Pembeli enterprise dan orang-orang yang mereka layani menginginkan hal yang berlawanan: 67% pemimpin bisnis kini menyebut voice AI sebagai inti strategi mereka, sementara 79% konsumen AS mengatakan mereka sangat lebih memilih manusia daripada AI agent. Kesenjangan itu, bukan benchmark model, adalah statistik yang paling menentukan tentang voice AI pada 2026. Pasar mendanai sisi pembeli dengan gencar: ElevenLabs saja mengumpulkan $500 juta dengan valuasi $11 miliar pada Februari 2026, dan Grand View Research memproyeksikan kategori AI voice agents akan tumbuh dari $2.54 miliar pada 2025 menjadi $35.24 miliar pada 2033. Sementara itu, 91% pemimpin layanan pelanggan melaporkan adanya tekanan eksekutif untuk menerapkan AI tahun ini. Angka-angka di bawah ini diambil dari survei State of Voice AI milik Deepgram bersama Opus Research, siaran pers Gartner, riset voice agent a16z, jajak pendapat konsumen SurveyMonkey Desember 2025, laporan Amplified 2026 milik Voices.com, Grand View Research, Fortune Business Insights, dan harga API resmi OpenAI.
TL;DR
- Pasar AI voice agents bernilai $2.54 miliar pada 2025, diproyeksikan mencapai $35.24 miliar pada 2033 dengan CAGR 39.0% (Grand View Research)
- Pasar conversational AI yang lebih luas mencapai $17.97 miliar pada 2026, diperkirakan mencapai $82.46 miliar pada 2034 (Fortune Business Insights)
- 67% pemimpin bisnis menyebut voice AI sebagai inti strategi produk dan bisnis mereka (Deepgram / Opus Research, State of Voice AI)
- Hanya 21% yang sangat puas dengan sistem voice agent tradisional yang sudah mereka jalankan (Deepgram / Opus Research)
- 91% pemimpin layanan dan dukungan pelanggan berada di bawah tekanan eksekutif untuk menerapkan AI pada 2026 (Gartner, Februari 2026)
- Gartner memproyeksikan agentic AI akan menyelesaikan 80% masalah layanan pelanggan umum secara otonom pada 2029, memangkas biaya operasional 30%
- 79% orang dewasa AS sangat lebih memilih manusia daripada AI agent, dan 89% menginginkan opsi manusia selalu tersedia (SurveyMonkey, Desember 2025)
- ElevenLabs mengumpulkan $500 juta dengan valuasi $11 miliar pada Februari 2026, dengan ARR lebih dari $330 juta (ElevenLabs)
- 22% dari kelas Y Combinator terbaru membangun produk berbasis voice, dari total 90 perusahaan voice agent sejak 2020 (a16z)
- Output audio gpt-realtime-2.1 berharga $64.00 per juta token, dengan input audio ter-cache seharga $0.40 per juta (OpenAI)
- 55% konsumen menggunakan voice untuk berinteraksi dengan AI, tetapi hanya 29% perusahaan yang telah menerapkan voice AI yang menghadap pelanggan (Voices.com, Amplified 2026)
- Otomatisasi dukungan pelanggan menyumbang 44.2% pendapatan AI voice agent pada 2025; kesehatan adalah penggunaan akhir dengan pertumbuhan tercepat dengan CAGR 42.0% (Grand View Research)
1. Ukuran Pasar: Dua Perkiraan yang Mengukur Hal Berbeda
Angka pertumbuhan utama untuk voice AI tidak bisa dibandingkan begitu saja, dan perbedaan ini penting bagi siapa pun yang menyusun anggaran berdasarkan angka tersebut. Grand View Research melacak AI voice agents secara sempit, yaitu sistem otonom yang melakukan percakapan lisan, dan menghasilkan basis kecil dengan kurva yang curam: $2.54 miliar pada 2025 dengan CAGR 39.0%. Fortune Business Insights mengukur conversational AI secara luas, termasuk chatbot berbasis teks, yang menghasilkan basis kira-kira tujuh kali lebih besar namun tumbuh dengan laju setengahnya. Kategori voice-only yang lebih sempit diperkirakan tumbuh hampir 14x pada 2033, sementara pasar conversational AI yang lebih luas tumbuh sekitar 4.6x pada 2034.
