エンタープライズ音声AIはさらなるパーソナリティを必要としない。設計段階での共感が必要だ

私は2017年から音声分野で働いており、1つのブームサイクルを経験し、2つ目のブームが本格的に勢いを増す様子を見てきました。この2番目の波は技術的にはより印象的ですが、その議論は数字に収束してしまっています。実際に人々がどのように話すかについてはほとんど触れられておらず、音声の初期段階を特徴づけていた言語学や心理学への情熱的なつながりを失ってしまったと言えるでしょう。

発表をざっと見ると、レイテンシー数値や解決率、エージェントができることに関する野心的な主張が並んでいます。これらは重要ですが、タスクを完了できなければ美しく話すエージェントは無意味です。特に、エンタープライズ音声製品はますます同じ基盤モデル群を利用しており、速度はもはや当たり前の前提条件に過ぎません。

違いは全く別の領域にあります。エージェントは何を知っているのか？何ができるのか？インタラクション中の感覚はどうか？そして最も重要なのは、エージェントが機械であるがゆえに顧客が余計な作業を強いられていないか、ということです。

ここからが共感主導の音声デザインの出発点です。暖かい声や同情的なフレーズを付け加えることを意味しているわけではありません。発信者の意図、認知負荷、そして想定される感情状態を中心に設計することです。エージェントは、ビジネスが既に把握している情報を知り、何をしているかを説明し、誤りがあった際にはきれいに回復し、作業が完了したら会話を止めるべきです。

同じ口座番号を3回尋ねる暖かい合成音声は、通話を楽にしたわけではなく、温かさは何の作業もしていません。

共感は音声設定ではない

システムが問題を理解したり有用な処理ができていなくても、声は思慮深く聞こえることがあります。顧客は停電、請求書の争い、あるいは複数チームに跨る実装上の障害について電話してくるかもしれません。エージェントがFAQだけを知っている場合、温かいあるいは洗練されたトーンでは共感的な体験は提供できません。エージェントは、誰が電話してきたか、何を購入したか、アカウント上の直近のやり取りは何か、そして顧客支援のために何が許可されているかを把握している必要があります。

エンタープライズ音声エージェントは、適切な顧客・製品コンテキストと権限を持ち、通話中に回答・実行できる必要があります。発信者が検索結果を音声で聞く必要はありません。返金の実行、記録の修正、適切な専門家の呼び出しが求められることがあります。

私は共感をデザイン分野とシステム要件の両方と捉えています。会話デザインはエージェントの振る舞いを決定し、基盤アーキテクチャはエージェントが有用なほどの知識を持っているかを左右します。これらを合わせた結果を、音声の「製品テクスチャ」と呼びます：システムが何を知っているか、知識をどのように活用するか、不確実性をどう処理するか、そして会話終了時に相手がどのように感じるか、です。

音声は社会的契約を生む

音声は中立的なインターフェースではありません。最近、クライアントとの通話でデモエージェントが女性の声を使用していましたが、1分も経たないうちに部屋の人々はそのエージェントを「彼女」と呼び始めました。その決定が明示されたわけではなく、会話の自然な流れの一部でした。

この効果は生成AIよりも以前から存在します。1994年の研究で、コンピュータを社会的主体として扱うことについて、Clifford Nass、Jonathan Steuer、Ellen Tauber は、人々が機械と対話していると認識していてもコンピュータに社会的反応を示すことを明らかにしました。音声はタイミング、確信、トーンを通じてその反応を強めます。

これにより失敗の感覚が変わります。たとえば、テキストボックスが間違ったリンクを返すのは苛立たしいですが、音声が話しながら相手の言葉を聞き取れず、同じ点を二度誤解し、問題が解決したと主張し続けると失礼に感じられます。技術自体が感情を持っているわけではありませんが、発信者は持っています。

信頼はすでに脆弱です。メルボルン大学とKPMGが主導した2025年のグローバル調査では、47か国で48,000人以上が対象となり、66％がAIを定期的に利用しているものの、信頼できると答えたのはわずか46％でした。音声インタラクションは、信頼を少し獲得するか、失うかのどちらかです。

また倫理的な緊張も存在します。業界はしばしば最も人間らしい音声のエージェントを最高と見なしますが、ユーザーは騙されることを望みません。エージェントを設計する際には、自己紹介を行い、アクセス可能な情報を説明し、重要な行動を起こす前に何をするかを明示させたいと考えます。透明性は会話の一部であるべきです。

目ではなく耳のために設計する

画面は寛容です。ユーザーはスキャンしたり、再読したり、スクロールして戻ったりできます。一方、音声は聞き取った瞬間に消えてしまうため、認知負荷は実務的な設計制約となり、学術的な脚注ではなくなります。

Nelson Cowan の作業記憶に関するレビューでは、若年成人の中心的記憶容量はおおよそ3〜5項目に限られると述べられています。それにもかかわらず、音声システムは依然として長いメニューを読み上げ、複数の質問を一度に投げかけます。多くの人はそれらすべてを保持できず、特に注意が散漫だったり、運転中だったり、すでに苛立っている場合はなおさらです。

テキストチャットボットにテキスト音声変換を施すだけで音声製品とは呼べません。ネイティブな音声デザインは、発話ターンを短くし、重要情報を先に提示し、発信者が割り込む余地を残します。また、会話のすべての空白を埋める必要はないことを認識しており、速度が重要である一方で、会話が終了したときに「読む」ことができます。

