Το σημαντικότερο στοιχείο της φωνητικής τεχνητής νοημοσύνης δεν είναι η φωνή

Το σημαντικότερο στοιχείο της φωνητικής τεχνητής νοημοσύνης δεν είναι η φωνή. Είναι η εμπειρία που μπορεί να προσφέρει η φωνή.

Σκεφτείτε την καλύτερη εμπειρία εξυπηρέτησης που είχατε ποτέ. Νιώσατε ότι σας καταλάβαιναν. Δεν χρειάστηκε να επαναλάβετε όσα είχατε πει, να μάθετε πώς λειτουργούσε ο οργανισμός ή να περιηγηθείτε στην εσωτερική του πολυπλοκότητα. Εξηγήσατε τι χρειαζόσασταν και κάποιος αξιοποίησε το πλαίσιο, την κρίση του και τη γνώση του για τον οργανισμό, για να σας βοηθήσει να πετύχετε το επιθυμητό αποτέλεσμα.

Κι αν οι επιχειρήσεις μπορούσαν να προσφέρουν περισσότερες τέτοιες εμπειρίες, με μεγαλύτερη συνέπεια και σε ευρύτερη κλίμακα;

Αυτή είναι η πραγματική υπόσχεση των φωνητικών πρακτόρων, όχι απλώς η αντικατάσταση της πληκτρολόγησης με την ομιλία ή η αυτοματοποίηση κάθε ανθρώπινης αλληλεπίδρασης. Οι φωνητικοί πράκτορες μετατοπίζουν την εμπειρία από την περιήγηση σε συστήματα στην έκφραση προθέσεων. Ένας πελάτης ή εργαζόμενος περιγράφει με δικά του λόγια τι θέλει να πετύχει. Ο πράκτορας κατανοεί το πλαίσιο, συντονίζει στο παρασκήνιο τις κατάλληλες γνώσεις και τα συστήματα, εκτελεί τις ενέργειες για τις οποίες έχει εξουσιοδότηση και φέρνει στη συζήτηση έναν άνθρωπο όταν απαιτούνται κρίση, ενσυναίσθηση ή αρμοδιότητα.

Εδώ και δεκαετίες, οι άνθρωποι προσαρμόζονται στην τεχνολογία. Μάθαμε πού να κάνουμε κλικ, ποιο μενού να ανοίγουμε και πώς να μετατρέπουμε μια απλή πρόθεση σε σειρά εντολών. Η γενετική τεχνητή νοημοσύνη άρχισε να αλλάζει τα δεδομένα, επιτρέποντάς μας να συνομιλούμε σε καθημερινή γλώσσα. Η φωνή κάνει το επόμενο βήμα και αρχίζει να αντιστρέφει πλήρως αυτή τη σχέση: η τεχνολογία προσαρμόζεται στον φυσικό τρόπο με τον οποίο επικοινωνούν οι άνθρωποι, ενώ η πολυπλοκότητα της επιχείρησης περνά στο παρασκήνιο.

Πώς η φωνή αλλάζει την εμπειρία στις επιχειρήσεις

Η φωνή έχει σημασία, επειδή διευκολύνει τόσο τους εργαζομένους και τους πελάτες όσο και τους νεοπροσληφθέντες. Ένας εργαζόμενος που καλεί το γραφείο υποστήριξης δεν θα έπρεπε να χρειάζεται να γνωρίζει ποιο σύστημα είναι αρμόδιο για ένα πρόβλημα ή περιέχει τη λύση. Ένας πελάτης δεν θα έπρεπε να χρειάζεται να επαναλαμβάνει τις ίδιες πληροφορίες καθώς επικοινωνεί μέσω διαφορετικών καναλιών. Ένας νεοπροσληφθείς δεν θα έπρεπε να περιορίζεται σε στατικό εκπαιδευτικό υλικό, όταν θα μπορούσε να εξασκηθεί σε μια ρεαλιστική συνομιλία και να λάβει άμεση ανατροφοδότηση.