| Metrik | Nilai | Sumber |
|---|---|---|
| Pasar AI voice agents, 2025 | $2.54 billion | Grand View Research |
| Pasar AI voice agents, perkiraan 2033 | $35.24 billion | Grand View Research |
| CAGR AI voice agents, 2026-2033 | 39.0% | Grand View Research |
| Pasar conversational AI, 2025 | $14.79 billion | Fortune Business Insights |
| Pasar conversational AI, 2026 | $17.97 billion | Fortune Business Insights |
| Pasar conversational AI, perkiraan 2034 | $82.46 billion | Fortune Business Insights |
| CAGR conversational AI, 2026-2034 | 21.0% | Fortune Business Insights |
| Pangsa Amerika Utara dari conversational AI, 2025 | 35.10% ($5.19 billion) | Fortune Business Insights |
Konsentrasi regional konsisten di kedua lembaga riset ini: Amerika Utara memegang 38.1% pendapatan AI voice agent dan 35.10% pendapatan conversational AI. Untuk mengetahui bagaimana lapisan sintesis yang mendasarinya diberi harga dan diukur secara terpisah dari lapisan agent, lihat kumpulan statistik pasar AI voice generator kami. Laporan lengkap: Grand View Research dan Fortune Business Insights.
2. Adopsi Enterprise: Transkripsi Menjadi Syarat Dasar
Survei Deepgram bersama Opus Research, yang mencakup 400 pemimpin bisnis di lebih dari selusin industri, menunjukkan bahwa pergeserannya bukan soal mengadopsi voice AI, melainkan soal meningkatkan penggunaannya. 92% organisasi sudah menangkap data suara mereka, dan 56% kini mentranskripsi lebih dari separuh interaksi suara mereka, naik dari kondisi sebelumnya di mana 84% mentranskripsi kurang dari separuh. Penangkapan dan transkripsi sudah mapan; pertanyaan terbukanya adalah apa yang berjalan di atasnya. Di situlah kepuasan runtuh: 80% menjalankan sistem voice agent tradisional tetapi hanya 21% yang sangat puas dengannya, yang menjadi penjelasan paling jelas mengapa 84% berencana menaikkan anggaran dalam dua belas bulan ke depan.
| Metrik | Nilai | Sumber |
|---|---|---|
| Pemimpin bisnis yang disurvei | 400 | Deepgram / Opus Research |
| Menangkap data suara mereka | 92% | Deepgram / Opus Research |
| Mentranskripsi lebih dari separuh interaksi | 56% | Deepgram / Opus Research |
| Menyebut voice AI sebagai inti strategi bisnis | 67% | Deepgram / Opus Research |
| Menjalankan sistem voice agent tradisional | 80% | Deepgram / Opus Research |
| Sangat puas dengan voice agent tradisional | 21% | Deepgram / Opus Research |
| Berencana menaikkan anggaran dalam 12 bulan ke depan | 84% | Deepgram / Opus Research |
| Menyebut fine-tuning model sebagai kunci adopsi yang lebih luas | 46% | Deepgram / Opus Research |
Kesenjangan 80% berbanding 21% ini adalah anomali yang patut diperhatikan: ketidakpuasan terhadap sistem gaya IVR yang sudah ada, bukan permintaan pasar baru, yang mendanai sebagian besar proyek penggantian. Sumber: Deepgram State of Voice AI Report.
