वॉइस एआई के बारे में सबसे अहम बात आवाज़ नहीं है

वॉइस एआई की सबसे अहम बात आवाज़ नहीं है। इसकी अहमियत उस अनुभव में है, जिसे आवाज़ संभव बना सकती है।

सोचिए, आपको अब तक की सबसे अच्छी सेवा का अनुभव कब मिला था। आपको लगा था कि आपकी बात समझी जा रही है। आपको न तो अपनी बात दोहरानी पड़ी, न यह जानना पड़ा कि संगठन कैसे काम करता है और न ही उसकी आंतरिक जटिलताओं से जूझना पड़ा। आपने बताया कि आपको क्या चाहिए, और किसी ने संगठन के संदर्भ, विवेक और जानकारी का इस्तेमाल करके आपको सफल नतीजे तक पहुँचने में मदद की।

क्या हो अगर उद्यम ऐसे अनुभव अधिक नियमित रूप से और बड़े पैमाने पर दे सकें?

वॉइस एजेंटों का असली वादा यही है—सिर्फ़ टाइप करने की जगह बोलना या हर मानवीय संवाद को स्वचालित करना नहीं। वॉइस एजेंट अनुभव को प्रणालियों में रास्ता खोजने से बदलकर अपनी मंशा बताने का अनुभव बना देते हैं। ग्राहक या कर्मचारी अपने शब्दों में बताता है कि वह क्या करना चाहता है। एजेंट संदर्भ समझता है, पर्दे के पीछे उपयुक्त जानकारी और प्रणालियों के बीच तालमेल बिठाता है, अनुमत कार्रवाइयाँ करता है और जहाँ विवेक, सहानुभूति या अधिकार की ज़रूरत हो, वहाँ किसी वास्तविक व्यक्ति को शामिल करता है।

दशकों से लोग ख़ुद को तकनीक के मुताबिक ढालते आए हैं। हमने सीखा कि कहाँ क्लिक करना है, कौन-सा मेन्यू खोलना है और किसी साधारण मंशा को निर्देशों की एक श्रृंखला में कैसे बदलना है। जनरेटिव एआई ने रोज़मर्रा की भाषा में बातचीत की सुविधा देकर यह स्थिति बदलनी शुरू की। आवाज़ इसके आगे का कदम है और इससे यह रिश्ता पूरी तरह उलटने लगता है: तकनीक लोगों के स्वाभाविक संवाद के तरीकों के मुताबिक ढलती है, जबकि उद्यम की जटिलता पृष्ठभूमि में चली जाती है।

आवाज़ उद्यमों में अनुभव को क्यों बदलती है

आवाज़ अहम है, क्योंकि यह कर्मचारियों, ग्राहकों और नए कर्मचारियों—सभी के लिए अड़चनें दूर करती है। सेवा सहायता डेस्क पर फ़ोन करने वाले कर्मचारी को यह जानने की ज़रूरत नहीं होनी चाहिए कि समस्या किस प्रणाली से जुड़ी है या उसका समाधान कहाँ मिलेगा। अलग-अलग माध्यमों के बीच जाने पर ग्राहक को वही जानकारी दोहरानी नहीं पड़नी चाहिए। नए कर्मचारी को केवल स्थिर प्रशिक्षण सामग्री तक सीमित नहीं रहना चाहिए, जबकि वह किसी वास्तविक बातचीत का अभ्यास करके उसी समय प्रतिक्रिया पा सकता है।

आवाज़ उन लोगों के लिए भी पहुँच आसान बनाती है जो कीबोर्ड से दूर हैं, मैदानी काम कर रहे हैं या टाइप करने के बजाय बोलने में अधिक सहज महसूस करते हैं। बहुभाषी क्षमताएँ संगठनों को अलग-अलग भौगोलिक क्षेत्रों में एकसमान संवाद करने में मदद करती हैं, ताकि हर बातचीत के लिए अलग से व्यवस्था न करनी पड़े।

फिर भी, आवाज़ हर स्क्रीन या हर मानवीय बातचीत का विकल्प नहीं है। जटिल जानकारी की तुलना करने और सटीक विवरणों की समीक्षा करने के लिए दृश्य और लिखित माध्यम अब भी बेहतर हैं। इसी तरह, जब कोई स्थिति अस्पष्ट, संवेदनशील या महत्वपूर्ण परिणामों वाली हो, तब मानवीय विवेक अनिवार्य रहता है। अवसर यह है कि जहाँ बातचीत किसी नतीजे तक पहुँचने का सबसे स्वाभाविक रास्ता हो, वहाँ आवाज़ का इस्तेमाल किया जाए और जहाँ ऐसा न हो, वहाँ किसी व्यक्ति तक पहुँचाने की स्पष्ट व्यवस्था बनाई जाए।

