Novantotto virgola nove. È il punteggio che Microsoft dichiara per MAI Realtime 1 su Big Bench Audio, la prova in cui un modello vocale deve rispondere a domande di ragionamento fatte a voce. Il più alto del grafico pubblicato martedì. Qualche riga più sotto, nella stessa pagina, c'è un altro numero: 57,5. È la quota di pratiche di assistenza clienti che lo stesso modello porta a termine su τ-Voice, una prova in cui capire non basta. Bisogna chiudere il lavoro.
Lo stesso modello, nella stessa pagina. Messi uno accanto all'altro, quei due numeri dicono dove è arrivata la voce AI meglio di qualsiasi slogan. E per chi telefona per vendere sono la notizia più utile della settimana.
Cosa è uscito
Il 17 novembre, alla conferenza Ignite, Microsoft AI ha presentato sette modelli nuovi. Uno solo riguarda il telefono, ed è il primo del suo genere fatto in casa: MAI Realtime 1, un modello voce a voce. Ascolta chi parla e gli risponde parlando, senza un testo scritto in mezzo. È la stessa famiglia di cui abbiamo scritto con Gemini 3.8 Live e con GPT-Live-1. Adesso anche Microsoft ha il suo.
Lavora su due livelli. Uno veloce tiene viva la conversazione in tempo reale; quando la richiesta si complica, chiama in aiuto un motore di ragionamento più potente, e secondo Microsoft lo fa senza pause imbarazzanti. Il tempo che passa fra la fine della domanda e l'inizio della risposta è di 880 millisecondi, a metà della distribuzione. Meno di un secondo.
Microsoft dice anche dove lo vuole vedere lavorare: dentro Dynamics 365 Contact Center, il suo prodotto per i call center, e in Dragon Copilot, dove fa il paziente simulato per far esercitare le infermiere. Fra le prime aziende che lo stanno provando cita Agoda, la piattaforma di prenotazioni di viaggio.
Come si comporta al telefono
L'elenco delle capacità è corto e va dritto ai difetti che conosce chiunque abbia litigato con un risponditore automatico. Il modello regge le interruzioni. Capisce i «sì», gli «ok», gli «ah» che buttiamo lì mentre l'altro parla, e non li scambia per una risposta. Sa aspettare che la persona finisca. Riconosce la richiesta anche con rumore di fondo o con altre persone che parlano vicino. Si collega ai sistemi aziendali, quindi può fare qualcosa oltre a rispondere. E il carattere e il tono si impostano con le istruzioni, non con mesi di addestramento.
Sulla pagina del modello ci sono sei telefonate d'esempio, ognuna con un carattere diverso. In una fa la segreteria di uno studio dentistico: trova un orario che va bene a chi chiama, lascia all'igienista una nota sulle gengive sensibili del paziente e conferma l'appuntamento. In un'altra lavora per una carta di credito. Quando il cliente si distrae ripete la domanda, quando gli chiede di stringere stringe, e prima di chiudere il conto chiede conferma. In una terza cambia un volo, e siccome quello più tardi sfora il budget del viaggiatore, gli trova un'alternativa la mattina dopo.
Sono esempi scelti da chi vende il modello, va detto. Ma il punto lo fanno vedere bene: la voce non è più il problema. Il tono giusto e la pazienza ci sono già. Adesso la partita si gioca su quello che succede durante la telefonata. La nota da lasciare al collega, l'orario da incastrare, la conferma da chiedere prima di toccare qualcosa.
