Самое важное в голосовом ИИ — не голос

Самое важное в голосовом ИИ — не голос. Важно то, какой опыт позволяет получить голосовое взаимодействие.

Вспомните лучший сервисный опыт в своей жизни. Вы чувствовали, что вас понимают. Вам не приходилось повторять одно и то же, разбираться в устройстве организации или ориентироваться в её внутренних сложностях. Вы объясняли, что вам нужно, а собеседник, учитывая контекст, проявляя здравое суждение и опираясь на знание организации, помогал вам добиться нужного результата.

Что, если бы компании могли обеспечивать такие ситуации чаще, стабильнее и в большем масштабе?

В этом и заключается подлинное обещание голосовых агентов: не просто заменить набор текста разговором или автоматизировать любое взаимодействие между людьми. Голосовые агенты меняют саму суть взаимодействия: вместо навигации по системам человек выражает своё намерение. Клиент или сотрудник своими словами описывает, чего хочет добиться. Агент понимает контекст, незаметно для пользователя подключает нужные знания и системы, выполняет разрешённые действия, а когда требуются здравое суждение, эмпатия или полномочия, привлекает человека.

Десятилетиями люди подстраивались под технологии. Мы учились, куда нажать, какое меню открыть и как преобразовать простое намерение в последовательность команд. Генеративный ИИ начал менять ситуацию, позволив нам общаться на обычном языке. Голосовые технологии делают следующий шаг и начинают полностью менять привычное соотношение: технология подстраивается под естественную манеру общения людей, а сложность корпоративной среды отходит на второй план.

Как голосовые технологии меняют взаимодействие в компаниях

Голосовые технологии важны, потому что упрощают взаимодействие для сотрудников, клиентов и новых работников. Сотруднику, который звонит в службу поддержки, не нужно знать, какая система отвечает за проблему или где находится её решение. Клиенту не приходится повторять одни и те же сведения при переходе между каналами. А новый сотрудник не должен ограничиваться статичными учебными материалами, если он может отработать реалистичный разговор и сразу получить обратную связь.

Голосовое взаимодействие также упрощает доступ к услугам для тех, кто находится вдали от клавиатуры, работает на выезде или просто предпочитает говорить, а не печатать. Многоязычные возможности помогают организациям общаться последовательно в разных регионах, не превращая каждый разговор в отдельный проект.

И всё же голосовое взаимодействие не заменит каждый экран и каждый разговор с человеком. Визуальные и текстовые форматы лучше подходят для сравнения больших объёмов информации и проверки точных сведений, а человеческое суждение по-прежнему необходимо, когда ситуация неоднозначна, деликатна или чревата серьёзными последствиями. Возможность заключается в том, чтобы использовать голос там, где разговор — самый естественный путь к результату, и предусмотреть понятную передачу обращения человеку, когда это не так.

Одного голосового интерфейса недостаточно

Одного естественно звучащего голоса недостаточно. Реальная ценность зависит от того, может ли агент заметно улучшить взаимодействие: устранить лишние затруднения, сохранить контекст, ускорить решение вопроса и помочь человеку добиться нужного результата. Для этого нужен не просто привлекательный интерфейс. Необходимы связанные данные и рабочие процессы, чёткие границы, надёжная передача обращения человеку и ответственность за дальнейшие действия.

Важно различать сценарий и намерение. Традиционный рабочий процесс заранее прописывает каждый шаг. Голосовой агент, ориентированный на результат, напротив, получает намерение, учитывает правила и контекст и меняет свой подход, пока цель не будет достигнута или пока не потребуется человеческое суждение.

Полезно понимать, на каком этапе находятся покупатели: за короткое время корпоративный сектор прошёл три этапа. Некоторое время царил ажиотаж вокруг внедрения — во многом ради самого внедрения. Затем руководители стали отвечать за отдачу от этих инвестиций, но зачастую не могли объяснить, какую ценность получили. Это привело к переоценке подхода с акцентом на результаты. Вопрос теперь заключался не только в том, приводит ли внедрение к результату, но и в том, не приходится ли ради него жертвовать чем-то важным. Возник своего рода доброжелательный скептицизм: готовность инвестировать сочетается с ожиданием, что найдутся ответы на оба вопроса.

