Det viktigste med stemmebasert KI er ikke stemmen

Det viktigste med stemmebasert KI er ikke stemmen. Det handler om opplevelsen stemmen kan gjøre mulig.

Tenk på den beste serviceopplevelsen du noen gang har hatt. Du følte deg forstått. Du trengte ikke å gjenta deg selv, sette deg inn i hvordan organisasjonen fungerte eller navigere i den interne kompleksiteten. Du forklarte hva du trengte, og noen brukte kontekst, skjønn og kunnskap om organisasjonen for å hjelpe deg med å oppnå et godt resultat.

Tenk om virksomheter kunne tilby flere slike opplevelser, mer konsekvent og i større skala?

Det er det egentlige løftet fra stemmeagenter – ikke bare å erstatte skriving med tale eller automatisere alle menneskelige interaksjoner. Stemmeagenter endrer opplevelsen fra å navigere i systemer til å uttrykke hva man ønsker å oppnå. En kunde eller medarbeider beskriver med egne ord hva vedkommende ønsker å få gjort. Agenten forstår konteksten, samordner relevant kunnskap og systemer i bakgrunnen, utfører handlinger den har tillatelse til, og kobler inn et menneske når det er behov for skjønn, empati eller myndighet.

I flere tiår har mennesker tilpasset seg teknologien. Vi lærte hvor vi skulle klikke, hvilken meny vi skulle åpne, og hvordan vi skulle omsette en enkel hensikt til en rekke kommandoer. Generativ KI begynte å endre dette ved å la oss snakke sammen med teknologien på hverdagsspråk. Stemme tar det et skritt videre og begynner å snu hele forholdet på hodet: teknologien tilpasser seg måten mennesker kommuniserer naturlig på, mens kompleksiteten i virksomheten trer i bakgrunnen.

Hvorfor stemme endrer opplevelsen i virksomheten

Stemme er viktig fordi det gjør hverdagen enklere for både medarbeidere, kunder og nyansatte. En medarbeider som ringer brukerstøtten, bør ikke måtte vite hvilket system som har ansvaret for et problem eller inneholder løsningen. En kunde bør slippe å gjenta den samme informasjonen når vedkommende beveger seg mellom kanaler. En nyansatt bør ikke være begrenset til statisk opplæringsmateriell når hen i stedet kan øve på en realistisk samtale og få tilbakemelding der og da.

Stemme gjør det også enklere for folk som ikke sitter ved et tastatur, jobber ute i felten eller rett og slett er mer komfortable med å snakke enn å skrive. Flerspråklige funksjoner hjelper organisasjoner med å kommunisere konsekvent på tvers av geografiske områder, uten at hver interaksjon krever en egen produksjonsinnsats.

Likevel kan ikke stemme erstatte alle skjermer eller alle samtaler mellom mennesker. Visuelle og skriftlige formater egner seg fortsatt bedre til å sammenligne omfattende informasjon og gå gjennom nøyaktige detaljer, og menneskelig skjønn er fortsatt avgjørende når en situasjon er tvetydig, sensitiv eller har store konsekvenser. Muligheten ligger i å bruke stemme der samtale er den mest naturlige veien til et resultat, og deretter sørge for tydelige overleveringer når det ikke er tilfelle.

Et stemmegrensesnitt er ikke nok

Det er ikke nok at stemmen høres naturlig ut. Den reelle verdien avhenger av om agenten kan gjøre opplevelsen merkbart bedre: fjerne friksjon, bevare kontekst, fremskynde løsningen og hjelpe noen med å oppnå det riktige resultatet. Det krever mer enn et overbevisende grensesnitt. Det krever sammenkoblede data og arbeidsflyter, tydelige grenser, pålitelige overleveringer og ansvarlighet for det som skjer videre.

Det er derfor nyttig å skille mellom skript og intensjon. En tradisjonell arbeidsflyt beskriver hvert trinn på forhånd. En stemmeagent som er utformet for å oppnå resultater, tar derimot imot intensjonen, forstår regler og kontekst og tilpasser fremgangsmåten til målet er nådd, eller det er behov for menneskelig skjønn.

Det er nyttig å vite hvor kjøperne faktisk står, for bedriftsmarkedet har gått gjennom tre faser på kort tid. En periode var vi fanget i et adopsjonsvanvidd – adopsjon nærmest for adopsjonens egen skyld. Deretter ble lederne holdt ansvarlige for avkastningen på disse investeringene, og ofte kunne de ikke sette ord på hvilken verdi de hadde fått. Det førte til en nyorientering mot resultater. Spørsmålet var ikke lenger bare om en innføring ga et resultat, men også om det gikk på bekostning av noe kritisk å oppnå det. Det preger en form for velvillig skepsis – en genuin vilje til å investere, kombinert med en forventning om at begge spørsmålene blir besvart.

