Nejdůležitější na hlasové AI není hlas

Nejdůležitější na hlasové AI není hlas. Jde o zážitek, který hlas může nabídnout.

Vzpomeňte si na nejlepší zkušenost se zákaznickým servisem, jakou jste kdy měli. Měli jste pocit, že vám někdo rozumí. Nemuseli jste se opakovat, zjišťovat, jak organizace funguje, ani se vyznat ve složitosti jejích interních procesů. Vysvětlili jste, co potřebujete, a někdo využil kontext, úsudek a znalost organizace, aby vám pomohl dosáhnout úspěšného výsledku.

Co kdyby podniky dokázaly poskytovat více takových zážitků, důsledněji a ve větším měřítku?

To je skutečný příslib hlasových agentů, nikoli pouhé nahrazení psaní mluvením nebo automatizace každé interakce s člověkem. Hlasoví agenti mění způsob interakce: místo procházení systémů stačí vyjádřit, čeho chcete dosáhnout. Zákazník nebo zaměstnanec vlastními slovy popíše, co potřebuje vyřídit. Agent pochopí souvislosti, na pozadí propojí příslušné znalosti a systémy, provede povolené úkony a zapojí skutečného člověka, pokud je zapotřebí úsudek, empatie nebo oprávnění k rozhodnutí.

Lidé se po desetiletí přizpůsobovali technologiím. Naučili jsme se, kam kliknout, kterou nabídku otevřít a jak jednoduchý záměr převést na řadu příkazů. Generativní AI to začala měnit tím, že nám umožnila komunikovat běžným jazykem. Hlas jde ještě o krok dál a začíná celý vztah obracet: technologie se přizpůsobuje tomu, jak lidé přirozeně komunikují, zatímco složitost podniku ustupuje do pozadí.

Proč hlas mění zkušenost s podnikem

Hlas je důležitý, protože usnadňuje interakci zaměstnancům, zákazníkům i novým pracovníkům. Zaměstnanec, který volá na servisní podporu, by neměl muset vědět, který systém má daný problém na starosti nebo kde se nachází jeho řešení. Zákazník by neměl při přechodu mezi komunikačními kanály opakovat stále stejné informace. Nový pracovník by neměl být odkázán jen na statické školicí materiály, když si může vyzkoušet realistický rozhovor a dostat okamžitou zpětnou vazbu.

Hlas také usnadňuje přístup lidem, kteří nejsou u klávesnice, pracují v terénu nebo se jednoduše cítí jistěji při mluvení než při psaní. Vícejazyčné funkce pomáhají organizacím komunikovat jednotně napříč různými zeměmi, aniž by se každá interakce musela připravovat zvlášť.

Hlas však nenahradí každou obrazovku ani každý rozhovor s člověkem. Vizuální a textové formáty se stále lépe hodí k porovnávání rozsáhlých informací a ověřování přesných údajů a lidský úsudek zůstává nezbytný v nejednoznačných, citlivých nebo závažných situacích. Příležitost spočívá v tom využívat hlas tam, kde je rozhovor nejpřirozenější cestou k výsledku, a v ostatních případech navrhnout jasné předání komunikace.

Hlasové rozhraní nestačí

Přirozeně znějící hlas nestačí. Skutečná hodnota závisí na tom, zda agent dokáže uživatelskou zkušenost skutečně zlepšit: odstranit překážky, zachovat souvislosti, urychlit vyřešení problému a pomoci člověku dosáhnout správného výsledku. K tomu nestačí působivé rozhraní. Je třeba propojit data a pracovní postupy, jasně vymezit hranice, zajistit důvěryhodné předávání komunikace a nést odpovědnost za to, co bude následovat.

Je proto důležité rozlišovat mezi skriptováním a záměrem. Tradiční pracovní postup předem určuje každý krok. Hlasový agent navržený s ohledem na dosažení výsledku naproti tomu přijme záměr, pochopí pravidla a souvislosti a přizpůsobuje svůj postup, dokud není cíle dosaženo nebo dokud není zapotřebí lidský úsudek.

Je užitečné vědět, v jaké situaci se kupující skutečně nacházejí, protože podniky během krátké doby prošly třemi fázemi. Nějakou dobu jsme byli uprostřed horečného zavádění technologií — zavádění z velké části pro ně samotné. Poté se vedoucí pracovníci ocitli před odpovědností za návratnost těchto investic a často nedokázali vyjádřit, jakou hodnotu jim přinesly. To vedlo k přehodnocení zaměřenému na výsledky. Otázkou už nebylo jen to, zda nasazení přineslo výsledek, ale také zda jeho dosažení neohrozilo něco zásadního. Jde o jistý druh vstřícné skepse — o skutečnou ochotu investovat spojenou s očekáváním, že budou zodpovězeny obě otázky.

