音声AIで最も重要なのは、音声そのものではない

音声AIで最も重要なのは、音声そのものではありません。音声によって実現できる体験こそが重要です。

これまでに経験した中で、最も優れたサービスについて考えてみてください。自分のことを理解してもらえたと感じたはずです。同じことを何度も説明したり、組織の仕組みを理解したり、内部の複雑さをかいくぐったりする必要はありませんでした。必要なことを伝えると、相手が状況を踏まえた判断と組織に関する知識を生かし、望ましい結果にたどり着けるよう支援してくれたのです。

企業が、そうした体験をより多く、より安定して、大規模に提供できるとしたらどうでしょうか。

それこそが音声エージェントの真の可能性です。単に入力を会話に置き換えたり、人とのやり取りをすべて自動化したりすることではありません。音声エージェントは、システムを操作する体験を、意図を伝える体験へと変えます。顧客や従業員は、達成したいことを自分の言葉で説明します。エージェントはその状況を理解し、適切な知識やシステムを裏側で連携させ、許可された操作を実行します。そして、判断力や共感、権限が必要な場合には、実際の担当者につなぎます。

何十年もの間、人々はテクノロジーに合わせてきました。どこをクリックし、どのメニューを開き、単純な意図を一連の指示にどう置き換えるかを学んできたのです。生成AIは、日常的な言葉でやり取りできるようにすることで、この状況を変え始めました。音声はさらに一歩進み、その関係を根本から逆転させます。つまり、テクノロジーが人々の自然なコミュニケーションの仕方に適応し、企業の複雑さは背景に退いていくのです。

音声が企業体験を変える理由

音声は、従業員、顧客、新入社員のいずれにとっても、利用の妨げとなる手間を減らすため重要です。サービスデスクに電話する従業員が、問題を管理するシステムや解決策が置かれているシステムを知っている必要はありません。顧客は、チャネルを移るたびに同じ情報を繰り返し伝えなくてよいはずです。新入社員も、実践的な会話を練習してその場でフィードバックを受けられるなら、決まった研修資料だけに頼る必要はありません。

音声は、キーボードから離れた場所にいる人や、現場で働く人、あるいは単に入力よりも話すほうが楽だと感じる人にも、利用の機会を広げます。多言語機能があれば、やり取りのたびに個別の制作作業を行わなくても、地域をまたいで一貫したコミュニケーションを実現できます。

とはいえ、音声はあらゆる画面や人との会話に取って代わるものではありません。複雑な情報を比較したり、細部を正確に確認したりするには、視覚的な媒体や文章のほうが適しています。また、状況が曖昧な場合や、慎重な対応を要する場合、重大な結果を伴う場合には、人の判断が欠かせません。重要なのは、会話が目的達成への最も自然な手段となる場面で音声を活用し、そうでない場合には、明確に担当者へ引き継ぐ仕組みを設計することです。

音声インターフェースだけでは不十分

自然な音声だけでは不十分です。実際の価値は、エージェントが体験をどれだけ有意義に改善できるかによって決まります。手間を減らし、状況を引き継ぎ、解決を早め、適切な結果にたどり着けるよう支援することが重要です。そのためには、魅力的なインターフェースだけでなく、データとワークフローの連携、明確な境界、信頼できる引き継ぎ、そしてその後の対応に対する責任が必要です。

ここでは、手順をあらかじめ決めることと、意図に基づいて動くことを区別する必要があります。従来のワークフローでは、すべての手順を事前に定めます。一方、成果を軸に設計された音声エージェントは、意図を受け取り、ルールと状況を理解したうえで、目標が達成されるか、人の判断が必要になるまで対応を調整します。

短期間に企業の取り組みが3つの段階を経てきたことを踏まえると、導入企業が現在どの段階にいるのかを把握するのに役立ちます。しばらくの間、私たちは導入そのものが目的化した、導入熱の高まりの中にいました。その後、リーダーたちは投資によって何が得られたのかについて説明責任を負うようになりましたが、実際に得られた価値を説明できないことも少なくありませんでした。そこで、成果を重視する方向へと見直しが進みました。問われるのは、導入によって成果が得られたかどうかだけではなく、その成果を得るために重要なものを損なわなかったかどうかでもあります。そこには、投資に前向きな姿勢と、両方の問いに答えることへの期待が共存する、ある種の寛容な懐疑心があります。