सिर्फ़ वॉइस इंटरफ़ेस होना काफ़ी नहीं

सुनने में स्वाभाविक लगने वाली आवाज़ काफ़ी नहीं है। असली मूल्य इस बात से आता है कि एजेंट अनुभव को सार्थक रूप से बेहतर बना सकता है या नहीं—अड़चनें दूर करके, संदर्भ बनाए रखकर, समाधान तक पहुँचने की प्रक्रिया तेज़ करके और किसी व्यक्ति को सही नतीजे तक पहुँचने में मदद करके। इसके लिए आकर्षक इंटरफ़ेस से बढ़कर बहुत कुछ चाहिए। इसके लिए आपस में जुड़ा डेटा और कार्यप्रवाह, स्पष्ट सीमाएँ, भरोसेमंद ढंग से किसी व्यक्ति तक पहुँचाने की व्यवस्था और आगे क्या होता है, इसकी जवाबदेही ज़रूरी है।

इसलिए, पहले से तय चरणों और मंशा के बीच अंतर समझना ज़रूरी है। पारंपरिक कार्यप्रवाह में हर कदम पहले से तय होता है। इसके उलट, नतीजे को ध्यान में रखकर बनाया गया वॉइस एजेंट मंशा जानता है, नियमों और संदर्भ को समझता है और अपना तरीका तब तक बदलता रहता है, जब तक लक्ष्य पूरा न हो जाए या किसी व्यक्ति के विवेक की ज़रूरत न पड़े।

यह जानना मददगार है कि खरीदार वास्तव में किस स्थिति में हैं, क्योंकि कम समय में उद्यम क्षेत्र तीन चरणों से गुज़रा है। कुछ समय तक हम अपनाने की होड़ में थे—मुख्यतः अपनाने के लिए ही अपनाना। फिर नेताओं को उन निवेशों से मिले प्रतिफल के लिए जवाबदेह ठहराया जाने लगा, और वे अक्सर यह स्पष्ट नहीं कर पाते थे कि उन्हें उनसे क्या मूल्य मिला। इसके बाद नतीजों पर नए सिरे से ध्यान दिया गया। सवाल अब सिर्फ़ यह नहीं था कि किसी कार्यान्वयन से कोई नतीजा मिला या नहीं, बल्कि यह भी था कि उसे हासिल करने में किसी अहम चीज़ से समझौता तो नहीं हुआ। इसे उदार संशय कह सकते हैं—निवेश करने की वास्तविक इच्छा, साथ ही यह अपेक्षा कि दोनों सवालों के जवाब मिलें।

पूर्वानुमान भी इसी दिशा की ओर इशारा करते हैं। Gartner को उम्मीद है कि एजेंटिक एआई 2029 तक ग्राहक सेवा से जुड़ी आम समस्याओं में से 80% का स्वायत्त रूप से समाधान कर देगा। सटीक संख्या 80% है या नहीं, इससे फ़र्क नहीं पड़ता। यहाँ अहम शब्द है समाधान। बातचीत की शुरुआत पहुँच से होती है, लेकिन असली उत्पाद समाधान है।

एक बेहद सार्वजनिक मंच पर ख़ुद पहले ग्राहक बनना

DXC में, वॉइस एआई के हमारे शुरुआती प्रयोगों में से एक असामान्य रूप से सार्वजनिक मंच पर हुआ: हमारी आय संबंधी कॉल में। लगातार तीन तिमाहियों तक, CEO Raul Fernandez अपनी तैयार की हुई स्क्रिप्ट लिखते थे, जबकि ElevenLabs के साथ बनाया गया एक कस्टम एआई वॉइस मॉडल उनकी आवाज़ में उसे प्रस्तुत करता था।

पहली कॉल में मुख्य क्षमता दिखाई गई। दूसरी कॉल में उनकी टिप्पणियाँ स्पेनिश, फ़्रेंच, जर्मन, पुर्तगाली और अरबी में साझा की जा सकती थीं। तीसरी कॉल तक स्क्रिप्ट एक साथ छह भाषाओं में प्रसारित की गई। हर बार, Raul ने श्रोताओं को बताया कि शब्द उन्होंने लिखे थे और उन्हें एक एआई मॉडल प्रस्तुत कर रहा था।

