Najważniejsze w głosowej sztucznej inteligencji nie jest głos

Najważniejsze w głosowej sztucznej inteligencji nie jest głos. Chodzi o doświadczenie, które umożliwia korzystanie z głosu.

Pomyśl o najlepszym doświadczeniu związanym z obsługą, jakie kiedykolwiek Cię spotkało. Czułeś, że ktoś Cię rozumie. Nie musiałeś się powtarzać, poznawać zasad działania organizacji ani przedzierać się przez jej wewnętrzne zawiłości. Wyjaśniłeś, czego potrzebujesz, a ktoś, wykorzystując kontekst, własny osąd i wiedzę o organizacji, pomógł Ci osiągnąć pomyślny rezultat.

A gdyby przedsiębiorstwa mogły zapewniać więcej takich doświadczeń, w bardziej spójny sposób i na większą skalę?

Na tym polega prawdziwa obietnica agentów głosowych — nie na samym zastąpieniu pisania mówieniem ani automatyzacji każdej interakcji z człowiekiem. Agenci głosowi zmieniają sposób obsługi: zamiast poruszać się po systemach, użytkownik może po prostu wyrazić swoją intencję. Klient lub pracownik własnymi słowami opisuje, co chce osiągnąć. Agent rozumie kontekst, koordynuje działanie odpowiedniej wiedzy i systemów w tle, podejmuje dozwolone działania, a gdy potrzebny jest osąd, empatia lub uprawnienia, angażuje człowieka.

Przez dziesięciolecia ludzie dostosowywali się do technologii. Uczyliśmy się, gdzie kliknąć, które menu otworzyć i jak przełożyć prosty zamiar na serię poleceń. Generatywna sztuczna inteligencja zaczęła to zmieniać, umożliwiając nam rozmowę w codziennym języku. Głos idzie o krok dalej i zaczyna całkowicie odwracać tę relację: technologia dostosowuje się do naturalnego sposobu komunikowania się ludzi, a złożoność przedsiębiorstwa schodzi na dalszy plan.

Jak głos zmienia doświadczenia w przedsiębiorstwie

Głos ma znaczenie, ponieważ ułatwia korzystanie z usług pracownikom, klientom i nowym osobom zatrudnionym. Pracownik dzwoniący do działu pomocy technicznej nie powinien musieć wiedzieć, w którym systemie znajduje się problem ani rozwiązanie. Klient nie powinien być zmuszony do powtarzania tych samych informacji przy przechodzeniu między kanałami. Nowa osoba zatrudniona nie powinna być ograniczona do statycznych materiałów szkoleniowych, skoro może ćwiczyć realistyczną rozmowę i na bieżąco otrzymywać informacje zwrotne.

Głos zwiększa też dostępność dla osób, które nie siedzą przy klawiaturze, pracują w terenie lub po prostu wolą mówić niż pisać. Obsługa wielu języków pomaga organizacjom komunikować się w spójny sposób w różnych regionach, bez konieczności przygotowywania każdej interakcji jako osobnego przedsięwzięcia.

Głos nie zastąpi jednak każdego ekranu ani każdej rozmowy z człowiekiem. Formy wizualne i pisemne nadal lepiej sprawdzają się przy porównywaniu dużych ilości informacji i weryfikowaniu szczegółów, a ludzki osąd pozostaje niezbędny w sytuacjach niejednoznacznych, delikatnych lub niosących poważne konsekwencje. Chodzi o to, by korzystać z głosu tam, gdzie rozmowa jest najbardziej naturalną drogą do osiągnięcia celu, a w pozostałych przypadkach zadbać o jasne przekazanie sprawy dalej.

Sam interfejs głosowy nie wystarczy

Naturalnie brzmiący głos to za mało. Prawdziwa wartość zależy od tego, czy agent potrafi znacząco poprawić jakość obsługi: ograniczyć trudności, zachować kontekst, przyspieszyć rozwiązanie problemu i pomóc komuś osiągnąć właściwy rezultat. Wymaga to czegoś więcej niż atrakcyjnego interfejsu. Potrzebne są połączone dane i przepływy pracy, jasno określone granice, sprawne przekazywanie sprawy dalej oraz odpowiedzialność za dalszy przebieg wydarzeń.