Η φωνή διευρύνει επίσης την πρόσβαση για όσους βρίσκονται μακριά από πληκτρολόγιο, εργάζονται στο πεδίο ή απλώς αισθάνονται πιο άνετα να μιλούν παρά να πληκτρολογούν. Οι πολυγλωσσικές δυνατότητες βοηθούν τους οργανισμούς να επικοινωνούν με συνέπεια σε διαφορετικές γεωγραφικές περιοχές, χωρίς κάθε αλληλεπίδραση να απαιτεί ξεχωριστή προσπάθεια παραγωγής περιεχομένου.

Ωστόσο, η φωνή δεν αντικαθιστά κάθε οθόνη ή κάθε ανθρώπινη συνομιλία. Τα οπτικά και γραπτά μέσα παραμένουν καταλληλότερα για τη σύγκριση μεγάλου όγκου πληροφοριών και την εξέταση ακριβών λεπτομερειών, ενώ η ανθρώπινη κρίση εξακολουθεί να είναι απαραίτητη όταν μια κατάσταση είναι ασαφής, ευαίσθητη ή έχει σημαντικές συνέπειες. Η ευκαιρία είναι να χρησιμοποιείται η φωνή όταν η συνομιλία αποτελεί τον πιο φυσικό δρόμο προς το επιθυμητό αποτέλεσμα και, όταν δεν αποτελεί, να σχεδιάζονται σαφείς διαδικασίες μεταβίβασης.

Μια φωνητική διεπαφή δεν αρκεί

Μια φωνή που ακούγεται φυσική δεν αρκεί. Η πραγματική αξία εξαρτάται από το αν ο πράκτορας μπορεί να βελτιώσει ουσιαστικά την εμπειρία: να μειώσει τις δυσκολίες, να διατηρήσει το πλαίσιο, να επιταχύνει την επίλυση και να βοηθήσει κάποιον να πετύχει το κατάλληλο αποτέλεσμα. Αυτό απαιτεί περισσότερα από μια ελκυστική διεπαφή. Απαιτεί διασυνδεδεμένα δεδομένα και ροές εργασιών, σαφή όρια, αξιόπιστες διαδικασίες μεταβίβασης και λογοδοσία για όσα ακολουθούν.

Χρειάζεται, λοιπόν, να διακρίνουμε τον προκαθορισμένο προγραμματισμό από την πρόθεση. Μια παραδοσιακή ροή εργασιών καθορίζει εκ των προτέρων κάθε βήμα. Αντίθετα, ένας φωνητικός πράκτορας σχεδιασμένος με γνώμονα τα αποτελέσματα λαμβάνει την πρόθεση, κατανοεί τους κανόνες και το πλαίσιο και προσαρμόζει την προσέγγισή του μέχρι να επιτευχθεί ο στόχος ή να χρειαστεί η κρίση ενός ανθρώπου.

Είναι χρήσιμο να γνωρίζουμε σε ποιο σημείο βρίσκονται στην πραγματικότητα οι αγοραστές, επειδή οι επιχειρήσεις πέρασαν γρήγορα από τρεις φάσεις. Για ένα διάστημα επικράτησε φρενίτιδα υιοθέτησης — σε μεγάλο βαθμό, υιοθέτηση για την ίδια την υιοθέτηση. Στη συνέχεια, τα στελέχη κλήθηκαν να λογοδοτήσουν για τα αποτελέσματα αυτών των επενδύσεων και συχνά δεν μπορούσαν να διατυπώσουν την αξία που είχαν αποκομίσει. Αυτό οδήγησε σε αναπροσαρμογή με επίκεντρο τα αποτελέσματα. Το ερώτημα δεν ήταν πλέον μόνο αν μια εφαρμογή απέφερε κάποιο αποτέλεσμα, αλλά και αν η επίτευξή του έθετε σε κίνδυνο κάτι κρίσιμο. Διαμορφώθηκε έτσι ένας καλόπιστος σκεπτικισμός — πραγματική προθυμία για επενδύσεις, σε συνδυασμό με την προσδοκία να δοθούν απαντήσεις και στα δύο ερωτήματα.

