Det vigtigste ved stemmebaseret AI er ikke stemmen

Det vigtigste ved stemmebaseret AI er ikke stemmen. Det er de oplevelser, stemmen kan gøre mulige.

Tænk på den bedste serviceoplevelse, du nogensinde har haft. Du følte dig forstået. Du behøvede ikke at gentage dig selv, sætte dig ind i, hvordan organisationen fungerede, eller navigere rundt i dens interne kompleksitet. Du forklarede, hvad du havde brug for, og nogen brugte kontekst, dømmekraft og kendskab til organisationen til at hjælpe dig med at nå et godt resultat.

Hvad nu, hvis virksomheder kunne skabe flere af den slags oplevelser, mere konsekvent og i større skala?

Det er stemmeagenternes egentlige potentiale – ikke blot at erstatte tastning med tale eller automatisere enhver menneskelig interaktion. Stemmeagenter ændrer oplevelsen fra at navigere i systemer til at udtrykke, hvad man vil opnå. En kunde eller medarbejder beskriver med sine egne ord, hvad vedkommende vil udrette. Agenten forstår konteksten, samordner den relevante viden og de nødvendige systemer i baggrunden, udfører de handlinger, den har tilladelse til, og inddrager et menneske, når der er brug for dømmekraft, empati eller myndighed.

I årtier har mennesker tilpasset sig teknologien. Vi lærte, hvor vi skulle klikke, hvilken menu vi skulle åbne, og hvordan vi kunne omsætte en enkel hensigt til en række kommandoer. Generativ AI begyndte at ændre dette ved at gøre det muligt for os at føre samtaler i et hverdagssprog. Stemmebaseret teknologi tager det næste skridt og begynder helt at vende forholdet om: Teknologien tilpasser sig den måde, mennesker kommunikerer naturligt på, mens virksomhedens kompleksitet træder i baggrunden.

Sådan ændrer stemmebaseret teknologi oplevelsen i virksomheder

Stemmebaseret teknologi er vigtig, fordi den mindsker besværet for både medarbejdere, kunder og nyansatte. En medarbejder, der ringer til en serviceafdeling, bør ikke behøve at vide, hvilket system der håndterer et problem eller indeholder løsningen. En kunde bør ikke skulle gentage de samme oplysninger, når vedkommende skifter kanal. En nyansat bør ikke være begrænset til statisk undervisningsmateriale, når vedkommende i stedet kan øve sig på en realistisk samtale og få feedback med det samme.

Stemmebaseret teknologi gør det også lettere for personer, der er væk fra et tastatur, arbejder ude i felten eller ganske enkelt er mere trygge ved at tale end ved at skrive, at få adgang. Flersprogede funktioner hjælper organisationer med at kommunikere konsekvent på tværs af geografiske områder uden at skulle tilrettelægge en særskilt produktion for hver interaktion.

Stemmebaseret teknologi kan dog ikke erstatte alle skærme eller alle samtaler mellem mennesker. Visuelle og skriftlige formater egner sig stadig bedre til at sammenligne omfattende oplysninger og gennemgå præcise detaljer, og menneskelig dømmekraft er fortsat afgørende, når en situation er tvetydig, følsom eller har store konsekvenser. Muligheden består i at bruge stemmen, når en samtale er den mest naturlige vej til et resultat, og derefter udforme tydelige overdragelser, når det ikke er tilfældet.

En stemmegrænseflade er ikke nok

Det er ikke nok, at en stemme lyder naturlig. Den reelle værdi afhænger af, om agenten kan gøre oplevelsen mærkbart bedre: mindske besværet, bevare konteksten, fremskynde løsningen og hjælpe nogen med at nå det rette resultat. Det kræver mere end en overbevisende grænseflade. Det kræver sammenkoblede data og arbejdsgange, tydelige grænser, pålidelige overdragelser og ansvar for det, der sker bagefter.

Det er derfor vigtigt at skelne mellem scripts og hensigt. I en traditionel arbejdsgang er hvert trin fastlagt på forhånd. En stemmeagent, der er udformet med fokus på resultater, modtager derimod hensigten, forstår reglerne og konteksten og tilpasser sin fremgangsmåde, indtil målet er nået, eller der bliver brug for et menneskes dømmekraft.

Det er nyttigt at vide, hvor køberne faktisk befinder sig, for erhvervslivet har gennemgået tre faser på kort tid. I en periode var vi grebet af en voldsom iver efter at indføre teknologien – i høj grad for indførelsens egen skyld. Derefter blev lederne stillet til ansvar for udbyttet af investeringerne, og ofte kunne de ikke sætte ord på den værdi, de havde fået. Det førte til en nyorientering med fokus på resultater. Spørgsmålet var ikke længere kun, om en implementering gav et resultat, men også om det gik ud over noget kritisk at opnå det. Der er en form for velvillig skepsis – en reel villighed til at investere kombineret med en forventning om, at der gives svar på begge spørgsmål.