Прогнозы указывают на то же самое. Gartner ожидает, что к 2029 году агентный ИИ будет самостоятельно решать 80% типичных проблем в сфере обслуживания клиентов. Неважно, составит ли точная цифра именно 80%. Здесь важно слово «решать». Разговор начинается с доступа, а конечный продукт — это решение проблемы.

Проверка на собственном примере на виду у всех

В DXC одно из первых внедрений голосового ИИ прошло в необычайно публичной обстановке — во время наших конференц-звонков по итогам финансовой отчётности. В течение трёх кварталов подряд генеральный директор Raul Fernandez писал текст своего выступления, а созданная на заказ голосовая модель ИИ, разработанная с помощью ElevenLabs, зачитывала его голосом.

Первый звонок продемонстрировал основную возможность. Во время второго выступление можно было прослушать на испанском, французском, немецком, португальском и арабском языках. К третьему текст выступления одновременно звучал уже на шести языках. Каждый раз Raul сообщал слушателям, что написал текст сам, а зачитывала его модель ИИ.

Звонок с инвесторами по итогам публикации финансовой отчетности — не самая простая площадка: за ним пристально следят, он регулируется, и здесь не прощают даже малейшей фальши. Проведя этот эксперимент именно там, а не в более безопасных условиях, мы вынесли из него четыре урока.

• Авторство важнее способа подачи. Это его слова, модель лишь произносит их. Организации могут масштабировать коммуникацию на разных языках, не меняя ни автора сообщения, ни того, кто за него отвечает.
• Открытость не ослабила результат, а укрепила его. Сначала было неясно, не подорвет ли наше доверие объявление о том, что звучит голос ИИ. Произошло обратное, а надежда на то, что никто ничего не заметит, была бы неверной и с этической, и с практической точки зрения.
• Многоязычная подача принесла реальную пользу. Акционеры, которым иначе пришлось бы ждать перевода, теперь слышат те же слова, тем же голосом и одновременно с остальными. Это меняет круг людей, получающих равный доступ к информации, а не повышает эффективность производства.
• Доверие зависит от ответственности, а не от безупречной подачи. Люди принимают сообщение, озвученное ИИ, если знают, кто его подготовил, кто за него отвечает и как они могут оспорить его или добиться помощи. Ничего из этого нельзя услышать в самом голосе.

Это отражает принцип, которым мы руководствуемся в LabX — инкубаторе DXC для продуктов, изначально созданных на базе ИИ: прежде чем просить клиентов доверять новой технологии, мы должны быть готовы испытать ее в собственной среде. Став «нулевым клиентом», мы выявляем то, чего не покажет безупречная демонстрация: в какие моменты люди колеблются, где утрачивается доверие и какие меры предосторожности необходимы для ответственного масштабирования. Самые сложные задачи в сфере корпоративного ИИ обычно связаны с людьми, а не с технологиями.

От демонстрации — к преобразованию пользовательского опыта

Наше стратегическое партнерство с ElevenLabs, компанией в сфере ИИ, специализирующейся на аудиомоделях и голосовых агентах, опирается на этот опыт «нулевого клиента» и охватывает три практические области применения голосовых технологий. В каждом случае отправная точка — конкретный результат, а не просто внедрение технологии.

• В службах поддержки голосовые агенты могут помочь сотрудникам естественно описать проблему, найти нужную информацию, выполнить стандартные действия и передать специалисту весь контекст, если потребуется эскалация. Важно не то, сколько звонков удалось обработать без участия специалиста. Важно, удалось ли позвонившему решить проблему за один разговор, не объясняя ее трижды.
• На платформах для работы с клиентским опытом многоязычные интерфейсы с естественным звучанием делают взаимодействие по телефону и цифровым каналам более последовательным. В большинстве сервисных организаций качество обслуживания зависит от того, кто ответил и когда. Здесь есть возможность добиться реального улучшения: каждое взаимодействие может учитывать один и тот же контекст, а самые сложные случаи по-прежнему будут передаваться людям, которые лучше всего подготовлены для их решения.
• В обучении голос превращает пассивное восприятие материала в практику. Сотрудники могут отрабатывать разговор с клиентом, действия в ситуации угрозы безопасности или непростую беседу с руководителем, а затем получать персональные рекомендации. Практикуясь в реальном разговоре, люди быстрее осваивают необходимые навыки, чем читая о них.

