एंटरप्राइज़ वॉयस एआई को अधिक व्यक्तित्व की जरूरत नहीं है। इसे डिज़ाइन द्वारा सहानुभूति चाहिए।

मैं 2017 से वॉयस क्षेत्र में काम कर रहा हूँ, इतना समय कि एक हाइप साइकिल को देख चुका हूँ और दूसरी साइकिल को वास्तविक गति मिलते देख रहा हूँ। जबकि यह दूसरी लहर तकनीकी रूप से अधिक प्रभावशाली है, इसके आसपास की बातचीत संख्याओं में घट गई है। बहुत कम हिस्सा इस बात से जुड़ा है कि लोग वास्तव में कैसे बोलते हैं और मैं कहूँगा कि हमने भाषा विज्ञान और मनोविज्ञान के साथ वह उत्साही संबंध खो दिया है जो वॉयस के शुरुआती चरणों को चिह्नित करता था।

घोषणाओं को स्कैन करें, और आप विलंबता आँकड़े, समाधान दरें, और एजेंट क्या कर सकते हैं इस बारे में महत्वाकांक्षी दावे देखेंगे। ये सभी महत्वपूर्ण हैं, लेकिन एक सुंदर रूप से बोला गया एजेंट बेकार है यदि वह कार्य पूरा नहीं कर सकता। विशेष रूप से, एंटरप्राइज़ वॉयस उत्पाद धीरे-धीरे समान आधारभूत मॉडलों के पूल से खींचते जा रहे हैं, जिसका अर्थ है कि गति वास्तव में केवल न्यूनतम मानक है।

अंतर पूरी तरह से अलग जगह पर बैठता है। एजेंट क्या जानता है? वह क्या कर सकता है? इंटरैक्शन कैसे महसूस होता है जबकि वह यह कर रहा है? सबसे महत्वपूर्ण बात, क्या ग्राहक को अतिरिक्त काम करना पड़ता है क्योंकि एजेंट एक मशीन है?

यहीं से सहानुभूति-प्रधान वॉयस डिज़ाइन शुरू होता है। मेरा मतलब गर्म आवाज़ या सहानुभूतिपूर्ण वाक्य जोड़ना नहीं है। मेरा मतलब कॉलर के इरादे, संज्ञानात्मक भार और संभावित भावनात्मक स्थिति के आसपास डिज़ाइन करना है। एजेंट को वह सब जानना चाहिए जो व्यवसाय पहले से जानता है, जो वह कर रहा है उसे समझाना चाहिए, जब वह कुछ गलत समझे तो साफ़‑साफ़ ठीक होना चाहिए, और काम पूरा होने पर बात बंद कर देनी चाहिए।

A warm synthetic voice that asks for the same account number three times has not made the call any easier and the warmth is not doing any work.

Empathy Is Not a Voice Setting

एक आवाज़ विचारशील सुनाई दे सकती है जबकि उसके पीछे की प्रणाली समस्या को समझती नहीं है या उपयोगी कुछ करने में सक्षम नहीं है। ग्राहक कोई आउटेज, विवादित बिल, या कई टीमों को प्रभावित करने वाले इम्प्लीमेंटेशन ब्लॉकर के बारे में कॉल कर सकता है। यदि एजेंट केवल FAQ जानता है, तो गर्म या पॉलिश्ड टोन अनुभव को सहानुभूतिपूर्ण नहीं बनाएगा। एजेंट को यह जानना चाहिए कि कौन कॉल कर रहा है, उसने क्या खरीदा है, उसके खाते पर अंतिम इंटरैक्शन क्या था, और ग्राहक की मदद के लिए उसे क्या करने की अनुमति है।

एक एंटरप्राइज़ वॉयस एजेंट को सही ग्राहक और उत्पाद संदर्भ, उचित अनुमतियों के साथ चाहिए, ताकि वह उत्तर दे सके और कार्रवाई कर सके जबकि व्यक्ति अभी भी लाइन पर है। कॉलर को खोज परिणामों को ज़ोर से सुनाने की जरूरत नहीं है। उन्हें रिफंड जारी करना, रिकॉर्ड सुधारना, या सही विशेषज्ञ को लाना पड़ सकता है।

