Поточні великі мовні моделі, що забезпечують голосові інтерфейси, базуються на відносно простих архітектурах, і їх часто програмують з штучними особливостями — наприклад, стратегічними паузами та заповнювальними словами ("е") — щоб імітувати природну людську розмову. Такий підхід недоцільно використовує потенціал голосових технологій для агентських робочих процесів.

Що стосується серйозних професійних застосувань, то оптимізований голосовий режим має сенс. Такий, що орієнтований на ефективність, а не на дрібні розмови. Щось, що проривається крізь імітацію і зосереджено на точній комунікації з AI-агентами, відкриє реальні можливості для підвищення продуктивності у автоматизованому управлінні завданнями та системною координацією.