3. Tekanan Eksekutif dan Target 2029
Judul survei Gartner Februari 2026 sangat lugas: 91% pemimpin layanan dan dukungan pelanggan berada di bawah tekanan eksekutif untuk menerapkan AI tahun ini. Tekanan itu berakar pada perkiraan yang lebih panjang yang dipublikasikan perusahaan ini pada Maret 2025, yang memproyeksikan agentic AI akan menyelesaikan 80% masalah layanan pelanggan umum secara otonom tanpa campur tangan manusia pada 2029, dengan pemangkasan biaya operasional 30%. Kata kunci dalam perkiraan itu adalah “umum” (common), karena reset kata sandi rutin dan pengecekan status pesanan adalah masalah yang berbeda dari sengketa tagihan atau klaim penipuan. Jika dibaca bersama data konsumen di bagian 5, target 2029 itu menggambarkan batas atas volume yang bisa diotomatisasi, bukan prediksi bahwa dukungan telepon akan lenyap.
| Metrik | Nilai | Sumber |
|---|---|---|
| Pemimpin layanan pelanggan di bawah tekanan untuk menerapkan AI pada 2026 | 91% | Gartner, February 2026 |
| Masalah layanan pelanggan umum yang terselesaikan secara otonom pada 2029 | 80% (forecast) | Gartner, March 2025 |
| Perkiraan pengurangan biaya operasional pada 2029 | 30% | Gartner, March 2025 |
| Konsumen yang ingin opsi manusia selalu tersedia | 89% | SurveyMonkey, December 2025 |
| Konsumen yang percaya agen manusia lebih akurat | 84% | SurveyMonkey, December 2025 |
| Perusahaan dengan voice AI yang menghadap pelanggan sudah diterapkan | 29% | Voices.com, Amplified 2026 |
Ekonomi contact center telah dibentuk ulang oleh setiap gelombang otomatisasi sejak pohon IVR pertama, dan garis dasar historisnya dibahas dalam kumpulan statistik industri call center kami. Sumber: Gartner, Februari 2026 dan Gartner, Maret 2025.
4. Pendanaan dan Valuasi: Ke Mana Modal Mengalir
ElevenLabs adalah penanda publik paling jelas untuk valuasi voice AI karena perusahaan ini mengungkapkan angkanya sendiri. Perusahaan ini mengumpulkan $500 juta yang dipimpin oleh Sequoia Capital dengan valuasi $11 miliar pada 4 Februari 2026, kira-kira tiga kali lipat dari sekitar $3.7 miliar setahun sebelumnya, dengan ARR lebih dari $330 juta pada akhir 2025. Total pendanaan mencapai $781 juta dalam lima putaran, artinya perusahaan ini mengumpulkan hampir dua pertiga dari seluruh modal sepanjang masanya hanya dalam satu putaran. Jalur startup di baliknya sama terkonsentrasinya: a16z menghitung 90 perusahaan voice agent di seluruh kohort Y Combinator sejak 2020, dengan 22% dari kelas terbaru membangun produk berbasis voice.
| Metrik | Nilai | Sumber |
|---|---|---|
| Seri D ElevenLabs, Februari 2026 | $500 million | ElevenLabs |
| Valuasi ElevenLabs, Februari 2026 | $11 billion | ElevenLabs |
| Valuasi ElevenLabs, dua belas bulan sebelumnya | approx. $3.7 billion | ElevenLabs |
| ARR ElevenLabs pada akhir 2025 | $330+ million | ElevenLabs |
| Total pendanaan ElevenLabs, lima putaran | $781 million | ElevenLabs |
| Bahasa yang didukung ElevenLabs | 70+ | ElevenLabs |
| Perusahaan voice agent YC sejak 2020 | 90 | a16z |
| Pangsa kelas YC terbaru yang membangun dengan voice | 22% | a16z (per Cartesia) |
Kualitas sintesis adalah input yang membuat penerapan agent menjadi layak sama sekali, dan kemampuan perangkat lunak voice cloning yang mendasarinya adalah yang membedakan suara agent yang bisa dipakai dari yang terdengar robotik. Sumber: pengumuman Seri D ElevenLabs dan pembaruan AI Voice Agents a16z.