कमाई संबंधी कॉन्फ़्रेंस कॉल के लिए यह कोई आसान मंच नहीं है: इसकी कड़ी पड़ताल होती है, यह नियामकीय निगरानी के अधीन होती है और ज़रा-सी भी गलत लगने वाली बात को बर्दाश्त नहीं करती। इस प्रयोग को किसी अधिक सुरक्षित जगह के बजाय वहाँ करने से चार बातें सामने आईं।

• संदेश किसने लिखा, यह उसे किसने सुनाया, उससे ज़्यादा मायने रखता है। ये टिप्पणियाँ उन्हीं की हैं; मॉडल बस उन्हें पढ़ता है। संगठन संदेश लिखने वाले और उसके लिए जवाबदेह व्यक्ति को बदले बिना, कई भाषाओं में संवाद का विस्तार कर सकते हैं।
• जानकारी स्पष्ट करने से नतीजा कमज़ोर होने के बजाय और मज़बूत हुआ। शुरू में यह साफ़ नहीं था कि एआई की आवाज़ की घोषणा करने से हमारी विश्वसनीयता घटेगी या नहीं। हुआ इसका उलट, और दूसरा विकल्प—यह उम्मीद करना कि किसी को पता नहीं चलेगा—नैतिक और व्यावहारिक, दोनों ही आधारों पर गलत होता।
• कई भाषाओं में संदेश पहुँचाने से वास्तविक लाभ मिला। जिन शेयरधारकों को अन्यथा अनुवाद का इंतज़ार करना पड़ता, वे अब वही टिप्पणियाँ, उसी आवाज़ में और उसी समय सुनते हैं। इससे इस बात में बदलाव आता है कि किसे जानकारी तक समान पहुँच मिलती है; यह उत्पादन की दक्षता का मामला नहीं है।
• भरोसा जवाबदेही पर टिका होता है, आवाज़ की चमक-दमक पर नहीं। लोग एआई के ज़रिए सुनाए गए संदेश को तब स्वीकार करते हैं, जब उन्हें पता हो कि उसे किसने लिखा, उसकी ज़िम्मेदारी कौन लेता है और उनके पास शिकायत या समाधान के लिए क्या रास्ता है। इनमें से कुछ भी आवाज़ से सुनाई नहीं देता।

यह LabX में अपनाए गए एक सिद्धांत को दर्शाता है। LabX, DXC का एआई-केंद्रित उत्पाद इनक्यूबेटर है: ग्राहकों से किसी उभरती तकनीक पर भरोसा करने को कहने से पहले, हमें उसे अपने ही परिवेश में परखने के लिए तैयार रहना चाहिए। सबसे पहले स्वयं ग्राहक बनकर काम करने से उन समस्याओं का पता चलता है जिन्हें कोई चमकदार डेमो उजागर नहीं कर सकता—लोग कहाँ झिझकते हैं, भरोसा कहाँ टूटता है और बड़े पैमाने पर ज़िम्मेदारी से काम करने के लिए किन सुरक्षा उपायों की ज़रूरत है। एंटरप्राइज़ में एआई की सबसे कठिन चुनौतियाँ आम तौर पर तकनीकी नहीं, बल्कि मानवीय होती हैं।

डेमो से रूपांतरित अनुभवों तक

ऑडियो मॉडल और वॉइस एजेंट बनाने में विशेषज्ञ एआई कंपनी ElevenLabs के साथ हमारी रणनीतिक साझेदारी इसी अनुभव पर आगे बढ़ती है, जिसमें हमने सबसे पहले स्वयं ग्राहक बनकर काम किया था, और तीन व्यावहारिक क्षेत्रों में वॉइस तकनीक को लागू करती है। हर मामले में शुरुआत किसी स्पष्ट नतीजे से होती है, न कि केवल तकनीक लागू करने से।

