Will Bodewes, medeoprichter en CEO van Phonely – interviewreeks

Will Bodewes is medeoprichter en CEO van Phonely, een bedrijf voor spraak-AI dat bedrijven helpt telefoontjes te beantwoorden en betere resultaten te behalen in klantgesprekken. Voordat hij het bedrijf oprichtte, deed hij promotieonderzoek aan de University of Melbourne naar toegepaste kunstmatige intelligentie en systemen die instructies konden opvolgen en tegelijkertijd natuurlijk konden communiceren. Eerder richtte hij een startup op die zich bezighield met audiotechnologie en nam hij deel aan NCAA-wedstrijden in het langlaufen en aan ultralangeafstandswielerevenementen. Bij Phonely zet hij die onderzoeksachtergrond in voor de praktische uitdagingen van het inzetten van AI-spraakagenten, waaronder betrouwbare gesprekken, latentie, integraties en de voortdurende optimalisatie van boekingen, verkoop en klantenserviceprocessen.

Phonely is een platform voor AI-spraakagenten waarmee bedrijven telefoongesprekken kunnen automatiseren, afspraken kunnen inplannen, leads kunnen kwalificeren, gesprekken kunnen doorverbinden en klantcontact kunnen koppelen aan bestaande software. De tools combineren aanpasbare gespreksstromen met gespreksgeschiedenis, analyses en A/B-tests, zodat teams de prestaties kunnen meten en de resultaten in de loop der tijd kunnen verbeteren. Het bedrijf bedient organisaties van kleine bedrijven tot grote ondernemingen en zegt meer dan 10.000 bedrijven te ondersteunen en dagelijks ruim 120.000 gesprekken af te handelen. Phonely ontwikkelt ook eigen gespreksmodellen, waaronder Alma, met als doel geautomatiseerde gesprekken sneller en betrouwbaarder te maken en ze beter te laten aansluiten op gesprekken in de praktijk.

Je begon Phonely op te bouwen terwijl je promotieonderzoek deed naar AI aan de University of Melbourne. In het begin richtte je je op systemen die instructies konden opvolgen en tegelijkertijd natuurlijk konden communiceren. Wat overtuigde je ervan dat spraak-AI zover was dat het een zelfstandig bedrijf kon dragen, en wat zag je in de markt dat anderen over het hoofd zagen?

Destijds was er geen bewijs dat spraak-AI een zelfstandig bedrijf kon dragen. Er waren een paar bedrijven die eraan werkten en ongeveer vijf of tien gebruikers hadden, maar niemand had spraak-AI met succes ingezet buiten een IVR-systeem om. Dus toen we Phonely begonnen, was dat een gok. Destijds richtte alles zich op chat, dus spraak was een nieuw medium. Het was een probleem waarvoor nog geen oplossing bestond, dus dachten we: “Waarom zouden we het niet proberen aan te pakken? Waarom zouden we het niet proberen op te lossen?”

Je promotieonderzoek begon met het doel een AI te ontwikkelen die ‘instructies kon opvolgen als een robot en kon praten als een mens’. Welke technologische doorbraken maakten je duidelijk dat dit onderzoek de basis kon vormen voor een commercieel platform voor spraak-AI?

Het onderzoek was waardevol en belangrijk om de fundamentele technologie achter de ontwikkelingen te begrijpen. Daardoor kon ik vooruitzien en zien wat er in de pijplijn zat. Ik begreep technisch wat deze modellen waren en hoe ze werkten, en dat stelde me in staat een gok te wagen. Ik wilde met name een bedrijf opbouwen en impact maken. Dit was het vakgebied dat het meest aansloot bij wat ik wist en wat ik zag aankomen. Ik wilde daar deel van uitmaken.

Je hebt elke telefoongesprek omschreven als een trechter die bedrijven van oudsher niet systematisch kunnen optimaliseren. Hoe ziet het optimaliseren van een telefoongesprek er in de praktijk uit, en hoe kan AI de conversie, het oplossingspercentage of de klantervaring in de loop der tijd verbeteren?

Stel dat je een afspraak maakt met een loodgieter. De persoon aan de telefoon is getraind om je gegevens te verzamelen en de afspraak in te plannen, maar afhankelijk van de manier waarop diegene vragen stelt, kan die je ook vertellen over diensten waarvan je niet wist dat het bedrijf ze aanbiedt. Je maakt dus misschien een afspraak voor een probleem met je leidingen, maar dan blijkt dat je ook je gootsteen moest laten repareren. Een goed getrainde AI-spraakagent doet hetzelfde en helpt het bedrijf klanten aanvullende producten of diensten te verkopen en meer omzet te genereren. De agent kan een product aanbieden waarvoor een nieuwe receptionist niet is opgeleid en een extra regel aan de bestelling toevoegen. Dat maakt de klant tevredener en levert het bedrijf een beter resultaat op. Een eenvoudige spraakfunctie van ChatGPT weet niet hoe dat moet. Daarvoor heb je een product nodig dat speciaal hiervoor is ontwikkeld en getraind.

