340 звернень за вихідні, троє операторів і середній час відповіді 47 хвилин — саме з такої ситуації почалося знайомство з Gemini 3.8 Live Avatar, відеоагентом, який бачить екран клієнта, говорить 97 мовами і не мовчить, поки чекає на відповідь від CRM. Cox Automotive вже запустила його в продакшн на Autotrader, Equal AI обробляє через нього мільйон дзвінків на добу — і це не пілоти. У статті — чесний розбір того, де відеоагент справді виправданий, де він надлишковий і що потрібно врахувати перед впровадженням.
Минулого місяця я спостерігав, як команда підтримки одного e-commerce клієнта обробляла чергу з 340 звернень за вихідні. Троє операторів. Середній час відповіді — 47 хвилин. Конверсія з чату в покупку — 6%. Нічого катастрофічного, але й нічого, чим можна пишатися перед інвесторами.
Саме тоді ми почали дивитись на відеоагентів — і зокрема на те, що Google зробила з Gemini 3.8 Live Avatar.
Що це таке і чому це не черговий чат-бот
24 вересня 2026 року Google оголосила про загальну доступність Gemini 3.8 Live з функцією Live Avatar у складі Gemini Enterprise. Це не косметичне оновлення голосового асистента. Це принципово інша архітектура взаємодії.
Система генерує відео аватара в режимі, близькому до реального часу, синхронізуючи рухи губ і міміку з мовленням моделі. Аватар бачить те, що показує користувач — через камеру або спільний екран — і одночасно чує, говорить і виконує фонові запити до бізнес-систем, не перериваючи розмову. Підтримка 97 мов із автоматичним визначенням і плавним перемиканням прямо під час діалогу — без жодного "зависання" відео.
Технічно це виглядає так: модель генерує синхронізований MP4-потік зі швидкістю 24 кадри на секунду, а аудіо виводиться з частотою дискретизації 24 кГц. Розробники підключають аватара через поле avatar_config у Live API — і агент отримує обличчя.
Але важливіше не те, як це влаштовано всередині. Важливіше — що це означає для бізнесу.
Кейс, який змусив мене переглянути скептицизм
Cox Automotive побудувала на базі Gemini 3.8 Live Avatar асистента для Autotrader — платформи з продажу автомобілів. Асистент веде покупця через пошук, порівняння моделей і розрахунок фінансування в режимі живої розмови. Поки клієнт говорить, аватар підсвічує релевантні позиції прямо на екрані — через live screen-highlighting і фонові tool calls до реальних даних про інвентар і оцінку Kelley Blue Book.
Це не демо. Це продакшн.
Ще один приклад — компанія Equal AI, яка, за даними Google Cloud, обробляє понад мільйон живих дзвінків на добу дев'ятьма мовами Індії. Їхній CEO публічно відзначив покращення в обробці переривань, багатомовних розмовах і надійності виклику інструментів після переходу на Gemini 3.8 Live.
Salesforce інтегрує модель у Agentforce для агентів клієнтського сервісу.
Це вже не пілоти — це масштабування.
Три речі, які відрізняють відеоагента від голосового бота
Перша. Аватар не мовчить, поки чекає на відповідь від CRM. Асинхронний виклик інструментів дозволяє моделі продовжувати діалог — пояснювати наступний крок, уточнювати деталі, підтримувати контакт — поки в фоні виконується запит до бізнес-системи. Для клієнта це виглядає як розмова з уважним фахівцем, а не як зависання на лінії.
Друга. Модель бачить контекст. Якщо клієнт показує камерою пошкоджений товар або ділиться екраном із помилкою в особистому кабінеті — аватар реагує на те, що бачить, а не тільки на те, що чує. Це усуває цілий клас непорозумінь, які в текстовому чаті вирішуються за 5-7 повідомлень.
Третя. Обличчя має значення. Це звучить банально, але дослідження в галузі UX стабільно показують: люди довіряють більше тому, хто дивиться на них. Аватар із синхронізованою мімікою і природними паузами сприймається інакше, ніж голос із порожнього динаміка. Для сценаріїв із високою емоційною ставкою — скарга, повернення, складна консультація — це не дрібниця.
Що потрібно врахувати перед впровадженням
Gemini 3.8 Live Avatar доступний у Gemini Enterprise з ендпоінтами в США та ЄС, із корпоративними SLA, комплаєнсом і управлінням даними. Бібліотека готових аватарів відкрита одразу; кастомний аватар із власним обличчям або брендовим персонажем — через allowlisting (окремий запит до Google).
Ціноутворення токенне: вхідний аудіо — $3 за мільйон токенів, вихідний аудіо — $12, вихідне відео аватара — $1 (нараховується лише під час активного мовлення). Для розрахунку реальної вартості важливо враховувати тривалість сесій і частоту звернень.
Кожен згенерований кадр і аудіофрагмент містить непомітний водяний знак SynthID від Google DeepMind — це стандарт прозорості для AI-контенту, який дозволяє верифікувати походження матеріалу.
Для розробників: підключення відбувається через Google Agent Development Kit (ADK версії 2.5.0 і вище) — RunConfig.avatar_config` передається в `live_connect_config перед відкриттям WebSocket-з'єднання. Детальніший розбір технічної та бізнесової сторони питання — у матеріалі Gemini 3.8 Live Avatar: відеоагенти для бізнесу.
Де це реально працює — і де ще ні
Відеоагент виправданий там, де обличчя підсилює довіру або де контекст складно передати текстом: онлайн-консультації, guided onboarding для складних продуктів, підтримка в точках продажу через кіоски, багатомовний сервіс без найму локальних команд.
Там, де взаємодія суто транзакційна — "відстежити замовлення", "змінити пароль" — відеоаватар надлишковий. Це не недолік технології, це питання доцільності.
Є й обмеження, про які Google говорить відкрито: модель підтримує кілька хвилин безперервної взаємодії, а не годинні сесії. Для більшості клієнтських сценаріїв цього достатньо — але для тривалих консультацій архітектуру потрібно проектувати з урахуванням цього.
Повертаючись до тієї команди з 340 зверненнями за вихідні: ми зараз у процесі пілоту. Поки рано говорити про цифри. Але вже зараз зрозуміло одне — керівник, який приходить до ради директорів із конкретною відповіддю на питання "як ми масштабуємо сервіс без пропорційного росту команди", виглядає зовсім інакше, ніж той, хто приходить із черговим планом найму. І це відчуття — коли замість "гасіння пожеж" у тебе є архітектура, яка працює вночі й у вихідні без твоєї участі — варте окремої розмови.
Цікаво: чи є серед вас ті, хто вже тестував відеоагентів у реальних клієнтських сценаріях? Які сценарії спрацювали, а де виникли несподівані проблеми — поділіться в коментарях.