• सेवा डेस्क में, वॉइस एजेंट कर्मचारियों को किसी समस्या का स्वाभाविक ढंग से वर्णन करने, उससे जुड़ी जानकारी खोजने, रोज़मर्रा के चरण पूरे करने और मामला आगे बढ़ाने की ज़रूरत पड़ने पर पूरी पृष्ठभूमि किसी विशेषज्ञ तक पहुँचाने में मदद कर सकते हैं। सफलता का माप यह नहीं है कि कितनी कॉलों को आगे भेजने से बचा गया। अहम यह है कि कॉल करने वाले व्यक्ति की समस्या एक ही बातचीत में हल हुई या नहीं—बिना उसे समस्या तीन बार बताए।
• ग्राहक अनुभव मंचों में, स्वाभाविक लगने वाले बहुभाषी इंटरफ़ेस फ़ोन और डिजिटल माध्यमों पर अधिक एकसमान बातचीत संभव बनाते हैं। ज़्यादातर सेवा संगठनों में सेवा की गुणवत्ता इस बात से बदलती रहती है कि जवाब कौन दे रहा है और कब दे रहा है। इसमें वास्तविक सुधार की गुंजाइश है—हर बातचीत में एक ही संदर्भ का लाभ लिया जा सकता है, जबकि सबसे कठिन मामलों को अब भी उन लोगों तक पहुँचाया जा सकता है जो उन्हें सँभालने के लिए सबसे उपयुक्त हैं।
• प्रशिक्षण में, वॉइस तकनीक निष्क्रिय सामग्री को अभ्यास में बदल देती है। कर्मचारी ग्राहक से बातचीत, सुरक्षा संबंधी परिस्थिति या प्रबंधन से जुड़ी कठिन चर्चा का अभ्यास कर सकते हैं और फिर अपनी ज़रूरत के मुताबिक मार्गदर्शन पा सकते हैं। लोग उस बातचीत के बारे में पढ़ने की तुलना में, उसका वास्तविक अभ्यास करके जल्दी दक्ष बनते हैं।

किसी खास उद्योग के लिए बनाए गए अनुप्रयोगों का असर शायद सबसे बड़ा हो सकता है। बीमा कंपनियाँ नियमित दावों के लिए निर्देशित जानकारी-संग्रह की पड़ताल कर सकती हैं; विनिर्माता मैदानी तकनीशियनों को प्रक्रियाओं तक हाथों का इस्तेमाल किए बिना पहुँच दे सकते हैं; और सार्वजनिक क्षेत्र के संगठन कई भाषाओं में जानकारी पाना आसान बना सकते हैं। ये किसी संगठन के ऊपर रखे गए सामान्य एजेंट नहीं हैं। इन्हें हर उद्योग की शब्दावली, नियमों, डेटा और जोखिम-प्रोफ़ाइल के अनुरूप बनाया जाना चाहिए।

बेहतर सेवा के गुणों का विस्तार करें, किसी तय बातचीत का नहीं

जोखिम यह है कि विस्तार के साथ हर अनुभव एक जैसा बन जाए। उद्यम पहले भी यह गलती कर चुके हैं: एक ही निर्णय-वृक्ष को हर जगह लागू करना, जो औसत मामले को तो संतुष्ट करता है, लेकिन बाकी सभी को निराश करता है। वास्तव में जिन गुणों का विस्तार होना चाहिए, वे हैं बेहतर सेवा-बातचीत के गुण—जानकारी से लैस, तुरंत प्रतिक्रिया देने वाली और नतीजे पर केंद्रित—जबकि बातचीत को व्यक्ति की भाषा, संदर्भ और ज़रूरत के अनुसार ढलना चाहिए। एकरूपता का अर्थ लगातार अच्छी सेवा होना चाहिए, न कि हर बार बिल्कुल एक जैसा अनुभव।

भरोसा भी अनुभव का हिस्सा है

वॉइस एजेंट जितना अधिक मानवीय सुनाई देता है, पारदर्शिता उतनी ही ज़रूरी हो जाती है। व्यक्ति को पता होना चाहिए कि वह एआई से बातचीत कर रहा है। किसी की कृत्रिम आवाज़ बनाने या इस्तेमाल करने के लिए संगठनों को स्पष्ट अनुमति लेनी चाहिए, यह नियंत्रित करना चाहिए कि उस तक किसकी पहुँच हो, संवेदनशील कार्रवाइयों के लिए मज़बूत प्रमाणीकरण रखना चाहिए, एजेंट ने क्या किया इसका रिकॉर्ड रखना चाहिए और किसी वास्तविक व्यक्ति से संपर्क का स्पष्ट रास्ता देना चाहिए।

