La cosa più importante dell’IA vocale non è la voce

La cosa più importante dell’IA vocale non è la voce. È l’esperienza che la voce può rendere possibile.

Pensa alla migliore esperienza di assistenza che ti sia mai capitata. Ti sei sentito capito. Non hai dovuto ripeterti, imparare come funzionava l’organizzazione o districarti nella sua complessità interna. Hai spiegato di cosa avevi bisogno e qualcuno, facendo leva sul contesto, sul proprio giudizio e sulla conoscenza dell’organizzazione, ti ha aiutato a raggiungere un esito positivo.

E se le aziende potessero offrire più spesso esperienze di questo tipo, con maggiore coerenza e su scala più ampia?

Questa è la vera promessa degli agenti vocali, non semplicemente sostituire la digitazione con la conversazione o automatizzare ogni interazione umana. Gli agenti vocali spostano l’esperienza dalla navigazione tra i sistemi all’espressione di un’intenzione. Un cliente o un dipendente descrive con parole proprie ciò che vuole fare. L’agente comprende il contesto, coordina dietro le quinte le conoscenze e i sistemi pertinenti, intraprende le azioni consentite e coinvolge una persona quando sono necessari giudizio, empatia o autorità.

Per decenni, le persone si sono adattate alla tecnologia. Abbiamo imparato dove fare clic, quale menu aprire e come tradurre una semplice intenzione in una serie di comandi. L’IA generativa ha iniziato a cambiare le cose, permettendoci di conversare usando il linguaggio di tutti i giorni. La voce compie il passo successivo e comincia a capovolgere completamente il rapporto: la tecnologia si adatta al modo in cui le persone comunicano in modo naturale, mentre la complessità dell’azienda passa in secondo piano.

Perché la voce cambia l’esperienza aziendale

La voce è importante perché riduce gli ostacoli per dipendenti, clienti e nuovi assunti. Un dipendente che chiama il servizio di assistenza non dovrebbe dover sapere quale sistema gestisce un problema o contiene la soluzione. Un cliente non dovrebbe dover ripetere le stesse informazioni passando da un canale all’altro. Un nuovo assunto non dovrebbe essere costretto a limitarsi a materiali di formazione statici, quando potrebbe esercitarsi in una conversazione realistica e ricevere riscontri sul momento.

La voce amplia inoltre l’accesso per chi è lontano da una tastiera, lavora sul campo o semplicemente si trova più a suo agio a parlare che a digitare. Le funzionalità multilingue aiutano le organizzazioni a comunicare con coerenza in aree geografiche diverse, senza trasformare ogni interazione in un progetto a sé.

Eppure, la voce non può sostituire ogni schermo né ogni conversazione umana. I supporti visivi e scritti restano più adatti a confrontare informazioni dense e a esaminare dettagli precisi, mentre il giudizio umano rimane essenziale quando una situazione è ambigua, delicata o suscettibile di conseguenze rilevanti. L’opportunità consiste nell’usare la voce quando la conversazione è il modo più naturale per raggiungere un risultato e nel predisporre passaggi di consegne chiari quando non lo è.

Un’interfaccia vocale non basta

Una voce dal suono naturale non basta. Il valore effettivo dipende dalla capacità dell’agente di migliorare concretamente l’esperienza: ridurre gli ostacoli, mantenere il contesto, accelerare la risoluzione e aiutare una persona a ottenere il risultato giusto. Per riuscirci non basta un’interfaccia efficace. Servono dati e flussi di lavoro connessi, limiti chiari, passaggi di consegne affidabili e responsabilità per ciò che accade in seguito.

È quindi utile distinguere tra sequenze predefinite e intenzioni. Un flusso di lavoro tradizionale stabilisce in anticipo ogni passaggio. Un agente vocale progettato per ottenere risultati, invece, recepisce l’intenzione, comprende le regole e il contesto e adatta il proprio approccio finché non raggiunge l’obiettivo o non diventa necessario il giudizio di una persona.

È utile capire a che punto siano davvero gli acquirenti, perché in poco tempo il settore aziendale ha attraversato tre fasi. Per un certo periodo siamo stati travolti da una frenesia di adozione, in gran parte fine a sé stessa. Poi i dirigenti si sono trovati a dover rispondere dei risultati prodotti da quegli investimenti e spesso non erano in grado di spiegare quale valore avessero ottenuto. Ne è seguito un riorientamento verso i risultati. La domanda non era più soltanto se un’implementazione producesse un risultato, ma anche se per raggiungerlo si compromettesse qualcosa di fondamentale. Si è diffuso un certo scetticismo costruttivo: una reale disponibilità a investire, accompagnata dall’aspettativa che si risponda a entrambe le domande.