Οι προβλέψεις δείχνουν προς την ίδια κατεύθυνση. Η Gartner εκτιμά ότι η πρακτορική τεχνητή νοημοσύνη θα επιλύει αυτόνομα το 80% των συνηθισμένων ζητημάτων εξυπηρέτησης πελατών έως το 2029. Δεν έχει σημασία αν το ακριβές ποσοστό είναι 80%. Η σημαντική λέξη εδώ είναι το επιλύει. Η συζήτηση ξεκινά με την πρόσβαση, αλλά το ζητούμενο είναι η επίλυση.

Ο «Πελάτης Μηδέν» σε ένα περιβάλλον με μεγάλη δημόσια προβολή

Στην DXC, μία από τις πρώτες εφαρμογές φωνητικής τεχνητής νοημοσύνης υλοποιήθηκε σε ένα ασυνήθιστα προβεβλημένο περιβάλλον: στις τηλεδιασκέψεις μας για την ανακοίνωση οικονομικών αποτελεσμάτων. Για τρία συνεχόμενα τρίμηνα, ο διευθύνων σύμβουλος Raul Fernandez έγραφε το προετοιμασμένο κείμενό του, ενώ ένα προσαρμοσμένο μοντέλο φωνής τεχνητής νοημοσύνης, που δημιουργήθηκε με την ElevenLabs, το εκφωνούσε με τη δική του φωνή.

Η πρώτη κλήση ανέδειξε τη βασική δυνατότητα. Στη δεύτερη, οι δηλώσεις του μπορούσαν να κοινοποιηθούν στα ισπανικά, τα γαλλικά, τα γερμανικά, τα πορτογαλικά και τα αραβικά. Στην τρίτη, το κείμενο μεταδόθηκε ταυτόχρονα σε έξι γλώσσες. Κάθε φορά, ο Raul ενημέρωνε τους ακροατές ότι ο ίδιος είχε γράψει τα λόγια και ότι ένα μοντέλο τεχνητής νοημοσύνης τα εκφωνούσε.

Μια τηλεδιάσκεψη για την ανακοίνωση οικονομικών αποτελεσμάτων δεν είναι εύκολη υπόθεση: κάθε λέξη εξετάζεται εξονυχιστικά, υπόκειται σε κανονιστικές απαιτήσεις και δεν συγχωρεί τίποτα που ακούγεται έστω και λίγο λανθασμένο. Από τη διεξαγωγή του πειράματος σε αυτό το πλαίσιο, αντί σε κάποιο ασφαλέστερο, προέκυψαν τέσσερα συμπεράσματα.

• Η πατρότητα του μηνύματος έχει μεγαλύτερη σημασία από τον τρόπο εκφώνησής του. Τα λόγια είναι δικά του· το μοντέλο απλώς τα διαβάζει. Οι οργανισμοί μπορούν να επικοινωνούν σε πολλές γλώσσες σε μεγαλύτερη κλίμακα, χωρίς να αλλάζει το ποιος συνέταξε το μήνυμα ή ποιος εξακολουθεί να φέρει την ευθύνη γι’ αυτό.
• Η διαφάνεια ενίσχυσε το αποτέλεσμα αντί να το υπονομεύσει. Αρχικά, δεν ήταν σαφές αν η ανακοίνωση ότι η φωνή ήταν προϊόν ΤΝ θα έπληττε την αξιοπιστία μας. Συνέβη το αντίθετο, ενώ η εναλλακτική —να ελπίζουμε ότι κανείς δεν θα το αντιληφθεί— θα ήταν λανθασμένη τόσο από ηθική όσο και από πρακτική άποψη.
• Η πολυγλωσσική εκφώνηση προσέφερε πραγματική αξία. Οι μέτοχοι που διαφορετικά θα περίμεναν τη μετάφραση, τώρα ακούν τις ίδιες δηλώσεις, με την ίδια φωνή και την ίδια στιγμή. Αυτό αλλάζει το ποιοι έχουν ισότιμη πρόσβαση στην πληροφόρηση· δεν αποτελεί απλώς αύξηση της αποδοτικότητας της παραγωγής.
• Η εμπιστοσύνη βασίζεται στη λογοδοσία, όχι στην τελειότητα της παρουσίασης. Οι άνθρωποι αποδέχονται ένα μήνυμα που εκφωνείται από ΤΝ όταν γνωρίζουν ποιος το συνέταξε, ποιος αναλαμβάνει την ευθύνη γι’ αυτό και ποια μέσα έχουν στη διάθεσή τους για να ζητήσουν επανόρθωση. Τίποτα από αυτά δεν γίνεται αντιληπτό μόνο από τη φωνή.