Warto więc odróżnić skrypt od intencji. Tradycyjny przepływ pracy z góry określa każdy krok. Agent głosowy zaprojektowany z myślą o rezultatach otrzymuje natomiast intencję, rozumie zasady i kontekst, a następnie dostosowuje swoje działanie, aż cel zostanie osiągnięty lub potrzebny będzie ludzki osąd.

Warto wiedzieć, na jakim etapie są obecnie nabywcy, ponieważ sektor przedsiębiorstw w krótkim czasie przeszedł przez trzy fazy. Przez pewien czas panował szał wdrożeń — wdrażano rozwiązania w dużej mierze dla samych wdrożeń. Potem liderzy zaczęli odpowiadać za zwrot z tych inwestycji i często nie potrafili określić, jaką wartość przyniosły. Doprowadziło to do ponownego skupienia się na rezultatach. Pytanie nie brzmiało już tylko, czy wdrożenie przyniosło oczekiwany efekt, lecz także, czy jego osiągnięcie nie odbyło się kosztem czegoś istotnego. Pojawił się pewien życzliwy sceptycyzm — rzeczywista gotowość do inwestowania połączona z oczekiwaniem, że znajdą się odpowiedzi na oba pytania.

Prognozy wskazują na ten sam kierunek. Gartner przewiduje, że agentowa sztuczna inteligencja będzie autonomicznie rozwiązywać 80% typowych problemów związanych z obsługą klienta do 2029 roku. Nie ma znaczenia, czy dokładna wartość wyniesie 80%. Kluczowe jest tu słowo rozwiązywać. Rozmowa zaczyna się od dostępu, a produktem jest rozwiązanie problemu.

Klient numer zero w pełnym świetle reflektorów

W DXC jedno z naszych pierwszych wdrożeń głosowej sztucznej inteligencji miało miejsce w niezwykle widocznym otoczeniu: podczas telekonferencji wynikowych. Przez trzy kolejne kwartały prezes zarządu Raul Fernandez przygotowywał własny tekst, a stworzony przy użyciu ElevenLabs, niestandardowy model głosu AI odczytywał go jego głosem.

Pierwsza telekonferencja pokazała podstawowe możliwości. Podczas drugiej jego wypowiedź można było udostępnić po hiszpańsku, francusku, niemiecku, portugalsku i arabsku. Podczas trzeciej tekst został jednocześnie wygłoszony w sześciu językach. Za każdym razem Raul informował słuchaczy, że sam napisał te słowa, a odczytuje je model AI.

Telekonferencja poświęcona wynikom finansowym to wymagające forum: wszystko podlega wnikliwej ocenie, obowiązują ścisłe regulacje, a każde drobne potknięcie spotyka się z nieprzychylną reakcją. Przeprowadzenie eksperymentu właśnie tam, zamiast w bezpieczniejszym miejscu, przyniosło cztery wnioski.

• Autorstwo ma większe znaczenie niż sposób przekazu. To jego słowa; model jedynie je odczytuje. Organizacje mogą skalować komunikację w różnych językach, nie zmieniając tego, kto napisał wiadomość ani kto nadal odpowiada za jej treść.
• Ujawnienie wykorzystania AI wzmocniło efekt, zamiast go osłabić. Początkowo nie było jasne, czy poinformowanie o głosie wygenerowanym przez AI podważy naszą wiarygodność. Stało się odwrotnie, a alternatywa — liczenie na to, że nikt tego nie zauważy — byłaby niewłaściwa zarówno z etycznego, jak i praktycznego punktu widzenia.
• Wielojęzyczny przekaz przyniósł realną wartość. Akcjonariusze, którzy w przeciwnym razie musieliby czekać na tłumaczenie, słyszą teraz tę samą wypowiedź, tym samym głosem i w tym samym czasie. Zmienia to dostęp do informacji i zapewnia jego równość, a nie tylko zwiększa efektywność produkcji.
• Zaufanie opiera się na odpowiedzialności, a nie na dopracowanej formie. Ludzie akceptują komunikat przekazany przez AI, gdy wiedzą, kto go napisał, kto bierze za niego odpowiedzialność i jakie mają możliwości dochodzenia swoich praw. Żadnej z tych informacji nie da się usłyszeć w samym głosie.