私のバックグラウンドには社会文化言語学があり、人と人の間、社会的場面で言語がどのように機能するかを研究しています。これは音声デザインに有用で、ペーシング、韻律、ターンテイキング、リペアといった要素を正確に表現できる言語を提供します。「自然に聞こえるように」だけではデザイン指示にはなりません。会話の進め方を具体的に説明できることで、チームは実際に構築可能な指針を得られます。

共感主導のデザインはどのようなものか

共感主導のデザインは、エージェントをより温かく、あるいは人間らしく聞かせることではありません。利用者の状況に合わせて会話を構築し、タスク実行に必要な労力を削減し、失敗時にさらなるフラストレーションを与えないことを意味します。実際には、いくつかの基本的なデザイン選択から始まります。

なぜ相手が電話したのかから始める

利用者は企業の分類体系をたどるために電話するわけではありません。何かが壊れた、遅れている、または混乱しているから電話します。「この配達を止めたい」という発信者に対して、汎用的な注文状況スクリプトに押し込むべきではありません。エージェントはどの配達かを特定し、まだ介入可能かどうかを確認すべきです。

文脈を活用して繰り返しを排除する

共感は、システムが何を尋ねないかに最も表れます。企業がすでに顧客が誰で、どの製品を使用し、過去に何が起きたかを把握している場合、エージェントは発信者に再度情報を提供させるのではなく、その承認済みコンテキストを利用すべきです。

ビジネス内部でも同様です。会議の合間にいる営業担当者は、アカウントで何が変わったかを尋ね、フォローアップを指示し、更新内容を適切なシステムに書き戻すことができるべきです。これにより、コンテキストを失わず、余計な管理作業を増やさずに業務を継続できます。

ハッピーパスより先にリペアを設計する

すべての音声システムは、話者を聞き違えることがあります。アクセント、背景音、見慣れない名前、割り込みなどが原因で、これは避けられません。製品はその後の対応で評価されます。最悪のリカバリーパターンは、同じ質問を同じ言葉で繰り返すことです。より良い応答は、エージェントが理解した内容を説明し、不確実性を絞り込みます。問題が判断やアクセスを要し、エージェントに権限がない場合は、発信者が要求する前に人間を介入させるべきです。

ハンドオフと終了を尊重する

発信者を人間に引き継ぐことは失敗ではありませんが、会話のコンテキストなしに引き継ぐことは失敗です。エージェントが顧客の発言、特定した情報、既に試したことを伝えずに転送すると、顧客は最初からやり直さなければなりません。これこそがAIが排除すべき作業です。

問題が解決した場合も同様です。時には最適な音声体験は、1つの質問、1つの正確な回答、そしてクリックだけです。発信者は必ずしもエージェントに感謝したり、問い合わせが解決したことを確認したりしてから電話を切るわけではありません。必要なものが得られれば、インタラクションは成功したと言えます。

パフォーマンスショーではなく労力を測定する

完璧に解決された単発通話でも、顧客が満足を確認せずに電話を切ると、離脱したように見えることがあります。成功を長いスクリプトの完了と定義すれば、チームは会話時間を長くすることを最適化し、それをエンゲージメントと呼びます。

私はむしろ、再呼び出し回数、修正回数、回避可能な転送、要求されたアクションが完了したかどうかを測定したいです。NPS などの広範な満足度スコアも依然として重要ですが、会話自体が顧客が本来必要以上に労力を費やした箇所を明らかにします。

2026年2月、Gartner が報告したところ、カスタマーサービス・サポートリーダーの91％が経営層からAI導入の圧力を受けていることが分かりました。この圧力により、オートメーションが実際に作業を削減しているか測定する重要性が増します。再呼び出しや不要な転送、長時間のやり取りを生む音声エージェントは、紙面上は効率的に見えても、コストを別の場所に転嫁しているだけです。システムが適切な作業を解決し、不要なターンを回避し、顧客がより高コストなチャネルに戻らないようにすれば、経済性は向上します。

能力と共感は共にあるべき

エンタープライズ音声市場は自然音声を超える方向へ進んでいます。現在重要なのは、エージェントが発信者のニーズを理解し、適切なビジネスコンテキストにアクセスし、正確かつ安全に行動し、会話がスクリプト外に逸れたときに適切に応答できるかどうかです。

共感主導のデザインは、エージェントをよりおしゃべりにするべきではありません。適切に行えば、繰り返しを排除し、説明を短縮し、発信者が機械を操作しなければならない状況を防ぎます。時には、難しいことが簡単になったという感覚そのものが喜びとなります。

私がAI製品を構築する際に最も重要視する質問は、極めてシンプルです：なぜ誰かがそれに手を出すのか？音声は、作業をさらに増やすのではなく、明らかに何かを楽にしたときに価値を発揮します。

音声エージェントをリリースする前に、洗練されたデモだけでなく、失敗した会話を聞くべきです。エージェントはなぜ相手が電話したのかを理解していましたか？問題を解決するだけの知識がありましたか？失敗したとき、次のステップを容易にしましたか、それとも困難にしましたか？

もし答えが不明確であれば、より多くの個性や低レイテンシー、より人間らしい声を付加しても救われません。