मैं सहानुभूति को दोनों, एक डिज़ाइन अनुशासन और एक सिस्टम आवश्यकतानुसार देखता हूँ। वार्तालाप डिज़ाइन तय करता है कि एजेंट कैसे व्यवहार करता है। आधारभूत वास्तुकला तय करती है कि क्या वह उपयोगी होने के लिए पर्याप्त जानता है। मैं संयुक्त परिणाम को वॉयस के उत्पाद टेक्सचर के रूप में सोचता हूँ: प्रणाली क्या जानती है, वह उस ज्ञान का कैसे उपयोग करती है, अनिश्चितता को कैसे संभालती है, और वार्तालाप समाप्त होने पर व्यक्ति कैसा महसूस करता है।

Voice Creates a Social Contract

वॉयस कोई तटस्थ इंटरफ़ेस नहीं है। हाल ही में मैं एक क्लाइंट के साथ कॉल पर था और डेमो एजेंट की आवाज़ महिला थी। एक मिनट के भीतर, कमरे में लोग उसे “वह” कहने लगे। किसी ने इस निर्णय की घोषणा नहीं की, यह बस बातचीत का स्वाभाविक विस्तार था।

यह प्रभाव जेनरेटिव एआई से पहले का है। 1994 में शोध ने कंप्यूटरों को सामाजिक अभिनेताओं के रूप में देखा, जहाँ क्लिफ़ोर्ड नास, जोनाथन स्टेयर और एलेन टॉबर ने दिखाया कि लोग कंप्यूटरों को सामाजिक प्रतिक्रियाएँ देते हैं यहाँ तक कि जब उन्हें पता होता है कि वे मशीन के साथ इंटरैक्ट कर रहे हैं। वॉयस समय, आत्मविश्वास और स्वर के माध्यम से उस प्रतिक्रिया को तीव्र करता है।

यह बदलता है कि विफलता कैसे महसूस होती है। उदाहरण के लिए, एक टेक्स्ट बॉक्स जो गलत लिंक देता है वह निराशाजनक है, और एक आवाज़ जो आपके ऊपर बात करती है, दो बार वही बिंदु समझती है, और यह कहती है कि उसने समस्या हल कर ली है, वह रूखा लगती है। तकनीक ने भावनाएँ विकसित नहीं की हैं। कॉलर ने की हैं।

विश्वास पहले से ही पतला है। 2025 का एक वैश्विक अध्ययन जो यूनिवर्सिटी ऑफ मेलबर्न और KPMG द्वारा किया गया, 47 देशों में 48,000 से अधिक लोगों का सर्वेक्षण किया। पाया गया कि 66 % लोग नियमित रूप से एआई का उपयोग करते हैं, लेकिन केवल 46 % लोग इसे भरोसा करने को तैयार हैं। हर वॉयस इंटरैक्शन या तो थोड़ा भरोसा कमाता है या उसे खर्च करता है।

एक नैतिक तनाव भी है। उद्योग अक्सर सबसे मानव‑समान एजेंट को सबसे अच्छा मानता है। लेकिन लोग धोखा नहीं चाहते। जब मैं एक एजेंट डिज़ाइन करता हूँ, तो मैं चाहता हूँ कि वह खुद को पहचानाए, यह समझाए कि वह क्या एक्सेस कर सकता है, और कोई महत्वपूर्ण कार्य करने से पहले यह बताए कि वह क्या करने वाला है। पारदर्शिता को बातचीत का हिस्सा होना चाहिए।

Design for the Ear, Not the Eye

स्क्रीन क्षमाशील होती है। लोग स्कैन कर सकते हैं, फिर से पढ़ सकते हैं, और वापस स्क्रॉल कर सकते हैं। आवाज़ सुनते‑सुनते गायब हो जाती है, जिससे संज्ञानात्मक भार एक व्यावहारिक डिज़ाइन प्रतिबंध बन जाता है न कि शैक्षणिक फुटनोट।

Nelson Cowan की समीक्षा कार्यशील स्मृति के बारे में बताती है कि युवा वयस्कों में केंद्रीय भंडार लगभग तीन से पाँच सार्थक आइटम तक सीमित है। फिर भी वॉयस सिस्टम अभी भी लंबे मेनू पढ़ते हैं और कई प्रश्नों को एक ही टर्न में जोड़ते हैं। अधिकांश लोग इसे एक साथ नहीं रख पाते, विशेष रूप से जब वे विचलित होते हैं, गाड़ी चला रहे होते हैं, या पहले से ही परेशान होते हैं।