5. Ekonomi Unit: Berapa Biaya Sebenarnya Satu Menit Voice
Harga API yang dipublikasikan adalah satu-satunya angka per-unit dalam roundup ini yang tidak berasal dari survei, dan angka ini telah turun dengan cepat. a16z mendokumentasikan pemotongan harga GPT-4o realtime pada Desember 2024 sebesar 60% untuk input audio dan 87.5% untuk output audio. Daftar harga saat ini menunjukkan pola yang sama berlanjut di seluruh tingkatan model: varian mini realtime berharga kira-kira sepertiga dari model penuh, dan input audio ter-cache diberi harga $0.40 per juta token dibandingkan $32.00 untuk yang tidak ter-cache, selisih 80x yang memberi imbalan bagi penggunaan ulang prompt. Transkripsi kini praktis menjadi biaya yang bisa diabaikan pada $0.0045 per menit untuk gpt-transcribe, yang menjelaskan mengapa data survei menunjukkan penangkapan dan transkripsi sudah universal sementara penerapan agent masih tertinggal.
| Metrik | Nilai | Sumber |
|---|---|---|
| Input audio gpt-realtime-2.1, per 1M tokens | $32.00 | OpenAI API pricing |
| Output audio gpt-realtime-2.1, per 1M tokens | $64.00 | OpenAI API pricing |
| Input audio ter-cache gpt-realtime-2.1, per 1M tokens | $0.40 | OpenAI API pricing |
| Input audio gpt-realtime-2.1-mini, per 1M tokens | $10.00 | OpenAI API pricing |
| Output audio gpt-realtime-2.1-mini, per 1M tokens | $20.00 | OpenAI API pricing |
| Transkripsi gpt-transcribe, per menit | $0.0045 | OpenAI API pricing |
| Transkripsi Whisper, per menit | $0.006 | OpenAI API pricing |
| Text to speech tts-1, per 1M characters | $15.00 | OpenAI API pricing |
| Pemotongan harga output audio realtime GPT-4o, Desember 2024 | 87.5% | a16z |
Harga daftar bukanlah biaya penerapan sesungguhnya. Telepon, orkestrasi, percobaan ulang panggilan yang gagal, dan eskalasi ke manusia masing-masing punya pos biayanya sendiri, dan tidak ada data survei publik yang merinci total biaya per panggilan yang terselesaikan. Untuk sisi sintesis dari tumpukan teknologi itu, halaman AI voice generator gratis kami membahas apa yang dilakukan lapisan output. Sumber: harga API OpenAI.
6. Kepercayaan Konsumen: Kesenjangan yang Belum Ada yang Menutupnya
Jajak pendapat SurveyMonkey Desember 2025 terhadap 2,017 orang dewasa AS adalah dataset konsumen paling transparan secara metodologis di sini, dengan margin kesalahan yang dinyatakan sebesar plus minus 2.5 poin dan pembobotan berdasarkan usia, ras, jenis kelamin, pendidikan, dan geografi. Temuannya berjalan langsung berlawanan dengan rencana penerapan enterprise. 79% sangat lebih memilih agen manusia, 81% percaya AI diterapkan untuk menghemat biaya alih-alih meningkatkan layanan, dan 56% melaporkan perasaan negatif tentang perusahaan yang menggunakan AI sama sekali. Alasan yang diberikan bersifat spesifik, bukan sekadar permusuhan yang samar: 61% mengatakan agen manusia lebih memahami kebutuhan mereka, 53% menyebut penjelasan yang lebih menyeluruh, dan 52% sekadar merasa manusia lebih tidak membuat frustrasi.
| Metrik | Nilai | Sumber |
|---|---|---|
| Orang dewasa AS yang disurvei (10-11 Des 2025) | 2,017 (±2.5 pts) | SurveyMonkey |
| Sangat lebih memilih manusia daripada AI agent | 79% | SurveyMonkey |
| Percaya agen manusia lebih akurat | 84% | SurveyMonkey |
| Mengatakan perusahaan harus selalu menawarkan opsi manusia | 89% | SurveyMonkey |
| Percaya AI digunakan untuk menghemat biaya, bukan meningkatkan layanan | 81% | SurveyMonkey |
| Tidak percaya AI bisa pernah menggantikan manusia | 63% | SurveyMonkey |
| Gen Z yang lebih memilih AI | 14% | SurveyMonkey |
| Boomer yang lebih memilih AI | 4% | SurveyMonkey |
| Yakin bisa mengenali chatbot AI | 54% | SurveyMonkey |
Laporan Amplified 2026 milik Voices.com, yang dijalankan oleh Censuswide terhadap 700 pemimpin bisnis dan konsumen serta dirilis pada 28 Januari 2026, menambahkan sisi merek sebagai pelengkap: 79% pemimpin bisnis mengatakan voice AI seharusnya berasal dari voice actor sungguhan, 79% mengatakan voice AI yang tidak autentik merusak persepsi merek, dan 61% konsumen merasa voice AI lebih mudah diingat ketika terikat pada satu merek tunggal. Sumber: SurveyMonkey dan Voices.com.