Prognózy ukazují stejným směrem. Gartner očekává, že agentní AI do roku 2029 samostatně vyřeší 80 % běžných problémů zákaznického servisu. Nezáleží na tom, zda bude přesné číslo 80 %. Důležité slovo je zde vyřeší. Rozhovor začíná přístupem ke službě, ale jeho výsledkem je vyřešení problému.

Zákazník nula ve velmi veřejném prostředí

Ve společnosti DXC se jedno z našich prvních nasazení hlasové AI uskutečnilo v neobvykle exponovaném prostředí: během hovorů k výsledkům hospodaření. Tři čtvrtletí po sobě si generální ředitel Raul Fernandez připravil scénář, který pak jeho hlasem přednesl vlastní hlasový model AI vytvořený pomocí ElevenLabs.

První hovor předvedl základní schopnosti. Při druhém bylo možné jeho projev sdílet ve španělštině, francouzštině, němčině, portugalštině a arabštině. Při třetím zazněl scénář současně v šesti jazycích. Raul pokaždé posluchačům sdělil, že slova napsal on a že je přednáší model AI.

Hovor o hospodářských výsledcích není snadné prostředí: vše se pečlivě sleduje, podléhá regulaci a sebemenší nepřesnost se neodpouští. Experiment provedený právě v tomto prostředí, a ne někde, kde by byl méně riskantní, přinesl čtyři poznatky.

• Autorství je důležitější než způsob přednesu. Slova jsou jeho; model je pouze předčítá. Organizace mohou rozšířit komunikaci do dalších jazyků, aniž by se změnilo, kdo zprávu napsal a kdo za ni nese odpovědnost.
• Otevřené přiznání použití AI výsledek posílilo, nikoli oslabilo. Zpočátku nebylo jasné, zda nám oznámení, že jde o hlas vytvořený pomocí AI, neubere na důvěryhodnosti. Stal se pravý opak a opačný přístup — doufat, že si toho nikdo nevšimne — by byl chybný z etického i praktického hlediska.
• Vícejazyčný přednes přinesl skutečnou hodnotu. Akcionáři, kteří by jinak čekali na překlad, si nyní ve stejnou dobu vyslechnou stejná sdělení stejným hlasem. Jde o změnu v tom, kdo má rovný přístup k informacím, nikoli o zvýšení efektivity výroby.
• Důvěra se opírá o odpovědnost, nikoli o dokonalý přednes. Lidé přijmou sdělení přednesené pomocí AI, pokud vědí, kdo je napsal, kdo se za něj zaručuje a jak se mohou domáhat nápravy. Nic z toho není slyšet ze samotného hlasu.

Odráží se v tom zásada, kterou uplatňujeme v LabX, inkubátoru produktů společnosti DXC založených na AI: než požádáme zákazníky, aby důvěřovali nové technologii, měli bychom být ochotni ji nejprve vyzkoušet ve vlastním prostředí. Když se sami staneme prvními zákazníky, odhalíme problémy, které uhlazená ukázka neodhalí — kde lidé váhají, kde se důvěra vytrácí a jaká ochranná opatření jsou potřeba, aby bylo možné technologii odpovědně provozovat ve velkém měřítku. Nejnáročnější výzvy enterprise AI bývají obvykle spíše lidské než technické.

Od ukázky k proměně zákaznických zkušeností

Naše strategické partnerství se společností ElevenLabs, která se specializuje na zvukové modely a hlasové agenty, navazuje na zkušenosti z role prvního zákazníka a uplatňuje hlasové technologie ve třech praktických oblastech. Ve všech případech se vychází od jasně stanoveného výsledku, nikoli od pouhého nasazení technologie.

• V centrech podpory mohou hlasoví agenti zaměstnancům pomoci přirozeně popsat problém, najít relevantní informace, provést běžné kroky a v případě potřeby předat specialistovi veškerý kontext. Měřítkem není počet hovorů, které se podařilo odklonit. Podstatné je, zda volající dosáhl vyřešení problému během jediného kontaktu, aniž by ho musel třikrát popisovat.
• Na platformách zákaznické zkušenosti přispívají vícejazyčná rozhraní s přirozeným hlasovým projevem k jednotnější komunikaci po telefonu i v digitálních kanálech. Kvalita služeb ve většině organizací závisí na tom, kdo hovor přijme a kdy. Nabízí se možnost dosáhnout skutečného zlepšení — každá interakce může vycházet ze stejného kontextu, přičemž ty nejnáročnější budou i nadále předávány lidem, kteří si s nimi nejlépe poradí.
• Při školení mění hlas pasivní obsah v praktický nácvik. Zaměstnanci si mohou procvičit rozhovor se zákazníkem, bezpečnostní situaci nebo náročný manažerský rozhovor a poté získat koučink přizpůsobený svým potřebám. Lidé získávají potřebné dovednosti rychleji, když si procvičují skutečný rozhovor, než když si o něm pouze čtou.