Αυτό αντικατοπτρίζει μια αρχή που εφαρμόζουμε στο LabX, τη θερμοκοιτίδα προϊόντων της DXC με εγγενή ενσωμάτωση της ΤΝ: προτού ζητήσουμε από τους πελάτες να εμπιστευτούν μια αναδυόμενη τεχνολογία, πρέπει να είμαστε πρόθυμοι να τη δοκιμάσουμε στο δικό μας περιβάλλον. Το να είμαστε ο πρώτος πελάτης αποκαλύπτει ζητήματα που μια καλοστημένη επίδειξη δεν μπορεί να αναδείξει —πού διστάζουν οι άνθρωποι, πού κλονίζεται η εμπιστοσύνη και ποιες δικλίδες ασφαλείας απαιτούνται για την υπεύθυνη λειτουργία σε μεγάλη κλίμακα. Οι δυσκολότερες προκλήσεις της ΤΝ στις επιχειρήσεις είναι συνήθως ανθρώπινες και όχι τεχνικές.

Από την επίδειξη σε εμπειρίες που μεταμορφώνουν

Η στρατηγική συνεργασία μας με την ElevenLabs, την εταιρεία ΤΝ που εξειδικεύεται σε μοντέλα ήχου και φωνητικούς πράκτορες, αξιοποιεί την εμπειρία μας ως πρώτου πελάτη και εφαρμόζει τη φωνητική τεχνολογία σε τρεις πρακτικούς τομείς. Σε κάθε περίπτωση, αφετηρία είναι ένα σαφώς καθορισμένο αποτέλεσμα και όχι απλώς η εγκατάσταση μιας τεχνολογίας.

• Στα γραφεία υποστήριξης, οι φωνητικοί πράκτορες μπορούν να βοηθούν τους εργαζομένους να περιγράφουν ένα πρόβλημα με φυσικό τρόπο, να αντλούν σχετική γνώση, να ολοκληρώνουν συνήθη βήματα και, όταν χρειάζεται κλιμάκωση, να μεταφέρουν σε έναν ειδικό όλο το σχετικό πλαίσιο. Το ζητούμενο δεν είναι πόσες κλήσεις εκτράπηκαν. Είναι αν ο καλών έλαβε λύση με μία μόνο επικοινωνία, χωρίς να χρειαστεί να περιγράψει το πρόβλημα τρεις φορές.
• Στις πλατφόρμες εμπειρίας πελατών, οι πολύγλωσσες διεπαφές με φυσική ομιλία προσφέρουν πιο συνεπή επικοινωνία μέσω τηλεφώνου και ψηφιακών καναλιών. Στους περισσότερους οργανισμούς παροχής υπηρεσιών, η ποιότητα ποικίλλει ανάλογα με το ποιος απαντά και πότε. Υπάρχει περιθώριο για ουσιαστική βελτίωση —κάθε επικοινωνία μπορεί να βασίζεται στο ίδιο πλαίσιο πληροφοριών, ενώ οι πιο δύσκολες περιπτώσεις εξακολουθούν να παραπέμπονται στους ανθρώπους που είναι καταλληλότεροι να τις χειριστούν.
• Στην εκπαίδευση, η φωνή μετατρέπει το παθητικό περιεχόμενο σε πρακτική εξάσκηση. Οι εργαζόμενοι μπορούν να κάνουν πρόβα μιας συνομιλίας με πελάτη, ενός σεναρίου ασφάλειας ή μιας δύσκολης συζήτησης με τη διοίκηση και στη συνέχεια να λαμβάνουν εξατομικευμένη καθοδήγηση. Οι άνθρωποι αποκτούν επάρκεια γρηγορότερα όταν εξασκούνται στην ίδια τη συνομιλία, αντί να διαβάζουν γι’ αυτήν.