7. Di Mana Voice Agent Mendarat Lebih Dulu
Penerapannya tidak menyebar merata. Grand View Research melaporkan agent inbound memegang 52.1% pendapatan 2025 dan otomatisasi dukungan pelanggan 44.2%, dengan kesehatan sebagai penggunaan akhir dengan pertumbuhan tercepat pada CAGR 42.0% hingga 2033. Rincian a16z tentang pendiri voice agent Y Combinator sejalan dengan itu: kira-kira 69% menyasar B2B, 18% kesehatan, dan 13% konsumen. Di dalam kesehatan, spesialisasinya lebih terperinci dari yang disiratkan kategori tersebut: 11.2% kedokteran umum manusia, 3.4% gigi, 2.2% hewan, dan 1.1% terapi fisik. Pola ini mengunggulkan sektor vertikal dengan volume panggilan tinggi, skrip yang terstandardisasi, kekurangan staf yang kronis, dan jejak kepatuhan yang terdokumentasi.
| Metrik | Nilai | Sumber |
|---|---|---|
| Voice agent inbound, pangsa pendapatan 2025 | 52.1% | Grand View Research |
| Otomatisasi dukungan pelanggan, pangsa pendapatan 2025 | 44.2% | Grand View Research |
| CAGR penggunaan akhir kesehatan, 2026-2033 | 42.0% | Grand View Research |
| Pendiri voice agent YC yang membangun B2B | approx. 69% | a16z |
| Pendiri voice agent YC di bidang kesehatan | approx. 18% | a16z |
| Pendiri voice agent YC di segmen konsumen | approx. 13% | a16z |
| Pendiri voice B2B YC di fintech | 16.9% | a16z |
| Pendiri voice B2B YC di operasi dan dukungan | 12.4% | a16z |
| Pendapatan tahunan industri staffing (konteks agen rekrutmen) | $650 billion | a16z |
Satu-satunya metrik hasil yang terdokumentasi dalam tulisan a16z adalah sebuah agensi staffing yang meningkatkan kemajuan kandidat pada penyaringan babak pertama dari 50% menjadi 90%, sebuah studi kasus tunggal, bukan benchmark. Sumber: pembaruan AI Voice Agents a16z.
Ringkasan: AI Voice Agents dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Pasar AI voice agents, 2025 | $2.54 billion | Grand View Research |
| Pasar AI voice agents, perkiraan 2033 | $35.24 billion | Grand View Research |
| CAGR AI voice agents, 2026-2033 | 39.0% | Grand View Research |
| Pasar conversational AI, 2026 | $17.97 billion | Fortune Business Insights |
| Pasar conversational AI, perkiraan 2034 | $82.46 billion | Fortune Business Insights |
| Pemimpin bisnis yang menyebut voice AI sebagai inti strategi | 67% | Deepgram / Opus Research |
| Sangat puas dengan voice agent tradisional | 21% | Deepgram / Opus Research |
| Berencana menaikkan anggaran voice AI dalam 12 bulan | 84% | Deepgram / Opus Research |
| Organisasi yang menangkap data suara mereka | 92% | Deepgram / Opus Research |
| Pemimpin layanan pelanggan di bawah tekanan untuk menerapkan AI pada 2026 | 91% | Gartner |
| Masalah layanan umum yang terselesaikan secara otonom pada 2029 | 80% (forecast) | Gartner |
| Perkiraan pengurangan biaya operasional pada 2029 | 30% | Gartner |
| Orang dewasa AS yang sangat lebih memilih agen manusia | 79% | SurveyMonkey |
| Orang dewasa AS yang ingin opsi manusia selalu tersedia | 89% | SurveyMonkey |
| Orang dewasa AS yang percaya AI diterapkan untuk memangkas biaya | 81% | SurveyMonkey |
| Konsumen yang menggunakan voice untuk berinteraksi dengan AI | 55% | Voices.com |
| Perusahaan dengan voice AI yang menghadap pelanggan sudah aktif | 29% | Voices.com |
| Valuasi ElevenLabs, Februari 2026 | $11 billion | ElevenLabs |
| ARR ElevenLabs pada akhir 2025 | $330+ million | ElevenLabs |
| Perusahaan voice agent YC sejak 2020 | 90 | a16z |
| Output audio gpt-realtime-2.1, per 1M tokens | $64.00 | OpenAI |
| Transkripsi gpt-transcribe, per menit | $0.0045 | OpenAI |
Metodologi dan Sumber
- Angka adopsi enterprise, transkripsi, kepuasan, dan anggaran berasal dari survei State of Voice AI milik Deepgram, yang dilakukan bersama Opus Research terhadap 400 pemimpin bisnis di lebih dari selusin industri (Deepgram).