अक्सर इन बातों को अनुभव तैयार होने के बाद जोड़ दी जाने वाली अनुपालन संबंधी आवश्यकता माना जाता है, लेकिन इन्हें अनुभव का ही हिस्सा मानना चाहिए। जो व्यक्ति यह नहीं बता सकता कि वह किसी इंसान से बात कर रहा है या नहीं, यह नहीं जान सकता कि एजेंट को क्या करने की अनुमति है, या ज़रूरत पड़ने पर किसी व्यक्ति तक नहीं पहुँच सकता, उसे अच्छा अनुभव नहीं मिल रहा है—भले ही बातचीत कितनी भी स्वाभाविक क्यों न लगे।

हमें यह स्पष्ट करना चाहिए कि यह भरोसा कहाँ से आता है, क्योंकि यह दोतरफ़ा होता है। मॉडल बनाने वालों को उसे सही ढंग से अंशांकित करना होता है। उसके आसपास की तैनाती—डेटा का प्रबंधन, पहुँच नियंत्रण, दर्ज की गई कार्रवाइयाँ और वे स्पष्ट बिंदु जहाँ कोई व्यक्ति ज़िम्मेदारी संभालता है—एक अलग समस्या है, जिसकी ज़िम्मेदारी सिस्टम को उत्पादन में लागू करने वाले की होती है। इनमें से कोई भी दूसरे का विकल्प नहीं है। आवाज़ के मामले में दोनों और भी महत्वपूर्ण हैं, क्योंकि बातचीत वास्तविक समय में होती है, एजेंट बात करते हुए कार्रवाई कर सकता है, और कोई स्क्रीन नहीं होती जो व्यक्ति को दिखाए कि उसकी ओर से अभी क्या हुआ।

इस मामले में बाहरी मार्गदर्शन मददगार है। Federal Trade Commission ने आवाज़ की दुर्भावनापूर्ण नकल से होने वाले संभावित नुकसानों को रेखांकित किया है, और NIST का AI जोखिम प्रबंधन ढाँचा AI जोखिमों की पहचान और प्रबंधन के लिए एक व्यावहारिक संरचना देता है। सहमति, जानकारी का खुलासा, सुरक्षा, परीक्षण और निरंतर निगरानी को उत्पाद की मूलभूत आवश्यकताओं के रूप में लें।

प्रयोग से बड़े पैमाने पर विस्तार तक का खुला रास्ता बनाना

AI नवाचार और रणनीति एवं LabX के अध्यक्ष के रूप में मेरी विस्तारित भूमिका इस चुनौती के दो पहलुओं को एक साथ लाती है: AI-आधारित उत्पादों को विकसित करना और DXC की AI भागीदार प्लेटफ़ॉर्म रणनीति के व्यावसायिक पक्ष को आगे बढ़ाना। LabX वास्तविक ग्राहकों की समस्याओं के संदर्भ में अत्याधुनिक तकनीकों को परखने की जगह बना हुआ है, लेकिन अब इसके दायित्व में ग्राहकों को Anthropic और ElevenLabs जैसे भागीदारों के खुले इकोसिस्टम में राह खोजने में मदद करना भी शामिल है।

यह खुला दृष्टिकोण महत्वपूर्ण है, क्योंकि कोई एक मॉडल, प्लेटफ़ॉर्म या इंटरफ़ेस हर उद्यम और हर उपयोग के मामले के लिए उपयुक्त नहीं होगा। हमारा काम सही तकनीक को क्षेत्र-विशेष की विशेषज्ञता, कार्यप्रवाह की रूपरेखा, शासन-व्यवस्था और उसे लागू करने की क्षमता के साथ जोड़ना और फिर यह सुनिश्चित करना है कि इससे मापने योग्य नतीजा मिले। कभी सही इंटरफ़ेस टेक्स्ट होगा। कभी वह दृश्य होगा। और अब आवाज़ का इस्तेमाल बढ़ता जाएगा—अक्सर इन तीनों के सोच-समझकर किए गए मेल के रूप में।

सवाल यह नहीं है कि कोई उद्यम आवाज़ का इस्तेमाल कहाँ जोड़ सकता है। सवाल यह है कि बातचीत कहाँ बेहतर अनुभव और बेहतर नतीजा दे सकती है, और क्या संगठन इसके इर्द-गिर्द काम को नए सिरे से ढालने के लिए तैयार है।