Οι εφαρμογές που σχεδιάζονται για συγκεκριμένους κλάδους ενδέχεται να έχουν τη μεγαλύτερη σημασία. Οι ασφαλιστικές εταιρείες μπορούν να διερευνήσουν τη χρήση καθοδηγούμενης υποβολής για συνήθεις απαιτήσεις αποζημίωσης· οι κατασκευαστές μπορούν να παρέχουν στους τεχνικούς πεδίου πρόσβαση στις διαδικασίες χωρίς να χρειάζεται να χρησιμοποιούν τα χέρια τους· οι οργανισμοί του δημόσιου τομέα μπορούν να διευκολύνουν την πρόσβαση στην πληροφόρηση σε πολλές γλώσσες. Δεν πρόκειται για γενικούς πράκτορες που απλώς προστίθενται σε έναν οργανισμό. Πρέπει να σχεδιάζονται με βάση την ορολογία, τους κανόνες, τα δεδομένα και το προφίλ κινδύνου κάθε κλάδου.

Να επεκτείνουμε τα χαρακτηριστικά της εξαιρετικής εξυπηρέτησης, όχι μια τυποποιημένη αλληλεπίδραση

Ο κίνδυνος, βέβαια, είναι η επέκταση να οδηγήσει σε ομοιομορφία. Οι επιχειρήσεις έχουν κάνει ξανά αυτό το λάθος: εφαρμόζουν ομοιόμορφα ένα δέντρο αποφάσεων, ικανοποιώντας τη μέση περίπτωση και αποτυγχάνοντας για όλους τους υπόλοιπους. Αυτό που πρέπει πραγματικά να επεκτείνεται είναι τα χαρακτηριστικά μιας εξαιρετικής εξυπηρέτησης —να βασίζεται στην πληροφόρηση, να ανταποκρίνεται στις ανάγκες και να προσανατολίζεται σε ένα αποτέλεσμα—, ενώ η ίδια η αλληλεπίδραση προσαρμόζεται στη γλώσσα, το πλαίσιο και τις ανάγκες κάθε ανθρώπου. Συνέπεια πρέπει να σημαίνει σταθερά καλή ποιότητα, όχι ταυτόσημη εμπειρία.

Η εμπιστοσύνη αποτελεί μέρος της εμπειρίας

Όσο πιο ανθρώπινη ακούγεται η φωνή ενός φωνητικού πράκτορα, τόσο πιο σημαντική γίνεται η διαφάνεια. Οι άνθρωποι πρέπει να γνωρίζουν πότε αλληλεπιδρούν με ΤΝ. Οι οργανισμοί χρειάζονται ρητή άδεια για να δημιουργούν ή να χρησιμοποιούν τη συνθετική φωνή κάποιου, ελέγχους σχετικά με το ποιοι μπορούν να έχουν πρόσβαση σε αυτήν, ισχυρή επαλήθευση ταυτότητας για ευαίσθητες ενέργειες, καταγραφή των ενεργειών του πράκτορα και σαφή τρόπο επικοινωνίας με έναν άνθρωπο.

Συχνά, αυτά αντιμετωπίζονται ως ζήτημα συμμόρφωσης που προστίθεται εκ των υστέρων, αφού σχεδιαστεί η εμπειρία. Πρέπει, όμως, να αποτελούν μέρος της ίδιας της εμπειρίας. Όποιος δεν μπορεί να καταλάβει αν συνομιλεί με άνθρωπο, δεν γνωρίζει τι δικαιούται να κάνει ο πράκτορας ή δεν μπορεί να επικοινωνήσει με κάποιον όταν το χρειάζεται, δεν έχει καλή εμπειρία, όσο φυσική κι αν ακούγεται η συνομιλία.

