Det viktigaste med röstbaserad AI är inte rösten

Det viktigaste med röstbaserad AI är inte rösten. Det handlar om den upplevelse som rösten kan möjliggöra.

Tänk på den bästa serviceupplevelse du någonsin har haft. Du kände dig förstådd. Du behövde inte upprepa dig, lära dig hur organisationen fungerade eller navigera i dess interna komplexitet. Du förklarade vad du behövde, och någon använde kontext, gott omdöme och kunskap om organisationen för att hjälpa dig att nå ett bra resultat.

Tänk om företag kunde erbjuda fler sådana upplevelser, mer konsekvent och i större skala?

Det är röstagenternas verkliga löfte – inte bara att ersätta skrivande med tal eller automatisera varje mänsklig interaktion. Röstagenter förändrar upplevelsen: i stället för att navigera i system kan man uttrycka sin avsikt. En kund eller medarbetare beskriver med egna ord vad hen vill åstadkomma. Agenten förstår sammanhanget, samordnar relevant kunskap och relevanta system i bakgrunden, vidtar tillåtna åtgärder och kopplar in en människa när det krävs omdöme, empati eller befogenhet.

I årtionden har människor anpassat sig till tekniken. Vi lärde oss var vi skulle klicka, vilken meny vi skulle öppna och hur vi skulle omvandla en enkel avsikt till en rad kommandon. Generativ AI började förändra detta genom att låta oss samtala på vardagligt språk. Med röst tas nästa steg, och förhållandet börjar vändas helt och hållet: tekniken anpassar sig efter hur människor kommunicerar naturligt, medan företagets komplexitet hamnar i bakgrunden.

Därför förändrar röst företagens upplevelser

Röst är viktigt eftersom det minskar friktionen för såväl medarbetare och kunder som nyanställda. En medarbetare som ringer servicedisken ska inte behöva veta vilket system som hanterar ett problem eller innehåller lösningen. En kund ska inte behöva upprepa samma information när hen växlar mellan kanaler. En nyanställd ska inte vara hänvisad till statiskt utbildningsmaterial när hen i stället kan öva på ett realistiskt samtal och få återkoppling direkt.

Röst gör det också lättare att kommunicera för personer som inte sitter vid ett tangentbord, arbetar ute på fältet eller helt enkelt känner sig mer bekväma med att tala än att skriva. Flerspråkiga funktioner hjälper organisationer att kommunicera konsekvent i olika geografiska områden utan att varje interaktion kräver en separat produktionsinsats.

Röst kan ändå inte ersätta alla skärmar eller alla mänskliga samtal. Visuella och skriftliga format lämpar sig fortfarande bättre för att jämföra omfattande information och granska exakta detaljer, och mänskligt omdöme är fortfarande avgörande när en situation är tvetydig, känslig eller får stora konsekvenser. Möjligheten ligger i att använda röst när ett samtal är den naturligaste vägen till ett resultat och sedan utforma tydliga överlämningar när det inte är det.

Ett röstgränssnitt räcker inte

Det räcker inte med en röst som låter naturlig. Det verkliga värdet beror på om agenten kan göra upplevelsen märkbart bättre: minska friktionen, bevara sammanhanget, påskynda lösningen och hjälpa någon att nå rätt resultat. Det kräver mer än ett tilltalande gränssnitt. Det kräver sammankopplade data och arbetsflöden, tydliga gränser, tillförlitliga överlämningar och ansvar för vad som händer härnäst.

Det är därför viktigt att skilja mellan manusstyrning och avsikt. I ett traditionellt arbetsflöde är varje steg förutbestämt. En röstagent som utformas för att nå resultat tar däremot emot avsikten, förstår reglerna och sammanhanget och anpassar sitt tillvägagångssätt tills målet är uppnått eller en människa behöver göra en bedömning.