I numeri, in tabella
Microsoft ha pubblicato due grafici. Li riportiamo con i modelli dei grandi laboratori. Il primo è Big Bench Audio: domande di ragionamento fatte a voce, e si contano le risposte giuste.
| Modello | Big Bench Audio |
|---|---|
| MAI Realtime 1 (Microsoft) | 98,9% |
| Gemini 3.8 Live Extended Thinking, High (Google) | 97,7% |
| Grok Voice 2.0 (xAI) | 97,2% |
| GPT-Realtime-2, High (OpenAI) | 96,6% |
| GPT-Realtime-2.1, High (OpenAI) | 95,8% |
| Gemini 3.8 Live (Google) | 91,7% |
| GPT-Live-1 Astra, medium (OpenAI) | 90,1% |
| GPT-Live-1 Sol, low (OpenAI) | 89,0% |
| GPT-Realtime-2.1 Mini, High (OpenAI) | 74,7% |
Fonte: Microsoft AI, pagina del modello MAI Realtime 1, grafico «Big Bench Audio score», 17 novembre 2026. I punteggi degli altri modelli sono misurati da Artificial Analysis; quello di MAI Realtime 1 viene da una valutazione interna di Microsoft. Più alto è meglio.
Il secondo è τ-Voice. Il modello fa l'operatore di un servizio clienti e deve portare a termine pratiche vere, con regole da rispettare e sistemi da usare, parlando con un cliente simulato. Contano le pratiche chiuse bene.
| Modello | τ-Voice, pratiche completate |
|---|---|
| GPT-Live-1 Astra, medium (OpenAI) | 74,5% |
| Grok Voice 3.0 (xAI) | 71,6% |
| Gemini 3.8 Live Extended Thinking, High (Google) | 68,6% |
| GPT-Live-1 Sol, low (OpenAI) | 59,3% |
| MAI Realtime 1 (Microsoft) | 57,5% |
| Qwen Audio 3.0 Realtime Plus (Alibaba) | 54,6% |
| GPT-Realtime-2.1, High (OpenAI) | 45,7% |
| Qwen Audio 3.0 Realtime Flash (Alibaba) | 35,9% |
| Gemini 3.8 Live (Google) | 30,1% |
| GPT-Realtime-2.1 Mini, High (OpenAI) | 29,4% |
Fonte: come sopra, grafico «τ-Voice task completion». Solo modelli che ascoltano e parlano nello stesso momento. Il grafico originale comprende anche i modelli di due fornitori specializzati che non riportiamo; uno dei due è primo in questa prova. Più alto è meglio.
Capire e fare non sono la stessa cosa
Con le due tabelle una accanto all'altra si vede la cosa più interessante dell'annuncio, anche se Microsoft non la sottolinea. Su Big Bench Audio quasi tutti i modelli grandi stanno intorno o sopra il 90%. Capire una domanda detta a voce e ragionarci sopra è, in pratica, un problema risolto. Su τ-Voice nessun modello dei grandi laboratori arriva al 75%, e gli stessi nomi si sparpagliano fra il 29 e il 74,5.
MAI Realtime 1 è il caso più chiaro: primo nella prima prova, a metà classifica nella seconda. Gemini 3.8 Live, nella versione veloce, fa 91,7 nell'una e 30,1 nell'altra. Se gli si lascia il tempo di pensare, con la versione Extended Thinking, sale a 68,6.
Per chi vende al telefono è una buona notizia, e pure concreta. Il pezzo che due anni fa faceva ridere, l'AI che non capisce cosa le dici, oggi funziona. Quello che resta da fare bene è un'altra cosa. Dare all'agente un compito chiaro, collegarlo ai sistemi giusti, fissare regole precise su cosa può fare da solo e cosa deve far confermare. È progettazione della telefonata, non tecnologia. E si può fare adesso.
Un modello per ogni lavoro
Le tabelle si leggono anche in un altro modo, ed è il più pratico: nessun modello vince tutto. Chi è primo nel ragionamento a voce non è primo a chiudere le pratiche, e la versione veloce di un modello può comportarsi in modo molto diverso da quella che si prende il tempo di pensare. Con Microsoft, i laboratori che hanno un modello vocale serio sono almeno cinque (Google, OpenAI, xAI, Alibaba e Microsoft), quasi tutti con più versioni.