एक टेक्स्ट चैटबॉट को केवल टेक्स्ट‑टू‑स्पीच देकर वॉयस उत्पाद नहीं कहा जा सकता। मूल वॉयस डिज़ाइन छोटे टर्न का उपयोग करता है, महत्वपूर्ण जानकारी पहले रखता है, और कॉलर को बाधित करने की जगह देता है। यह यह भी पहचानता है कि बातचीत में हर अंतराल को भरने की जरूरत नहीं है, इसलिए जबकि गति महत्वपूर्ण है, मूल वॉयस डिज़ाइन तब “पढ़” सकता है जब बातचीत समाप्त हो गई हो।

मेरी पृष्ठभूमि में सामाजिक‑सांस्कृतिक भाषाविज्ञान शामिल है, जो देखता है कि भाषा लोगों के बीच और सामाजिक सेटिंग्स में कैसे काम करती है। यह वॉयस डिज़ाइन में उपयोगी है क्योंकि यह हमें गति, स्वर, टर्न‑टेकिन्ग और मरम्मत जैसे पहलुओं के लिए सटीक शब्दावली देता है। “इसे प्राकृतिक बनाओ” कोई डिज़ाइन निर्देश नहीं है। यह वर्णन करने में सक्षम होना कि बातचीत कैसे काम करनी चाहिए, टीमों को कुछ ऐसा देता है जिसे वे वास्तव में बना सकें।

What Empathy-Led Design Looks Like

सहानुभूति‑प्रधान डिज़ाइन का मतलब एजेंट को अधिक गर्म या अधिक मानवीय बनाना नहीं है। इसका अर्थ है बातचीत को व्यक्ति की स्थिति के आसपास आकार देना, कार्य पूरा करने के लिए आवश्यक प्रयास को कम करना, और विफलता को संभालना बिना उनकी निराशा बढ़ाए। व्यवहार में, यह कुछ बुनियादी डिज़ाइन विकल्पों से शुरू होता है।

Start With Why the Person Called

लोग कंपनी की टैक्सोनॉमी नेविगेट करने के लिए नहीं कॉल करते। वे इसलिए कॉल करते हैं क्योंकि कुछ टूट गया है, देर हो रही है, या भ्रमित कर रहा है। एक कॉलर जो कहता है, “मुझे यह डिलीवरी रोकनी है,” उसे सामान्य ऑर्डर‑स्टेटस स्क्रिप्ट में धकेला नहीं जाना चाहिए। एजेंट को यह स्थापित करना चाहिए कि कौन सी डिलीवरी है और क्या वह अभी भी हस्तक्षेप कर सकता है।

Use Context to Remove Repetition

सहानुभूति अक्सर सबसे अधिक दिखाई देती है उस चीज़ में जो सिस्टम नहीं पूछता। यदि व्यवसाय पहले से ही जानता है कि ग्राहक कौन है, वह कौन सा उत्पाद उपयोग करता है, और पहले क्या हुआ, तो एजेंट को वह स्वीकृत संदर्भ उपयोग करना चाहिए न कि कॉलर को उसे फिर से बनाना पड़े।

यह बात व्यवसाय के भीतर भी लागू होती है। एक सेल्सपर्सन को मीटिंग के बीच में यह पूछने में सक्षम होना चाहिए कि खाते में क्या बदला, फॉलो‑अप को डिक्टेट करना और अपडेट को सही सिस्टम में लिखना। मूल्य यह है कि बिना संदर्भ खोए या अधिक प्रशासनिक काम पैदा किए गति बनी रहे।

Design the Repair Before the Happy Path

हर वॉयस सिस्टम किसी न किसी को गलत सुन लेगा। उच्चारण, पृष्ठभूमि शोर, अपरिचित नाम, और बाधाएँ इसे अपरिहार्य बनाते हैं। उत्पाद इस बात से परिभाषित होता है कि आगे क्या होता है। सबसे बुरा पुनर्प्राप्ति पैटर्न वही प्रश्न वही शब्दों में दोहराना है। एक बेहतर प्रतिक्रिया यह बताती है कि एजेंट ने क्या समझा और अनिश्चितता को घटाती है। यदि मुद्दे को निर्णय या एक्सेस चाहिए जो एजेंट के पास नहीं है, तो उसे कॉलर को मांगने से पहले एक व्यक्ति को शामिल करना चाहिए।