Bovendien kunnen mensen telefoontjes missen, de telefoon niet opnemen of gesprekken naar de voicemail doorsturen. Dat is funest voor kleine bedrijven in Amerika. Ze hebben niet genoeg mensen om de telefoon te beantwoorden, leveren geen constante kwaliteit en kunnen hun telefonische dienstverlening niet optimaliseren. Met AI kunnen we een gesprek optimaliseren op basis van de gegevens waarover we beschikken als het niet het gewenste resultaat voor het bedrijf oplevert. Dankzij de snelheid van AI kunnen we het gesprek aanpassen; met mensen zou dat lang niet zo snel kunnen.

Op dit moment kijkt iedereen naar AI om kosten te besparen. Wij vinden echter dat mensen AI als middel voor groei moeten zien. Bedrijven kunnen daadwerkelijk groeien door AI in te zetten, waardoor ze beter kunnen presteren dan voorheen.

Spraak-AI moet problemen oplossen die tekstgebaseerde AI vaak kan omzeilen, zoals latentie, onderbrekingen, accenten, achtergrondgeluid, emotionele signalen en onvoorspelbare gesprekken. Welk van deze problemen was het moeilijkst om op betrouwbare wijze op te lossen op grote schaal binnen ondernemingen?

Latentie is het grootste probleem. Dat hebben we inmiddels opgelost, maar in de beginperiode was het om twee redenen een enorme kopzorg.

Ten eerste bouwden we voort op startups die niet betrouwbaar waren. Een aanzienlijk deel van de API-verzoeken aan OpenAI mislukte, waardoor we geen antwoord kregen. Als je aan de telefoon bent, komt dat neer op ophangen. Daarom moesten we een systeem bouwen dat zulke verzoeken opnieuw probeert.

Het tweede probleem was de capaciteit. Als je een verzoek naar OpenAI stuurde, kwam je achter honderden of duizenden andere verzoeken in de wachtrij te staan, zonder te weten waar je zelf in de rij stond. Het kon 30 seconden duren voordat je antwoord kreeg. Om dat probleem te omzeilen, keken we waar OpenAI overal ter wereld eindpunten had en schakelden we tussen die eindpunten op basis van welke landen sliepen en waar de vraag laag was. We moesten al die infrastructuur bouwen om op dat moment de eindpunten met de laagste vraag te vinden. Dat was een behoorlijk interessant technisch probleem. Nu trainen we onze eigen modellen, waaronder Alma, zodat we ons daar geen zorgen meer over hoeven te maken: we beheren zelf de rekenkracht en de vraag.

Phonely verwerkt inmiddels dagelijks meer dan 120.000 telefoongesprekken voor duizenden bedrijven. Wat heb je geleerd van het inzetten van spraakagenten op die schaal, wat niet voor de hand lag toen jullie de eerste versie van het platform bouwden?

Het is ontzettend belangrijk om 100% van de tijd beschikbaar te zijn. Een van de lastigste technische uitdagingen waaraan we hebben gewerkt, is betrouwbaarheid en snelheid. De AI-sector ontwikkelt zich ongelooflijk snel, en zelfs voor een AI-bedrijf bewegen wij snel. Bij Y Combinator zeggen ze: beweeg snel en maak dingen kapot. Maar als klanten 120.000 telefoongesprekken per dag voeren, kun je het je niet veroorloven dingen kapot te maken. Een groot deel van ons werk bestond er dus uit uit te zoeken hoe we snel genoeg nieuwe versies konden uitbrengen om relevant te blijven en het product verder te ontwikkelen, terwijl we onze zakelijke klanten tevreden en stabiel hielden en nieuwe functies bleven bouwen om de markt voor te blijven. Betrouwbaarheid was waarschijnlijk een van de grootste uitdagingen waar we bij de opbouw van het bedrijf mee te maken kregen.

Generatieve AI-systemen kunnen zich onvoorspelbaar gedragen, maar een klantgerichte telefoonagent kan betalingen verwerken, boekingen aannemen, vragen over gezondheidszorg beantwoorden of andere gesprekken voeren waarbij veel op het spel staat. Hoe ontwerp je spraakagenten die flexibel en gesprekvaardig blijven, zonder te hallucineren of buiten hun bevoegdheden te treden?

Dat hebben we ongeveer twee jaar geleden op de harde manier geleerd; inmiddels is deze aanpak in de sector vrij algemeen ingeburgerd. We ontdekten dat context het grootste probleem met LLM’s is. Als je te veel in een prompt stopt, zoals pagina’s vol instructies, neemt de kans toe dat er iets misgaat.