Le previsioni indicano la stessa direzione. Gartner prevede che entro il 2029 l’IA agentica risolverà autonomamente l’80% dei problemi più comuni dell’assistenza clienti. Non importa che la percentuale esatta sia l’80%. La parola importante, qui, è risolvere. La conversazione inizia con l’accesso, ma il prodotto è la soluzione.

Un cliente zero sotto gli occhi di tutti

In DXC, una delle nostre prime implementazioni di IA vocale si è svolta in un contesto particolarmente esposto: le nostre conference call sui risultati finanziari. Per tre trimestri consecutivi, l’amministratore delegato Raul Fernandez ha scritto il testo del suo intervento, mentre un modello vocale personalizzato basato sull’IA, realizzato con ElevenLabs, lo leggeva con la sua voce.

La prima call ha dimostrato le capacità fondamentali. Nella seconda, il suo intervento è stato reso disponibile in spagnolo, francese, tedesco, portoghese e arabo. Alla terza, il testo è stato trasmesso simultaneamente in sei lingue. Ogni volta, Raul ha spiegato agli ascoltatori di aver scritto lui stesso il testo e che era un modello di IA a leggerlo.

Una conference call sui risultati finanziari non è un contesto facile: è sottoposta a scrutinio, regolamentata e poco indulgente con tutto ciò che suona anche solo leggermente fuori luogo. Dall’esperimento condotto in quel contesto, anziché in uno più protetto, sono emersi quattro aspetti.

• La paternità del messaggio conta più della modalità di diffusione. Le parole sono sue; il modello si limita a leggerle. Le organizzazioni possono ampliare la comunicazione in più lingue senza cambiare chi ha scritto il messaggio né chi ne resta responsabile.
• La trasparenza ha rafforzato il risultato anziché comprometterlo. All’inizio non era chiaro se annunciare l’uso di una voce generata dall’IA ci avrebbe fatto perdere credibilità. È successo il contrario, mentre l’alternativa — sperare che nessuno se ne accorgesse — sarebbe stata sbagliata sia sul piano etico sia su quello pratico.
• La diffusione multilingue ha apportato un valore concreto. Gli azionisti che altrimenti avrebbero dovuto aspettare una traduzione ascoltano ora le stesse parole, con la stessa voce e nello stesso momento. Questo cambia chi ha pari accesso alle informazioni: non è una semplice efficienza produttiva.
• La fiducia si fonda sulla responsabilità, non sulla perfezione formale. Le persone accettano un messaggio letto dall’IA quando sanno chi lo ha scritto, chi se ne assume la responsabilità e a chi possono rivolgersi. Nulla di tutto questo si percepisce dalla voce in sé.

Questo riflette un principio che applichiamo in LabX, l’incubatore di prodotti nativi dell’IA di DXC: prima di chiedere ai clienti di fidarsi di una tecnologia emergente, dovremmo essere disposti a provarla al nostro interno. Essere il cliente zero fa emergere problemi che una demo impeccabile non può rivelare: dove le persone esitano, dove la fiducia viene meno e quali misure di protezione servono per operare responsabilmente su larga scala. Le sfide più complesse dell’IA in ambito aziendale sono di solito umane, più che tecniche.

Dalle dimostrazioni alla trasformazione delle esperienze

La nostra partnership strategica con ElevenLabs, azienda di IA specializzata in modelli audio e agenti vocali, si fonda su questa esperienza da cliente zero e applica la tecnologia vocale in tre ambiti pratici. In ciascun caso, il punto di partenza è un risultato ben definito, non la semplice implementazione di una tecnologia.

• Nei centri di assistenza, gli agenti vocali possono aiutare i dipendenti a descrivere un problema in modo naturale, reperire le informazioni pertinenti, completare le operazioni di routine e trasferire tutte le informazioni a uno specialista quando è necessario passare il caso a un livello superiore. Il parametro da considerare non è quante chiamate vengono deviate. È se chi ha chiamato riesce a risolvere il problema con una sola interazione, senza doverlo descrivere tre volte.
• Nelle piattaforme per l’esperienza cliente, le interfacce multilingue dal suono naturale rendono più uniformi le interazioni sui canali telefonici e digitali. Nella maggior parte delle organizzazioni che forniscono assistenza, la qualità varia a seconda di chi risponde e del momento. C’è l’opportunità di migliorare davvero: ogni interazione può basarsi sullo stesso contesto, mentre i casi più complessi continuano a essere affidati alle persone più preparate per gestirli.
• Nella formazione, la voce trasforma i contenuti passivi in esercitazioni pratiche. I dipendenti possono simulare una conversazione con un cliente, uno scenario di sicurezza o una difficile discussione con un responsabile, per poi ricevere indicazioni personalizzate. Ci si prepara più rapidamente esercitandosi nella conversazione vera e propria che leggendo informazioni al riguardo.