Questo cambia il modo di scegliere. Una telefonata per confermare un appuntamento è breve e chiede prontezza: serve un modello rapido, che non lasci nessuno ad aspettare. Una telefonata che deve verificare dei dati, proporre tre orari e lasciare una nota nel gestionale chiede un modello che porta a termine i compiti, anche se ci mette mezzo secondo in più. Che MAI Realtime 1 sia compatibile con l'interfaccia di OpenAI per il tempo reale aiuta: chi ha già un agente costruito così lo può provare senza ripartire da zero.
Cosa l'annuncio non dice
Tre cose, e la prima pesa.
Le lingue. Né l'annuncio né la pagina del modello dicono quali lingue parla MAI Realtime 1. Altri modelli vocali di Microsoft l'italiano lo hanno, come le voci di cui abbiamo scritto con MAI-Voice-2.1, ma per questo non c'è scritto, e gli esempi pubblicati sono tutti in inglese. Finché Microsoft non lo dice, non lo diamo per scontato.
Chi ha misurato. I punteggi degli altri modelli vengono da Artificial Analysis, un ente terzo. Quelli di MAI Realtime 1 da una valutazione interna di Microsoft, che scrive lei stessa che i risultati dipendono dalla configurazione e cambiano da un'applicazione all'altra. Il confronto orienta, non è una classifica ufficiale.
A che punto è. Il modello è in anteprima. Si prova in MAI Labs, con conversazioni di due minuti al massimo e solo per uso personale, oppure ci si iscrive all'anteprima ad accesso limitato su Foundry. Per metterlo a telefonare tutti i giorni c'è ancora da aspettare un po'.
Cosa puoi fare lunedì mattina
Prendi le telefonate che la tua azienda fa ogni settimana e dividile in due colonne. Nella prima metti quelle in cui basta capire e rispondere bene: confermare un appuntamento, ricordare una scadenza, dare un'informazione. Nella seconda quelle che devono finire con qualcosa di fatto. Un orario fissato in agenda, un dato aggiornato nel gestionale, una nota per il collega che va dal cliente.
Mettiamo che installi fotovoltaico e fai 300 telefonate a settimana. Il promemoria per il sopralluogo di domani va nella prima colonna. La telefonata che deve trovare al tecnico un martedì libero, chiedere che tetto è e segnarlo nel gestionale va nella seconda. Di solito la seconda colonna è la più corta. Ed è quella che vale di più.
La prima colonna è già territorio sicuro per un agente vocale, con quasi tutti i modelli di questa generazione. La seconda è dove si vede la differenza fra un modello e l'altro, e fra un agente progettato bene e uno messo su in fretta. Accanto a ogni telefonata della seconda colonna scrivi quale sistema deve toccare: agenda, gestionale, email. È la lista da cui parte qualunque progetto serio di agente vocale, e te la fai in un'ora.
Noi lavoriamo su due telefonate precise, e stanno tutte e due nella seconda colonna: le chiamate a freddo che fissano appuntamenti e la riattivazione dei contatti rimasti fermi.
Fonti
- Microsoft AI, Introducing MAI Realtime 1, 17 novembre 2026 (capacità, note sulla valutazione, disponibilità, primi clienti)
- Microsoft AI, pagina del modello MAI Realtime 1 (grafici Big Bench Audio e τ-Voice, tempo alla prima risposta, telefonate d'esempio)
- Microsoft AI, Seven new world class models, 17 novembre 2026 (gli annunci di Ignite)
Perché lo sappiamo
Non veniamo dal software, veniamo dalla vendita. Gli script che trovi in queste pagine non escono da un modello generico: nascono da oltre cinque anni di vendita telefonica, e vengono riscritti dopo aver riascoltato le chiamate — quelle andate bene e soprattutto quelle andate male. Dietro ogni riga di copione c'è una frase che al telefono ha funzionato, e tre che sono state buttate.
Il modello lo scegliamo e lo aggiorniamo noi. Tu senti l'agente sul tuo settore, approvi come parla, e ricevi gli appuntamenti. → Come lavoriamo sulle chiamate a freddo