Prognoserne peger i samme retning. Gartner forventer, at agentbaseret AI selvstændigt vil løse 80 % af de almindelige kundeserviceproblemer inden 2029. Det er ikke afgørende, om det præcise tal er 80 %. Det vigtige ord her er løse. Samtalen begynder med adgang, men det egentlige produkt er løsningen.

Kunde nul i fuld offentlighed

Hos DXC fandt en af vores tidligste implementeringer af stemmebaseret AI sted i en usædvanligt synlig sammenhæng: vores regnskabskonferencer. I tre kvartaler i træk skrev CEO Raul Fernandez sit forberedte manuskript, mens en specialudviklet AI-stemmemodel, skabt med ElevenLabs, fremførte det med hans stemme.

Ved det første opkald blev den grundlæggende funktion demonstreret. Ved det andet kunne hans udtalelser deles på spansk, fransk, tysk, portugisisk og arabisk. Ved det tredje blev manuskriptet udsendt samtidig på seks sprog. Hver gang fortalte Raul lytterne, at han havde skrevet ordene, og at en AI-model fremførte dem.

Et regnskabskald er ikke en nem platform: Det bliver gransket og er underlagt regler, og der er ingen tolerance for noget, der lyder bare en smule forkert. Eksperimentet viste fire ting, fordi vi gennemførte det dér i stedet for et mere sikkert sted.

• Forfatterskabet betyder mere end fremførelsen. Det er hans udtalelser; modellen læser dem blot op. Organisationer kan skalere kommunikationen på tværs af sprog uden at ændre på, hvem der har skrevet budskabet, eller hvem der stadig står til ansvar for det.
• Åbenhed styrkede resultatet i stedet for at undergrave det. I begyndelsen var det uklart, om det ville koste os troværdighed at fortælle, at stemmen var AI-genereret. Det modsatte skete, og alternativet – at håbe, at ingen opdagede det – ville have været forkert både etisk og praktisk.
• Flersproget formidling skabte reel værdi. Aktionærer, der ellers skulle vente på en oversættelse, hører nu de samme udtalelser, med den samme stemme og på samme tidspunkt. Det ændrer på, hvem der får lige adgang til information, ikke på produktionseffektiviteten.
• Tillid bygger på ansvarlighed, ikke på poleret fremførelse. Folk accepterer et budskab formidlet af AI, når de ved, hvem der har skrevet det, hvem der står inde for det, og hvilke muligheder de har for at klage. Intet af det kan høres i selve stemmen.

Det afspejler et princip, vi følger i LabX, DXC’s produktinkubator med AI som omdrejningspunkt: Før vi beder kunderne om at have tillid til en ny teknologi, bør vi være villige til at afprøve den i vores eget miljø. Når man er Customer Zero, kommer man på sporet af de problemer, som en poleret demonstration ikke afslører – hvor folk tøver, hvor tilliden brister, og hvilke sikkerhedsforanstaltninger der er nødvendige for at kunne anvende teknologien ansvarligt i stor skala. De vanskeligste udfordringer med AI i virksomheder handler som regel mere om mennesker end om teknologi.

Fra demonstration til forandrede oplevelser

Vores strategiske partnerskab med ElevenLabs, AI-virksomheden med speciale i lydmodeller og stemmeagenter, bygger videre på erfaringerne som Customer Zero og anvender stemmeteknologi på tre praktiske områder. I hvert tilfælde tager man udgangspunkt i et klart defineret resultat, ikke blot i at implementere teknologi.

• I servicedeske kan stemmeagenter hjælpe medarbejdere med at beskrive et problem på en naturlig måde, finde relevant viden, udføre rutineopgaver og videregive hele sagens kontekst til en specialist, når det er nødvendigt at eskalere sagen. Målet er ikke at se, hvor mange opkald der blev afledt. Det afgørende er, om den, der ringede, fik løst sit problem i én samtale uden at skulle beskrive det tre gange.
• På kundeoplevelsesplatforme skaber flersprogede grænseflader, der lyder naturlige, mere ensartede interaktioner på tværs af telefoniske og digitale kanaler. Kvaliteten i de fleste serviceorganisationer varierer alt efter, hvem der svarer, og hvornår. Her er der mulighed for reelle forbedringer: Hver interaktion kan bygge på den samme kontekst, mens de vanskeligste sager stadig sendes videre til de medarbejdere, der er bedst rustet til at håndtere dem.
• Inden for træning gør stemmen passivt indhold til praktisk øvelse. Medarbejdere kan øve sig på en kundesamtale, en sikkerhedssituation eller en vanskelig samtale med en leder og derefter få målrettet sparring. Man bliver hurtigere dygtig ved at øve sig på den konkrete samtale end ved at læse om den.

