterprise i zaznacza, że przetwarzanie może odbywać się poza wybranym regionem, chyba że użyjesz trybu Zero Retention z API. Retell podaje, że dane są przechowywane i przetwarzane głównie w Stanach Zjednoczonych, a transfery z EOG opiera na standardowych klauzulach umownych. Poproś o to na piśmie przed wdrożeniem.

Czy muszę informować dzwoniącego, że rozmawia z AI?

Tak, od 2 sierpnia 2026. Jeśli człowiek wchodzi w interakcję z systemem AI, musi zostać o tym poinformowany, chyba że jest to oczywiste z okoliczności. Agent głosowy zbudowany tak, by brzmieć jak człowiek, tego wyjątku nie spełnia. Obowiązek ciąży na firmie stosującej agenta, a naruszenia przejrzystości mieszczą się w progu do 15 mln euro albo 3% światowego obrotu, przy czym dla MŚP liczy się niższa z tych wartości.

Czy europejska platforma jest automatycznie bezpieczniejszym wyborem?

Nie. Standardowe klauzule umowne to legalny mechanizm transferu, więc amerykańska platforma wybrana świadomie i objęta podpisaną umową powierzenia jest pozycją, której da się bronić. Europejski dostawca z mglistą listą podwykonawców nie jest od niej lepszy z samego adresu. Oceniaj dokumenty, nie flagę - i tak czy inaczej poproś o potwierdzenie na piśmie, gdzie dane są przechowywane, gdzie przetwarzane i kto je przetwarza dalej.

Czy przy Vapi, Retell albo ElevenLabs potrzebuję jeszcze telefonii od Twilio?

Telefonia musi skądś przyjść, a każdy z tych cenników rozlicza ją inaczej. Retell sprzedaje numer telefonu za 2 USD miesięcznie w ramach stawki ze wszystkim. ElevenLabs liczy model językowy i telefonię osobno od swojej stawki za minutę. Vapi podaje samą opłatę platformy, a pozostałe warstwy idą po koszcie albo na Twoich własnych kluczach API. Twilio rozlicza telefonię po swoich standardowych stawkach, więc może być operatorem pod którąkolwiek z tych platform. Zanim porównasz stawki, sprawdź w cenniku, którą warstwę masz już w cenie, a którą dokupujesz osobno.

Czy mogę później zmienić platformę?

Technicznie tak, prompty i scenariusze rozmów przenoszą się umiarkowanym kosztem. Nie przenosi się czysto konfiguracja numerów, historia nagrań i dokumentacja zgodności przypisana do konkretnego podmiotu przetwarzającego. Dochodzi też przerwa w obsłudze na czas przełączenia numerów, którą trzeba komuś zapowiedzieć. Traktuj decyzję o miejscu danych jako tę drogą, a resztę jako odwracalną.