Odzwierciedla to zasadę, którą kierujemy się w LabX, inkubatorze produktów DXC tworzonych z myślą o AI: zanim poprosimy klientów, by zaufali nowej technologii, sami powinniśmy być gotowi przetestować ją we własnym środowisku. Występowanie w roli pierwszego klienta pozwala dostrzec problemy, których nie ujawni dopracowana demonstracja — momenty wahania, sytuacje, w których zaufanie zostaje nadszarpnięte, oraz zabezpieczenia niezbędne do odpowiedzialnego działania na dużą skalę. Najtrudniejsze wyzwania związane z AI w przedsiębiorstwach zwykle dotyczą ludzi, a nie technologii.

Od demonstracji do doświadczeń, które zmieniają sposób działania

Nasze strategiczne partnerstwo z ElevenLabs, firmą AI specjalizującą się w modelach audio i agentach głosowych, opiera się na doświadczeniach zdobytych w roli pierwszego klienta i obejmuje trzy praktyczne obszary zastosowań głosu. W każdym przypadku punktem wyjścia jest jasno określony cel, a nie samo wdrożenie technologii.

• W działach obsługi agenci głosowi mogą pomagać pracownikom w naturalnym opisywaniu problemów, wyszukiwaniu przydatnych informacji, wykonywaniu rutynowych czynności i przekazywaniu pełnego kontekstu specjaliście, gdy konieczna jest eskalacja. Miarą sukcesu nie jest liczba połączeń, których udało się uniknąć. Liczy się to, czy osoba dzwoniąca uzyskała rozwiązanie podczas jednej rozmowy, bez konieczności trzykrotnego opisywania problemu.
• Na platformach obsługi klienta wielojęzyczne interfejsy brzmiące naturalnie zapewniają większą spójność interakcji przez telefon i kanały cyfrowe. W większości organizacji usługowych jakość obsługi zależy od tego, kto i kiedy odbiera zgłoszenie. Można ją jednak realnie poprawić — każda interakcja może uwzględniać ten sam kontekst, a najtrudniejsze sprawy nadal będą kierowane do osób najlepiej przygotowanych, by się nimi zająć.
• W szkoleniach głos zamienia bierne przyswajanie treści w praktyczne ćwiczenia. Pracownicy mogą ćwiczyć rozmowę z klientem, scenariusz dotyczący bezpieczeństwa lub trudną rozmowę z przełożonym, a następnie otrzymywać dopasowane wskazówki. Ćwicząc rzeczywistą rozmowę, ludzie szybciej nabierają biegłości niż wtedy, gdy tylko o niej czytają.

Największe znaczenie mogą mieć rozwiązania dostosowane do konkretnych branż. Ubezpieczyciele mogą testować wspomagane przyjmowanie zgłoszeń dotyczących typowych szkód; producenci mogą zapewnić technikom pracującym w terenie dostęp do procedur bez użycia rąk; organizacje sektora publicznego mogą ułatwić dostęp do informacji w wielu językach. Nie są to uniwersalni agenci nałożeni na istniejącą strukturę organizacji. Trzeba je projektować z uwzględnieniem słownictwa, zasad, danych i profilu ryzyka właściwych dla każdej branży.

Skalujmy cechy doskonałej obsługi, a nie interakcję opartą na gotowym scenariuszu

Ryzyko polega oczywiście na tym, że skalowanie prowadzi do ujednolicenia. Przedsiębiorstwa już wcześniej popełniały ten błąd: stosowały jednolicie drzewo decyzyjne, które zaspokajało potrzeby przeciętnego przypadku, a zawodziło wszystkich pozostałych. Skalować należy cechy doskonałej obsługi — oparcie na wiedzy, szybkość reakcji i nastawienie na rozwiązanie — podczas gdy sama interakcja powinna dostosowywać się do języka, kontekstu i potrzeb danej osoby. Spójność powinna oznaczać niezawodnie wysoką jakość, a nie identyczność.