予測も同じ方向を示しています。Gartnerは、2029年までに、エージェント型AIが一般的なカスタマーサービスの問題の80%を自律的に解決すると見込んでいます。正確な数字が80%かどうかは重要ではありません。ここで重要な言葉は解決するです。会話は窓口となり、提供される価値は問題の解決にあります。

大勢の注目を集める場でのカスタマーゼロ

DXCで初期に導入した音声AIの一つは、ひときわ注目を集める場、つまり決算説明会で活用されました。3四半期連続で、CEOのRaul Fernandezが用意した原稿を執筆し、ElevenLabsと構築したカスタムAI音声モデルが本人の声で読み上げました。

最初の説明会では、基本的な機能を実証しました。2回目には、発言をスペイン語、フランス語、ドイツ語、ポルトガル語、アラビア語でも届けられるようになりました。3回目には、原稿が6つの言語で同時に配信されました。いずれの回でも、Raulは自分が原稿を書き、AIモデルがそれを読み上げていると聴衆に伝えました。

決算説明会は、簡単な場ではありません。厳しく精査され、規制もあり、少しでも不自然に聞こえるものには容赦がありません。より安全な場ではなく、そこで実験を行ったことで、4つのことが明らかになりました。

• 伝え方よりも、誰が書いたかが重要です。発言の内容を書いたのは本人で、モデルはそれを読み上げるだけです。組織は、メッセージを書いた人や、その責任を負う人を変えることなく、複数の言語でコミュニケーションを展開できます。
• 開示したことで、成果が損なわれるどころか、むしろ強まりました。AI音声を使うと公表すれば、信頼性が損なわれるのではないかと、当初ははっきりしませんでした。しかし、実際にはその逆でした。また、誰にも気づかれないことを期待するという選択肢は、倫理面でも実務面でも誤りだったでしょう。
• 多言語での発信には、確かな価値がありました。翻訳を待つしかなかった株主も、同じ発言を、同じ声で、同じタイミングで聞けるようになりました。これは情報への平等なアクセスを得られる人の範囲を変えるものであり、制作効率の改善ではありません。
• 信頼を支えるのは、声の仕上がりではなく、説明責任です。誰がメッセージを書き、誰がその責任を負い、問題が起きたときにどのような救済手段があるのかを知っていれば、人々はAIが伝えるメッセージを受け入れます。こうしたことは、声そのものからは伝わりません。

これは、DXCのAIネイティブ製品インキュベーターであるLabXで私たちが実践している原則を反映しています。お客様に新興技術を信頼してもらう前に、まず自社の環境で試すべきです。自らが最初の顧客になることで、洗練されたデモでは見えない問題、つまり人々がためらう場面、信頼が損なわれる場面、そして大規模に責任を持って運用するために必要なガードレールが明らかになります。企業におけるAIの最も難しい課題は、たいてい技術的なものではなく、人に関わるものです。

デモから、変革をもたらす体験へ

音声モデルと音声エージェントを専門とするAI企業ElevenLabsとの戦略的パートナーシップは、カスタマーゼロとして得た経験を土台に、実用的な3つの領域で音声技術を活用するものです。いずれの場合も、出発点となるのは、単なる技術の導入ではなく、明確に定められた成果です。

• サービスデスクでは、音声エージェントが、従業員が自然な言葉で問題を説明し、関連するナレッジを検索し、定型的な手順を完了できるよう支援します。また、エスカレーションが必要な場合には、状況の全容を専門担当者に引き継ぐこともできます。評価すべきなのは、何件の問い合わせを回避できたかではありません。電話をかけた人が、問題を3回説明せずに、1回のやり取りで解決にたどり着けたかどうかです。
• 顧客体験プラットフォームでは、自然な音声による多言語インターフェースによって、電話とデジタルの各チャネルで、より一貫性のあるやり取りを実現できます。多くのサービス組織では、対応の質が、誰がいつ応答するかによって変わります。改善の余地は大いにあります。すべてのやり取りに同じコンテキストを活用しながら、特に難しい案件は、対応に最も適した人へ引き続き引き継ぐことができます。
• トレーニングでは、音声によって、受け身のコンテンツを実践の場に変えられます。従業員は、顧客との会話、安全に関するシナリオ、難しいマネジメント上の話し合いなどを練習し、その後、自分に合わせたコーチングを受けられます。実際の会話を練習するほうが、それについて読むよりも、早くスキルを身につけられます。