Daarom hebben we een orkestratiesysteem met acht agenten ontworpen, waarbij de ene agent het gesprek overdraagt aan de volgende en elke agent een eigen, afgebakende context heeft. Het lijkt op hoe iemand tijdens een telefoongesprek een script volgt: je verzamelt informatie, gaat door naar de volgende fase, enzovoort. Daardoor kunnen we de stappen op codeniveau van elkaar scheiden. Als ik je naam, e-mailadres, telefoonnummer en geboortedatum moest verzamelen voordat ik je geld terugbetaalde, kon ik garanderen dat die gegevens op codeniveau waren verzameld voordat we verdergingen. Die garantie kun je niet geven als je alleen op een LLM vertrouwt. Door deze orkestratielaag voor agenten te bouwen, kun je de betrouwbaarheid verhogen tot 100%, omdat alle stappen worden vastgelegd voordat het gesprek wordt overgedragen aan een nieuwe agent, die nog steeds context heeft maar alleen toegang heeft tot de eigen instructies.

Eén implementatie van Phonely zou een klant in slechts drie maanden tijd 10 miljoen dollar aan nieuwe netto-omzet hebben opgeleverd. Hoe kon AI zo’n meetbare bedrijfsimpact creëren, en waar levert spraak-AI volgens jou tegenwoordig het hoogste rendement op?

Dat konden we doen omdat we over de cijfers van de klant beschikten. Omdat het om inkomende telefoongesprekken ging, lag de focus op verkoop en werden bellers gekwalificeerd, zodat we de resultaten konden meten. Afhankelijk van de dag lag het verkooppercentage van hun callcenter rond de 35% tot 42%. Nadat we die informatie van de klant hadden gekregen, namen we de gespreksstromen over en optimaliseerden we de agent. We begonnen met een verkooppercentage van ongeveer 20%. In de daaropvolgende maanden bleven we het systeem verder ontwikkelen, aanpassingen doen en optimaliseren, totdat we in de meeste gevallen beter presteerden dan hun callcenter. Ons verkooppercentage bleef stijgen omdat we de problemen opspoorden en ervoor zorgden dat de ervaring elke keer consistent en perfect was. We konden beter presteren dan een callcenter.

Nu spraakagenten steeds meer kunnen, waar moeten bedrijven de grens trekken tussen gesprekken die volledig geautomatiseerd kunnen worden en situaties waarin een mens betrokken moet blijven?

Bedrijven moeten alles kunnen automatiseren wat een herhaalbaar proces is dat ze willen laten volgen en dat voldoende duidelijk is omschreven.

Automatisering is op een paar gebieden echter lastig. Een daarvan is integratie met systemen zonder API’s: stel dat je een integratie nodig hebt, maar die software geen API heeft. Daar is moeilijk omheen te werken, al zijn er wel mogelijkheden voor browserautomatisering. Een ander lastig punt is wanneer een gesprek meerdere keren wordt overgedragen tussen een agent en een medewerker en vervolgens weer terug naar een agent. Het derde punt zijn ontbrekende contextgegevens. Stel dat ik mijn portemonnee in een restaurant heb laten liggen. Dat is iets wat AI nooit kan oplossen, omdat AI niet weet of je je portemonnee bij je hebt en niet kan nagaan of die in het restaurant ligt.

In sommige situaties blijft een mens altijd nodig, net als bij ingewikkelder werk dat meerdere systemen omvat. Gebruik daarvoor geen agent.

Phonely heeft onlangs een Series A-financieringsronde van $16 miljoen afgesloten, nadat het bedrijf was gegroeid tot meer dan 10.000 bedrijven. Hoe ziet de volgende fase van het bedrijf eruit, en welke technische mogelijkheden zullen volgens u de volgende generatie spraak-AI-platforms onderscheiden?

In de volgende fase bouwen we het team verder uit en blijven we erin investeren. We zetten vol in op dit idee. Veel bedrijven begeven zich op het gebied van spraak-AI en zullen dat waarschijnlijk op verschillende terreinen best goed doen. Maar wij bouwen niet zomaar een spraakagent. We bouwen een optimalisatieplatform en gebruiken spraak als kanaal. Voor bedrijven die waarde hechten aan leads en aan omzet die via hun telefoon wordt gegenereerd, draait het bij ons volledig om het optimaliseren van AI-agenten, zodat die de resultaten bereiken die klanten willen. Zie Phonely als een optimalisatiebedrijf: mensen willen hun agenten optimaliseren om ze beter te laten presteren.

In uw academisch onderzoek hebt u ook gekeken naar het gebruik van AI en slimme-metertechnologie om de toegang tot energie en schoon koken in ontwikkelende economieën te verbeteren. Hoe ziet u, los van Phonely, AI toegepast worden op grote maatschappelijke uitdagingen in de fysieke wereld, zoals toegang tot energie? En is dat een terrein waar u uiteindelijk naar hoopt terug te keren?

Met AI kan veel goeds worden bereikt, maar veel bestaande problemen zijn door mensen veroorzaakt. Daarom moet er ook aan die kant iets veranderen. Niet alle problemen kunnen met technologie worden opgelost. Maar als technologische vooruitgang en menselijke verandering tegelijkertijd plaatsvinden, zal dat per saldo positief zijn voor de wereld.

Hartelijk dank voor het mooie interview. Lezers die meer willen weten, kunnen terecht op Phonely.