Наиболее значимыми могут оказаться отраслевые решения. Страховые компании могут изучить возможность пошагового приема заявлений по типовым страховым случаям; производители — предоставить выездным техническим специалистам доступ к инструкциям без помощи рук; организации государственного сектора — упростить доступ к информации на разных языках. Это не универсальные агенты, наложенные поверх деятельности организации. Их необходимо проектировать с учетом терминологии, правил, данных и профиля рисков каждой отрасли.

Масштабируйте качества отличного сервиса, а не взаимодействие по сценарию

Риск, конечно, заключается в том, что масштабирование обернется однообразием. Компании уже допускали такую ошибку: применяли ко всем один и тот же алгоритм принятия решений, удовлетворяя потребности среднестатистического клиента и подводя всех остальных. Масштабировать следует качества отличного обслуживания — информированность, отзывчивость и ориентацию на результат, — а само взаимодействие должно подстраиваться под язык, контекст и потребности человека. Последовательность означает стабильно высокое качество, а не одинаковый подход.

Доверие — часть пользовательского опыта

Чем более человечно звучит голосовой агент, тем важнее прозрачность. Человек должен знать, что взаимодействует с ИИ. Организациям необходимо получать явное разрешение на создание или использование чьего-либо синтетического голоса, контролировать, кто имеет к нему доступ, применять надежную аутентификацию для выполнения важных действий, вести записи о действиях агента и обеспечивать понятный способ связаться с реальным человеком.

Эти меры часто считают вопросом соблюдения нормативных требований, который добавляют уже после проектирования пользовательского опыта, но их необходимо рассматривать как его неотъемлемую часть. Если человек не может понять, говорит ли он с собеседником или с ИИ, не знает, какие действия агент вправе выполнять, или не может связаться с кем-либо, когда это необходимо, то его опыт нельзя назвать удачным — каким бы естественным ни казался разговор.

Важно точно понимать, откуда берётся это доверие, поскольку оно зависит от обеих сторон. Создатели модели должны правильно её настроить. Развёртывание системы — обработка данных, контроль доступа, регистрация действий, определение точек, в которых управление переходит к человеку, — это отдельная задача, за которую отвечает тот, кто вводит систему в эксплуатацию. Одно не заменяет другого. Для голосовых систем важны оба аспекта, поскольку взаимодействие происходит в реальном времени, агент может совершать действия прямо во время разговора, а у пользователя нет экрана, на котором было бы видно, что только что произошло от его имени.

В этом помогают внешние рекомендации. Федеральная торговая комиссия обращала внимание на возможный вред от злонамеренного клонирования голоса, а структура управления рисками ИИ NIST предлагает практический подход к выявлению рисков, связанных с ИИ, и управлению ими. Согласие, раскрытие информации, безопасность, тестирование и постоянный мониторинг следует считать основными требованиями к продукту.

От экспериментов к масштабированию: открытый путь

Моя расширенная роль президента по инновациям и стратегии в области ИИ & LabX объединяет две стороны одной задачи: создание продуктов, изначально разработанных на основе ИИ, и развитие коммерческой составляющей стратегии платформы DXC для партнёров в сфере ИИ. LabX по-прежнему служит площадкой для проверки передовых технологий на реальных задачах клиентов, но теперь в его задачи также входит помощь клиентам в работе с открытой экосистемой партнёров, таких как Anthropic и ElevenLabs.

Такой открытый подход важен, потому что ни одна модель, платформа или интерфейс не подойдут всем компаниям и для всех сценариев использования. Наша задача — сочетать подходящие технологии с отраслевой экспертизой, проектированием рабочих процессов, управлением и возможностями реализации, а затем проверять, приводят ли они к измеримым результатам. Иногда подходящим интерфейсом будет текст. Иногда — визуальные элементы. Всё чаще это будет голос — а нередко и продуманное сочетание всех трёх вариантов.

Вопрос не в том, где компания может добавить голосовое взаимодействие. Вопрос в том, где разговор поможет улучшить пользовательский опыт и добиться лучших результатов и готова ли организация перестроить работу с учётом этого.