Zaufanie jest częścią doświadczenia

Im bardziej ludzko brzmi agent głosowy, tym ważniejsza staje się przejrzystość. Użytkownik powinien wiedzieć, kiedy rozmawia z AI. Organizacje potrzebują wyraźnej zgody na stworzenie lub wykorzystanie czyjegoś syntetycznego głosu, mechanizmów kontroli dostępu do niego, silnego uwierzytelniania przy wrażliwych działaniach, zapisów czynności wykonanych przez agenta oraz jasnej możliwości skontaktowania się z prawdziwym człowiekiem.

Takie kwestie często traktuje się jako wymogi zgodności z przepisami, dodawane dopiero po zaprojektowaniu doświadczenia, ale powinny być jego integralną częścią. Osoba, która nie potrafi stwierdzić, czy rozmawia z człowiekiem, nie wie, do jakich działań upoważniony jest agent albo nie może skontaktować się z kimś, gdy tego potrzebuje, nie ma dobrego doświadczenia — bez względu na to, jak naturalnie brzmi rozmowa.

Należy precyzyjnie określić, skąd bierze się to zaufanie, ponieważ działa ono w obie strony. Model musi być odpowiednio skalibrowany przez osoby, które go stworzyły. Wdrożenie systemu — obejmujące przetwarzanie danych, kontrolę dostępu, rejestrowanie działań i jasno określone momenty, w których kontrolę przejmuje człowiek — to odrębna kwestia, za którą odpowiada podmiot uruchamiający system produkcyjnie. Żaden z tych elementów nie zastępuje drugiego. W przypadku głosu oba mają jeszcze większe znaczenie, ponieważ interakcja odbywa się na żywo, agent może podejmować działania w trakcie rozmowy, a na ekranie nie widać, co właśnie zrobił w imieniu użytkownika.

Pomocne są tu zewnętrzne wytyczne. Federalna Komisja Handlu zwróciła uwagę na potencjalne zagrożenia związane ze złośliwym klonowaniem głosu, a ramowe zasady NIST dotyczące zarządzania ryzykiem związanym z AI stanowią praktyczne ramy identyfikowania ryzyka związanego ze sztuczną inteligencją i zarządzania nim. Zgodę, informowanie, bezpieczeństwo, testowanie i bieżące monitorowanie należy traktować jako podstawowe wymagania wobec produktu.

Od eksperymentów do skalowania: otwarta droga

Moja rozszerzona rola prezesa ds. innowacji i strategii AI oraz LabX łączy dwa aspekty tego samego wyzwania: rozwijanie produktów tworzonych z myślą o AI oraz budowanie komercyjnego wymiaru strategii platformy partnerskiej AI firmy DXC. LabX nadal jest miejscem, w którym testujemy najnowocześniejsze technologie w kontekście rzeczywistych problemów klientów, ale jego zadaniem jest teraz również pomaganie klientom w poruszaniu się po otwartym ekosystemie partnerów, takich jak Anthropic i ElevenLabs.

To otwarte podejście ma znaczenie, ponieważ żaden pojedynczy model, platforma ani interfejs nie sprawdzi się w każdym przedsiębiorstwie i w każdym zastosowaniu. Naszym zadaniem jest połączenie odpowiedniej technologii z wiedzą dziedzinową, projektowaniem procesów, ładem organizacyjnym i zdolnością do realizacji, a następnie sprawdzenie, czy przynosi to mierzalne rezultaty. Czasem właściwym interfejsem będzie tekst. Czasem — obraz. Coraz częściej będzie nim głos, a nierzadko przemyślane połączenie wszystkich trzech form.

Pytanie nie brzmi, gdzie przedsiębiorstwo może wdrożyć obsługę głosową. Chodzi o to, gdzie rozmowa może zapewnić lepsze doświadczenie i lepszy rezultat oraz czy organizacja jest gotowa przeprojektować związane z nią procesy.