Největší dopad mohou mít aplikace pro konkrétní odvětví. Pojišťovny mohou zkoumat asistované přijímání oznámení běžných pojistných událostí; výrobci mohou terénním technikům zpřístupnit pracovní postupy bez použití rukou; organizace veřejného sektoru mohou usnadnit přístup k informacím ve více jazycích. Nejde o univerzální agenty nasazené nad rámec fungování organizace. Musí být navrženi s ohledem na terminologii, pravidla, data a rizikový profil každého odvětví.

Rozšiřujte kvality skvělých služeb, ne předem daný průběh interakce

Rizikem je samozřejmě to, že se škálování změní v unifikaci. Firmy už se této chyby dopustily: jednotně uplatňovaly rozhodovací strom, který vyhovoval průměrnému případu, ale selhával u všech ostatních. Škálovat by se měly především kvality skvělé interakce při poskytování služeb — informovanost, vstřícnost a zaměření na výsledek — zatímco samotná interakce by se měla přizpůsobovat jazyku, kontextu a potřebám daného člověka. Konzistentní služby by měly být spolehlivě kvalitní, nikoli totožné.

Důvěra je součástí zkušenosti

Čím lidštěji hlasový agent zní, tím důležitější je transparentnost. Člověk by měl vědět, kdy komunikuje s AI. Organizace potřebují výslovný souhlas k vytvoření či použití syntetického hlasu konkrétní osoby, kontrolu nad tím, kdo k němu má přístup, důkladné ověřování totožnosti při citlivých úkonech, záznamy o činnosti agenta a jasnou možnost spojit se se skutečným člověkem.

Tato opatření se často považují za otázku souladu s předpisy, kterou lze řešit až dodatečně, po návrhu zákaznické zkušenosti. Je však třeba chápat je jako její nedílnou součást. Člověk, který nepozná, zda mluví s jinou osobou, neví, k čemu je agent oprávněn, nebo se nemůže spojit s někým dalším, když to potřebuje, nemá dobrou zkušenost, jakkoli přirozeně konverzace zní.

Měli bychom přesně určit, odkud tato důvěra pramení, protože jde o oboustranný vztah. Lidé, kteří model vytvořili, jej musí správně kalibrovat. Jeho nasazení — nakládání s daty, řízení přístupu, zaznamenávání akcí a jasně stanovené okamžiky, kdy práci přebírá člověk — představuje samostatný problém, za který odpovídá ten, kdo systém uvádí do provozu. Jedno nenahrazuje druhé. V případě hlasu jsou důležité obě složky ještě více, protože interakce probíhá v reálném čase, agent může jednat, zatímco mluví, a na obrazovce není vidět, co právě udělal jménem uživatele.

Pomoci mohou i externí doporučení. Federal Trade Commission upozornila na možné škody způsobené zlomyslným klonováním hlasu a rámec NIST pro řízení rizik umělé inteligence nabízí praktickou strukturu pro identifikaci a řízení rizik spojených s umělou inteligencí. Souhlas, informování, zabezpečení, testování a průběžné monitorování považujte za základní požadavky na produkt.

Budování otevřené cesty od experimentu k širšímu nasazení

Moje rozšířená role prezidenta pro inovace a strategii v oblasti AI & LabX spojuje dvě stránky téže výzvy: podporu vzniku produktů založených na AI a rozvoj obchodní stránky strategie partnerské platformy DXC pro AI. LabX zůstává místem, kde lze ověřovat nejmodernější technologie na skutečných problémech zákazníků, jeho poslání však nyní zahrnuje také pomoc zákazníkům s orientací v otevřeném ekosystému partnerů, jako jsou Anthropic a ElevenLabs.

Tento otevřený přístup je důležitý, protože žádný model, platforma ani rozhraní nebude vhodné pro každý podnik a každý případ použití. Naším úkolem je spojit správné technologie se znalostí oboru, návrhem pracovních postupů, řízením a schopností řešení realizovat a následně ověřit, že přinášejí měřitelné výsledky. Někdy bude nejvhodnějším rozhraním text. Jindy to bude vizuální rozhraní. Stále častěji to bude hlas — a mnohdy promyšlená kombinace všech tří možností.

Otázkou není, kde může podnik přidat hlasové ovládání. Jde o to, kde může konverzace přinést lepší uživatelský zážitek a lepší výsledek a zda je organizace připravena přizpůsobit jí pracovní postupy.