Branchespecifikke anvendelser kan få de største konsekvenser. Forsikringsselskaber kan undersøge muligheden for guidet anmeldelse af rutineskader; producenter kan give serviceteknikere i felten håndfri adgang til arbejdsvejledninger; offentlige organisationer kan gøre information lettere tilgængelig på flere sprog. Det er ikke generiske agenter, der lægges oven på en organisation. De skal udformes med udgangspunkt i den enkelte branches fagsprog, regler, data og risikoprofil.

Skalér kvaliteterne ved god service, ikke en fastlåst interaktion

Risikoen er selvfølgelig, at større skala fører til ensretning. Virksomheder har begået den fejl før: De har anvendt et beslutningstræ ensartet, så det tilfredsstillede gennemsnitsbrugeren, men svigtede alle andre. Det, der faktisk bør skaleres, er kvaliteterne ved en god serviceinteraktion – at den er velinformeret, imødekommende og fokuseret på et resultat – mens selve interaktionen tilpasses personens sprog, kontekst og behov. Konsistens bør betyde, at kvaliteten er pålidelig, ikke at alle oplevelser er identiske.

Tillid er en del af oplevelsen

Jo mere menneskelig en stemmeagent lyder, desto vigtigere bliver gennemsigtigheden. Man bør vide, når man interagerer med AI. Organisationer skal have udtrykkeligt samtykke til at skabe eller bruge en persons syntetiske stemme, kontrol med, hvem der kan få adgang til den, stærk autentificering ved følsomme handlinger, registreringer af, hvad agenten har gjort, og en tydelig vej til at få fat i et menneske.

Disse forhold betragtes ofte som et spørgsmål om overholdelse af regler, der føjes til, efter oplevelsen er blevet udformet, men de skal ses som en del af oplevelsen. Hvis man ikke kan afgøre, om man taler med et menneske, ikke ved, hvad agenten har tilladelse til at gøre, eller ikke kan få fat i nogen, når man har brug for det, er oplevelsen ikke god, uanset hvor naturlig samtalen lyder.

Vi bør være præcise om, hvor denne tillid kommer fra, for det går begge veje. En model skal kalibreres korrekt af dem, der har udviklet den. Implementeringen omkring den – håndtering af data, adgangskontrol, logførte handlinger og klart definerede punkter, hvor et menneske overtager – er et særskilt ansvar for den, der sætter systemet i drift. Det ene kan ikke erstatte det andet. Begge dele er endnu vigtigere i stemmebaserede løsninger, fordi interaktionen foregår live, agenten kan handle, mens den taler, og der ikke er nogen skærm, der viser personen, hvad der netop er sket på vedkommendes vegne.

Eksterne retningslinjer er en hjælp her. Federal Trade Commission har fremhævet de potentielle skader ved ondsindet stemmekloning, og NIST’s ramme for AI-risikostyring giver en praktisk struktur til at identificere og håndtere AI-risici. Behandl samtykke, tydelig information, sikkerhed, test og løbende overvågning som grundlæggende produktkrav.

At skabe en åben vej fra eksperiment til skalering

Min udvidede rolle som præsident for AI-innovation og -strategi & LabX samler to sider af samme udfordring: at udvikle AI-native produkter og at udvikle den kommercielle side af DXC’s strategi for AI-partnerplatformen. LabX er fortsat et sted, hvor banebrydende teknologier kan afprøves i forhold til reelle kundeproblemer, men dets mandat omfatter nu også at hjælpe kunder med at navigere i et åbent økosystem af partnere som Anthropic og ElevenLabs.

Denne åbne tilgang er vigtig, fordi ingen enkelt model, platform eller grænseflade passer til alle virksomheder og alle anvendelsesområder. Vores opgave er at kombinere den rette teknologi med domæneekspertise, arbejdsgangsdesign, styring og evnen til at levere – og derefter kontrollere, at det skaber et målbart resultat. Nogle gange er tekst den rette grænseflade. Andre gange er den visuel. I stigende grad vil den være stemmebaseret – og ofte en gennemtænkt kombination af alle tre.

Spørgsmålet er ikke, hvor en virksomhed kan tilføje stemmefunktioner. Det er, hvor samtaler kan skabe en bedre oplevelse og et bedre resultat, og om organisationen er parat til at gentænke arbejdet omkring dem.