最も大きな影響をもたらす可能性があるのは、業界に特化した用途です。保険会社は定型的な保険金請求の受付をガイドする仕組みを検討でき、製造業では現場の技術者が両手を使わずに作業手順へアクセスできるようにできます。また、公共機関は複数の言語で情報をより簡単に入手できるようにできます。これらは、組織の上に載せる汎用エージェントではありません。それぞれの業界の用語、規則、データ、リスク特性に合わせて設計する必要があります。

定型的なやり取りではなく、優れたサービスの質を広げる

もちろん、規模を広げることで、どこも同じになってしまうリスクがあります。企業はこれまでにも、同じ過ちを犯してきました。決定木を一律に適用し、平均的なケースには対応できても、それ以外の人々にはうまく対応できないという過ちです。実際に広げるべきなのは、優れたサービスのやり取りが備える特質、つまり十分な情報に基づき、相手に応じて対応し、成果を重視することです。一方で、やり取りそのものは、相手の言語、状況、ニーズに合わせて変化させる必要があります。一貫性とは、常に良質なサービスを提供することであって、すべてを同一にすることではありません。

信頼も体験の一部

音声エージェントの声が人間らしくなるほど、透明性がいっそう重要になります。AIとやり取りしていることを、利用者が認識できるようにすべきです。組織には、誰かの合成音声を作成または使用するための明確な許可、その音声にアクセスできる人を管理する仕組み、機密性の高い操作に対する強固な認証、エージェントが行ったことの記録、そして実際の人間に確実につながる手段が必要です。

こうした対策は、体験を設計した後で付け加えるコンプライアンス上の課題として扱われがちですが、体験そのものの一部として捉えなければなりません。相手が人間かどうかを見分けられず、エージェントに何をする権限があるのか分からず、必要なときに人間の担当者へ連絡できないのであれば、会話がどれほど自然に聞こえても、良い体験とは言えません。

その信頼がどこから生まれるのかは、正確に捉える必要があります。信頼は双方向のものだからです。モデルは、開発した人々が適切に調整しなければなりません。一方、データの取り扱い、アクセス制御、操作の記録、人が引き継ぐタイミングの明確化など、モデルを取り巻く本番環境への導入は、システムを本番稼働させる側が担う別の課題です。どちらか一方で、もう一方を補うことはできません。音声では対話がリアルタイムで進み、エージェントが話しながら動作することもあり、相手が自分に代わって何が行われたのかを示す画面もないため、どちらもいっそう重要になります。

外部の指針も役立ちます。米連邦取引委員会は悪意ある音声クローンの潜在的な危害を指摘しており、NISTのAIリスクマネジメントフレームワークは、AIリスクを特定し管理するための実践的な枠組みを示しています。同意、情報開示、セキュリティ、テスト、継続的なモニタリングを、製品の中核的な要件として扱うべきです。

実験から本格展開へとつなぐオープンな道筋を築く

AIイノベーション・戦略 & LabX担当プレジデントとしての私の拡大した役割は、同じ課題の二つの側面、すなわちAIネイティブ製品の育成と、DXCのAIパートナープラットフォーム戦略における事業面の開発を結び付けています。LabXは引き続き、実際の顧客課題に照らして最先端技術を試す場ですが、その役割には現在、AnthropicやElevenLabsなどのパートナーが参加するオープンなエコシステムの中で、顧客を支援することも含まれています。

オープンなアプローチが重要なのは、あらゆる企業やユースケースに適したモデル、プラットフォーム、インターフェースが一つだけあるわけではないからです。私たちの役割は、適切なテクノロジーを、専門分野の知見、ワークフロー設計、ガバナンス、実行力と組み合わせ、測定可能な成果につながることを検証することです。適切なインターフェースがテキストの場合もあります。視覚的なものの場合もあります。音声が選ばれる場面はますます増えており、三つすべてを巧みに組み合わせることも少なくありません。

問うべきなのは、企業がどこに音声を導入できるかではありません。対話によって、より良い体験と成果を実現できるのはどこか、そして組織がそれを中心に業務を再設計する準備ができているかどうかです。