Le applicazioni specifiche per settore potrebbero essere quelle dalle maggiori ricadute. Le compagnie assicurative possono valutare procedure guidate per la gestione dei sinistri ordinari; i produttori possono offrire ai tecnici sul campo accesso a mani libere alle procedure; le organizzazioni del settore pubblico possono rendere le informazioni più facilmente accessibili in più lingue. Non si tratta di agenti generici applicati a un’organizzazione. Devono essere progettati tenendo conto del vocabolario, delle regole, dei dati e del profilo di rischio di ciascun settore.

Estendere le qualità di un servizio eccellente, non un’interazione preconfezionata

Il rischio, naturalmente, è che la scalabilità si trasformi in uniformità. Le aziende hanno già commesso questo errore: applicare indistintamente un albero decisionale, soddisfacendo il caso medio e deludendo tutti gli altri. Ciò che dovrebbe essere esteso sono le qualità di un’interazione di servizio eccellente — informata, reattiva e orientata a un risultato — mentre l’interazione stessa si adatta alla lingua, al contesto e alle esigenze della persona. Coerenza dovrebbe significare qualità costante, non uniformità.

La fiducia è parte dell’esperienza

Quanto più un agente vocale sembra umano, tanto più diventa importante la trasparenza. Una persona dovrebbe sapere quando sta interagendo con l’IA. Le organizzazioni devono ottenere un’autorizzazione esplicita per creare o utilizzare la voce sintetica di qualcuno, controllare chi può accedervi, adottare sistemi di autenticazione robusti per le operazioni sensibili, registrare ciò che ha fatto l’agente e offrire un modo chiaro per parlare con una persona in carne e ossa.

Spesso questi aspetti vengono trattati come questioni di conformità aggiunte dopo la progettazione dell’esperienza, ma devono invece esserne considerati parte integrante. Se una persona non riesce a capire se sta parlando con un essere umano, non sa cosa l’agente è autorizzato a fare o non riesce a contattare qualcuno quando ne ha bisogno, l’esperienza non è positiva, per quanto naturale possa sembrare la conversazione.

Dovremmo essere precisi su da dove nasce questa fiducia, perché è una responsabilità condivisa. Chi ha sviluppato un modello deve calibrarlo correttamente. La sua messa in produzione — gestione dei dati, controllo degli accessi, registrazione delle azioni e definizione dei momenti in cui subentra una persona — è una questione distinta, che spetta a chi implementa il sistema. Nessuno dei due aspetti può sostituire l’altro. Entrambi sono ancora più importanti nella voce, perché l’interazione avviene in tempo reale, l’agente può agire mentre parla e non c’è uno schermo che mostri alla persona che cosa è appena accaduto per suo conto.

Le indicazioni esterne sono utili in questo ambito. La Federal Trade Commission ha richiamato l’attenzione sui potenziali danni della clonazione vocale dolosa, mentre il framework del NIST per la gestione dei rischi dell’IA offre una struttura pratica per individuare e gestire i rischi legati all’IA. Consenso, trasparenza, sicurezza, test e monitoraggio continuo vanno considerati requisiti fondamentali del prodotto.

Costruire un percorso aperto dalla sperimentazione alla scalabilità

Il mio ruolo ampliato di presidente per l’innovazione e la strategia nell’IA & LabX riunisce due aspetti della stessa sfida: incubare prodotti nativi dell’IA e sviluppare la dimensione commerciale della strategia di DXC per la piattaforma di partner nell’IA. LabX continua a essere un luogo in cui mettere alla prova le tecnologie più avanzate rispetto a problemi concreti dei clienti, ma il suo mandato ora comprende anche l’assistenza ai clienti nell’orientarsi in un ecosistema aperto di partner come Anthropic ed ElevenLabs.

Questo approccio aperto è importante perché nessun modello, piattaforma o interfaccia è adatto a ogni impresa e a ogni caso d’uso. Il nostro compito è combinare la tecnologia giusta con competenze specifiche del settore, progettazione dei flussi di lavoro, governance e capacità di implementazione, quindi verificare che produca risultati misurabili. A volte l’interfaccia più adatta sarà il testo. Altre volte sarà quella visiva. Sempre più spesso sarà la voce, spesso abbinata con criterio a entrambe le altre modalità.

La domanda non è dove un’impresa possa introdurre la voce, ma dove la conversazione possa offrire un’esperienza e un risultato migliori e se l’organizzazione sia pronta a riprogettare il lavoro di conseguenza.