- Tekanan eksekutif dan perkiraan penyelesaian otonom 2029 berasal dari dua siaran pers Gartner: survei pemimpin layanan pelanggan Februari 2026 (Gartner) dan prediksi agentic AI Maret 2025 (Gartner).
- Data preferensi konsumen berasal dari jajak pendapat SurveyMonkey terhadap 2,017 orang dewasa AS yang dijalankan pada 10-11 Desember 2025, dengan margin kesalahan plus minus 2.5 poin persentase, dibobotkan berdasarkan usia, ras, jenis kelamin, pendidikan, dan geografi (SurveyMonkey).
- Angka penggunaan voice oleh konsumen, persepsi merek, dan lisensi voice berasal dari laporan Amplified 2026 State of Voice milik Voices.com, yang dijalankan oleh Censuswide terhadap 700 pemimpin bisnis dan konsumen serta dipublikasikan pada 28 Januari 2026 (Voices.com).
- Angka pendanaan, valuasi, ARR, dan cakupan bahasa adalah pengungkapan pihak pertama dari pengumuman Seri D ElevenLabs bertanggal 4 Februari 2026 (ElevenLabs).
- Data jalur startup, rincian vertikal, dan pemotongan harga API realtime Desember 2024 berasal dari riset AI voice agents a16z, yang mengaitkan persentase kelas YC dengan Cartesia (a16z).
- Pengukuran ukuran pasar menggunakan dua lembaga riset dengan definisi kategori yang berbeda: Grand View Research khusus untuk AI voice agents (Grand View Research) dan Fortune Business Insights untuk conversational AI termasuk chatbot berbasis teks (Fortune Business Insights).
- Harga per-token dan per-menit berasal dari halaman harga API resmi OpenAI, berlaku pada saat pembaruan ini (OpenAI).
- Catatan data: kedua perkiraan pasar di sini tidak bisa dipertukarkan begitu saja, karena Grand View Research hanya mengukur voice agents sementara Fortune Business Insights memasukkan chatbot berbasis teks ke dalam kategori yang kira-kira tujuh kali lebih besar; artikel mana pun yang menyajikan satu angka tunggal “ukuran pasar voice AI” tanpa menyatakan definisi mana yang digunakan sebaiknya diperlakukan dengan hati-hati. Klaim ROI yang dipublikasikan vendor yang beredar di kategori ini (pengembalian tiga tahun di atas 300%, biaya per panggilan di bawah $1) berasal dari halaman pemasaran, bukan studi yang diaudit, dan dikecualikan di sini.
- Survei Deepgram adalah edisi terbaru yang tersedia pada saat penulisan; gelombang survei yang diperbarui diperkirakan akan paling banyak mengubah angka kepuasan dan anggaran.
- Terakhir diperbarui: 29 Juli 2026. Kami memperbarui roundup ini setiap kuartal seiring munculnya rilis baru dari Gartner, Deepgram, dan riset pasar lainnya.