Prognosene peker i samme retning. Gartner forventer at agentisk KI innen 2029 autonomt vil løse 80 % av vanlige kundeserviceproblemer. Det spiller ingen rolle om det nøyaktige tallet er 80 %. Det viktige ordet her er løse. Samtalen begynner med tilgang, men det produktet leverer, er løsningen.

Kunde nummer null i full offentlighet

Hos DXC fant en av våre tidligste utrullinger av stemmebasert KI sted i en uvanlig synlig sammenheng: kvartalspresentasjonene våre. I tre kvartaler på rad skrev administrerende direktør Raul Fernandez manuset sitt på forhånd, mens en tilpasset KI-stemmemodell, utviklet med ElevenLabs, fremførte det med stemmen hans.

Den første samtalen viste hva teknologien grunnleggende kunne gjøre. I den andre kunne uttalelsene hans deles på spansk, fransk, tysk, portugisisk og arabisk. Innen den tredje ble manuset sendt ut samtidig på seks språk. Hver gang fortalte Raul lytterne at han hadde skrevet ordene, og at en KI-modell fremførte dem.

En telefonkonferanse om kvartalsresultater er ingen enkel arena: Den blir gransket og regulert, og det er liten forståelse for noe som høres det minste feil ut. Fire ting ble tydelige da vi gjennomførte forsøket der, i stedet for et tryggere sted.

• Hvem som har skrevet budskapet, betyr mer enn hvordan det fremføres. Uttalelsene er hans; modellen leser dem bare opp. Organisasjoner kan skalere kommunikasjonen på tvers av språk uten å endre hvem som skrev budskapet, eller hvem som fortsatt er ansvarlig for det.
• Åpenhet styrket resultatet i stedet for å svekke det. Til å begynne med var det uklart om det ville svekke troverdigheten vår å opplyse om at stemmen var KI-generert. Det motsatte skjedde, og alternativet – å håpe at ingen la merke til det – ville vært feil både etisk og praktisk.
• Flerspråklig formidling ga reell verdi. Aksjonærer som ellers måtte vente på en oversettelse, hører nå de samme uttalelsene, med den samme stemmen og på samme tidspunkt. Det endrer hvem som får lik tilgang til informasjon, og handler ikke om effektivisering av produksjonen.
• Tillit bygger på ansvarlighet, ikke på en polert fremføring. Folk godtar et budskap formidlet av KI når de vet hvem som har skrevet det, hvem som står bak det, og hvilke muligheter de har hvis noe går galt. Ingenting av dette kan høres i selve stemmen.

Dette gjenspeiler et prinsipp vi følger i LabX, DXCs AI-baserte produktinkubator: Før vi ber kundene om å stole på ny teknologi, bør vi være villige til å teste den i vår egen organisasjon. Når vi selv er første kunde, avdekkes problemer en polert demonstrasjon ikke kan vise – hvor folk nøler, hvor tilliten svikter, og hvilke sikkerhetstiltak som trengs for å ta teknologien i bruk på en ansvarlig måte i stor skala. De vanskeligste KI-utfordringene i næringslivet handler som regel mer om mennesker enn om teknologi.

Fra demonstrasjon til opplevelser i endring

Vårt strategiske partnerskap med ElevenLabs, KI-selskapet som spesialiserer seg på lydmodeller og stemmeagenter, bygger videre på erfaringene fra å være første kunde og tar i bruk stemmeteknologi på tre praktiske områder. I hvert tilfelle tar vi utgangspunkt i et definert resultat, ikke bare i å innføre teknologi.

• I brukerstøtten kan stemmeagenter hjelpe ansatte med å beskrive et problem på en naturlig måte, finne relevant kunnskap, utføre rutineoppgaver og overføre all nødvendig kontekst til en spesialist når saken må eskaleres. Målet er ikke å se hvor mange samtaler som ble avverget. Det avgjørende er om den som ringte, fikk løst problemet i én samtale, uten å måtte beskrive det tre ganger.
• På plattformer for kundeopplevelse gir flerspråklige grensesnitt med naturlig klingende stemmer mer ensartede kundeopplevelser på tvers av telefon og digitale kanaler. Kvaliteten i de fleste serviceorganisasjoner varierer med hvem som svarer, og når. Her finnes det en mulighet for reell forbedring – alle samtaler kan bygge på den samme konteksten, samtidig som de vanskeligste sakene fortsatt sendes videre til dem som er best rustet til å håndtere dem.
• I opplæring gjør stemmeteknologi passivt innhold om til praktisk øving. Ansatte kan øve på en kundesamtale, en sikkerhetssituasjon eller en vanskelig samtale med en leder, og deretter få tilpasset veiledning. Folk blir raskere kompetente når de øver på den faktiske samtalen enn når de bare leser om den.