Respect the Handoff and the Exit

कॉलर को व्यक्ति को सौंपना विफलता नहीं है। बिना बातचीत के संदर्भ के उन्हें सौंपना ही विफलता है। यदि एजेंट कॉल को बिना यह बताए ट्रांसफ़र करता है कि ग्राहक ने क्या कहा, क्या पहचाना, और क्या पहले कोशिश की, तो ग्राहक को फिर से शुरू करना पड़ेगा। यही वह काम है जो एआई को हटाना चाहिए।

यह बात तब भी लागू होती है जब समस्या हल हो गई हो। कभी‑कभी सबसे अच्छा वॉयस अनुभव एक प्रश्न, एक सटीक उत्तर, और एक क्लिक होता है। कॉलर ज़रूरी नहीं कि एजेंट को धन्यवाद दें या पुष्टि करें कि उनका प्रश्न हल हो गया है, इससे पहले कि वे कॉल समाप्त करें। यदि उनके पास वह है जो उन्हें चाहिए, तो इंटरैक्शन सफल रहा।

Measure Effort, Not Performance Theater

एक पूरी तरह से हल किया गया एक‑बार कॉल बाउंस जैसा दिख सकता है क्योंकि ग्राहक संतुष्टि की पुष्टि किए बिना कॉल समाप्त कर देता है। यदि सफलता का मतलब लंबी स्क्रिप्ट पूरी करना है, तो टीमें लंबी बातचीत को अनुकूलित करेंगी और इसे एंगेजमेंट कहेंगी।

I would rather measure repeat calls, corrections, avoidable transfers, and whether the requested action was completed. Broader satisfaction scores like NPS still matter, but the conversation itself reveals where the customer had to work harder than they should have.

फ़रवरी 2026 में, Gartner ने रिपोर्ट किया कि 91 % ग्राहक सेवा और सपोर्ट लीडर एआई लागू करने के लिए कार्यकारी दबाव में थे। यह दबाव यह मापना और भी महत्वपूर्ण बनाता है कि क्या ऑटोमेशन वास्तव में काम को हटाता है। एक वॉयस एजेंट जो दोहराए गए कॉल, अनावश्यक ट्रांसफ़र या लंबी बातचीत बनाता है, कागज़ पर प्रभावी लग सकता है जबकि वास्तव में लागत को कहीं और ले जाता है। अर्थव्यवस्था तब सुधरती है जब सिस्टम सही काम को हल करता है, अनावश्यक टर्न से बचता है और ग्राहकों को महंगे चैनल के माध्यम से वापस आने से रोकता है।

Capability and Empathy Belong Together

एंटरप्राइज़ वॉयस मार्केट अब केवल प्राकृतिक भाषण से आगे बढ़ रहा है। अब मायने रखता है कि एजेंट कॉलर की जरूरतों को समझ सके, सही व्यवसायिक संदर्भ तक पहुंच सके, सटीक और सुरक्षित रूप से कार्य कर सके, और जब बातचीत स्क्रिप्ट से बाहर हो जाए तो उचित प्रतिक्रिया दे सके।

Empathy‑led design का उद्देश्य एजेंट को अधिक बातूनी बनाना नहीं है। सही ढंग से किया जाए तो यह दोहराव को हटाता है, व्याख्याओं को छोटा करता है और कॉलर को मशीन को संभालने से बचाता है। कभी‑कभी खुशी बस यह महसूस करना है कि कोई कठिन काम आसान हो गया।

The most important question I ask when building any AI product is brutally simple: why would anybody bother? Voice earns its place when it makes something noticeably easier, rather than giving people more work to finish.

Before launching a voice agent, listen to failed conversations, not just polished demos. Did it understand why the person called? Did it know enough to solve the problem? When it failed, did it make the next step easier or harder?

If the answer is unclear, more personality, lower latency, and a more human voice will not rescue it.