Πρέπει να είμαστε σαφείς ως προς το από πού προέρχεται αυτή η εμπιστοσύνη, γιατί η σχέση είναι αμφίδρομη. Το μοντέλο πρέπει να έχει ρυθμιστεί σωστά από τους ανθρώπους που το δημιούργησαν. Η θέση του σε παραγωγική λειτουργία —η διαχείριση δεδομένων, ο έλεγχος πρόσβασης, η καταγραφή ενεργειών και ο καθορισμός των σημείων στα οποία αναλαμβάνει ένας άνθρωπος— είναι ένα ξεχωριστό ζήτημα, για το οποίο ευθύνεται όποιος θέτει το σύστημα σε λειτουργία. Το ένα δεν υποκαθιστά το άλλο. Και τα δύο έχουν μεγαλύτερη σημασία στη φωνητική αλληλεπίδραση, επειδή η επικοινωνία γίνεται σε πραγματικό χρόνο, ο πράκτορας μπορεί να ενεργεί ενώ μιλά και δεν υπάρχει οθόνη που να δείχνει στον χρήστη τι μόλις έγινε για λογαριασμό του.

Οι εξωτερικές κατευθυντήριες γραμμές είναι χρήσιμες σε αυτό το σημείο. Η Ομοσπονδιακή Επιτροπή Εμπορίου έχει επισημάνει τις πιθανές βλάβες από την κακόβουλη κλωνοποίηση φωνής, ενώ το Πλαίσιο Διαχείρισης Κινδύνων ΤΝ του NIST προσφέρει ένα πρακτικό πλαίσιο για τον εντοπισμό και τη διαχείριση των κινδύνων της ΤΝ. Η συγκατάθεση, η ενημέρωση, η ασφάλεια, οι δοκιμές και η συνεχής παρακολούθηση πρέπει να αντιμετωπίζονται ως βασικές απαιτήσεις του προϊόντος.

Διαμορφώνοντας μια ανοιχτή πορεία από τον πειραματισμό στην κλίμακα

Ο διευρυμένος ρόλος μου ως Προέδρου Καινοτομίας και Στρατηγικής στην ΤΝ & LabX συνδυάζει δύο πλευρές της ίδιας πρόκλησης: την επώαση προϊόντων σχεδιασμένων εξαρχής γύρω από την ΤΝ και την ανάπτυξη της εμπορικής διάστασης της στρατηγικής της DXC για την πλατφόρμα συνεργατών ΤΝ. Το LabX εξακολουθεί να αποτελεί χώρο όπου δοκιμάζουμε τεχνολογίες αιχμής σε πραγματικά προβλήματα πελατών, όμως η αποστολή του περιλαμβάνει πλέον και την υποστήριξη των πελατών στην πλοήγηση σε ένα ανοιχτό οικοσύστημα συνεργατών, όπως η Anthropic και η ElevenLabs.

Αυτή η ανοιχτή προσέγγιση έχει σημασία, γιατί κανένα μοντέλο, πλατφόρμα ή περιβάλλον διεπαφής δεν είναι κατάλληλο για κάθε επιχείρηση και κάθε περίπτωση χρήσης. Δική μας δουλειά είναι να συνδυάζουμε την κατάλληλη τεχνολογία με εξειδίκευση στον εκάστοτε τομέα, σχεδιασμό ροών εργασίας, διακυβέρνηση και δυνατότητα υλοποίησης και, στη συνέχεια, να επαληθεύουμε ότι ο συνδυασμός αποδίδει μετρήσιμα αποτελέσματα. Κάποιες φορές, το κατάλληλο περιβάλλον διεπαφής θα είναι το κείμενο. Άλλες φορές, θα είναι οπτικό. Όλο και συχνότερα, θα είναι η φωνή — και συχνά ένας προσεκτικά σχεδιασμένος συνδυασμός και των τριών.

Το ερώτημα δεν είναι σε ποια σημεία μπορεί μια επιχείρηση να προσθέσει φωνητική επικοινωνία. Είναι σε ποια σημεία ο διάλογος μπορεί να προσφέρει καλύτερη εμπειρία και καλύτερο αποτέλεσμα, καθώς και αν ο οργανισμός είναι έτοιμος να ανασχεδιάσει την εργασία γύρω από αυτήν.