Bruksområder som er tilpasset bestemte bransjer, kan få størst betydning. Forsikringsselskaper kan utforske veiledet registrering av vanlige forsikringskrav; produsenter kan gi serviceteknikere i felt håndfri tilgang til prosedyrer; offentlige virksomheter kan gjøre informasjon lettere tilgjengelig på flere språk. Dette er ikke generiske agenter som legges oppå en organisasjon. De må utformes med utgangspunkt i hver bransjes terminologi, regler, data og risikoprofil.

Skaler egenskapene ved god service, ikke en forhåndsprogrammert samtale

Risikoen er selvsagt at skalering fører til ensretting. Virksomheter har gjort den feilen før: De har brukt det samme beslutningstreet overalt, slik at gjennomsnittstilfellene blir håndtert, mens alle andre blir sviktet. Det som faktisk bør skaleres, er egenskapene ved en god serviceopplevelse – at den er kunnskapsbasert, imøtekommende og innrettet mot et resultat – samtidig som selve samtalen tilpasses personens språk, kontekst og behov. Ensartethet bør bety jevnt god kvalitet, ikke at alt er identisk.

Tillit er en del av opplevelsen

Jo mer menneskelig en stemmeagent høres ut, desto viktigere blir åpenhet. Folk bør vite når de samhandler med KI. Organisasjoner trenger uttrykkelig samtykke for å lage eller bruke noens syntetiske stemme, kontroll med hvem som får tilgang til den, sterk autentisering ved sensitive handlinger, dokumentasjon av hva agenten har gjort, og en tydelig mulighet til å komme i kontakt med et menneske.

Dette blir ofte behandlet som et spørsmål om etterlevelse som føyes til etter at opplevelsen er utformet, men det må være en del av selve opplevelsen. Den som ikke kan vite om hen snakker med et menneske, ikke kan vite hva agenten har tillatelse til å gjøre, eller ikke får tak i noen når det trengs, får ingen god opplevelse – uansett hvor naturlig samtalen høres ut.

Vi bør være presise om hvor denne tilliten kommer fra, for den går begge veier. Modellen må kalibreres på riktig måte av dem som har utviklet den. Hvordan den tas i bruk – håndtering av data, tilgangskontroll, loggførte handlinger og tydelig definerte punkter der et menneske overtar – er et separat ansvar for den som setter systemet i produksjon. Det ene kan ikke erstatte det andre. Begge deler er enda viktigere når det gjelder stemme, fordi samhandlingen skjer i sanntid, agenten kan utføre handlinger mens den snakker, og det ikke finnes noen skjerm som viser personen hva som nettopp er gjort på vedkommendes vegne.

Eksterne retningslinjer er nyttige her. Federal Trade Commission har fremhevet mulige skadevirkninger av ondsinnet stemmekloning, og NISTs rammeverk for risikohåndtering av KI gir en praktisk struktur for å identifisere og håndtere KI-risiko. Behandle samtykke, informasjon, sikkerhet, testing og løpende overvåking som grunnleggende produktkrav.

Å bygge en åpen vei fra eksperiment til skalering

Min utvidede rolle som president for KI-innovasjon og strategi & LabX samler to sider av den samme utfordringen: å utvikle produkter med KI som utgangspunkt og å utvikle den kommersielle siden av DXCs strategi for KI-partnerplattformen. LabX er fortsatt et sted der banebrytende teknologier prøves ut på reelle kundeutfordringer, men mandatet omfatter nå også å hjelpe kundene med å navigere i et åpent økosystem av partnere som Anthropic og ElevenLabs.

Denne åpne tilnærmingen er viktig fordi ingen enkelt modell, plattform eller grensesnitt passer for alle virksomheter og alle bruksområder. Vår oppgave er å kombinere riktig teknologi med fagkunnskap, arbeidsflytdesign, styring og gjennomføringsevne, og deretter kontrollere at dette gir målbare resultater. Noen ganger er tekst det riktige grensesnittet. Andre ganger er det visuelle løsninger. I stadig større grad vil det være tale – og ofte en gjennomtenkt kombinasjon av alle tre.

Spørsmålet er ikke hvor en virksomhet kan ta i bruk tale. Det er hvor samtaler kan gi en bedre opplevelse og et bedre resultat, og om organisasjonen er forberedt på å legge om arbeidet rundt dette.