Det är bra att veta var köparna faktiskt befinner sig, eftersom företagsvärlden på kort tid har gått igenom tre faser. Under en period rådde en febril iver att införa ny teknik – i stor utsträckning för införandets egen skull. Sedan blev ledarna ansvariga för vad investeringarna gav tillbaka, och ofta kunde de inte beskriva vilket värde de hade fått. Det ledde till en omprövning med fokus på resultat. Frågan var inte längre bara om en driftsättning gav resultat, utan också om något viktigt hade fått stå tillbaka för att nå dit. Det finns en sorts välvillig skepsis – en genuin vilja att investera, förenad med en förväntan om att få svar på båda frågorna.

Prognoserna pekar i samma riktning. Gartner räknar med att agentbaserad AI självständigt kommer att lösa 80 % av vanliga kundserviceärenden senast 2029. Det spelar ingen roll om den exakta siffran är 80 %. Det viktiga ordet här är lösa. Samtalet börjar med tillgänglighet, men det är lösningen som är produkten.

Kund noll i ett mycket offentligt sammanhang

På DXC genomfördes en av våra tidigaste driftsättningar av röstbaserad AI i ett ovanligt synligt sammanhang: våra resultatkonferenser. Under tre kvartal i rad skrev vd:n Raul Fernandez sitt förberedda manus medan en specialbyggd AI-röstmodell, utvecklad med ElevenLabs, framförde det med hans röst.

Vid det första samtalet visades grundfunktionen. Vid det andra kunde hans anförande delas på spanska, franska, tyska, portugisiska och arabiska. Vid det tredje sändes manuset ut samtidigt på sex språk. Varje gång berättade Raul för lyssnarna att han hade skrivit orden och att en AI-modell framförde dem.

Ett resultatsamtal är ingen enkel arena: det granskas noga, omgärdas av regler och har liten förståelse för sådant som låter det minsta fel. Fyra saker blev tydliga när vi genomförde experimentet där, i stället för på en tryggare plats.

• Vem som står bakom budskapet är viktigare än hur det framförs. Orden är hans; modellen läser bara upp dem. Organisationer kan skala upp sin kommunikation på flera språk utan att ändra vem som skrev budskapet eller vem som fortfarande ansvarar för det.
• Öppenheten stärkte resultatet i stället för att undergräva det. Till en början var det oklart om vi skulle förlora trovärdighet genom att berätta att rösten var AI-genererad. Motsatsen hände, och alternativet – att hoppas att ingen märkte det – hade varit fel både etiskt och praktiskt.
• Flerspråkig uppläsning skapade ett verkligt värde. Aktieägare som annars hade fått vänta på en översättning får nu höra samma uttalande, med samma röst och samtidigt. Det förändrar vilka som får lika tillgång till information – det handlar inte om effektivare produktion.
• Tillit bygger på ansvarstagande, inte på polerad framtoning. Människor accepterar ett budskap som framförs av AI när de vet vem som har formulerat det, vem som står bakom det och vilka möjligheter de har att få rättelse. Inget av detta går att höra på själva rösten.

Det här speglar en princip som vi tillämpar på LabX, DXC:s produktinkubator med AI som utgångspunkt: innan vi ber kunder att lita på ny teknik bör vi själva vara beredda att testa den i vår egen verksamhet. Att vara Customer Zero blottlägger sådant som en polerad demonstration inte kan visa – var människor tvekar, var tilliten brister och vilka skyddsåtgärder som krävs för att använda tekniken ansvarsfullt i stor skala. De svåraste AI-utmaningarna i företag är oftast mänskliga snarare än tekniska.

Från demonstration till förvandlade upplevelser

Vårt strategiska partnerskap med ElevenLabs, AI-företaget som specialiserar sig på ljudmodeller och röstassistenter, bygger vidare på erfarenheterna från att själva vara förstakund och tillämpar röstteknik inom tre praktiska områden. I varje fall utgår man från ett tydligt definierat resultat, inte bara från att införa en teknik.

• I servicedeskverksamhet kan röstassistenter hjälpa medarbetare att beskriva ett problem på ett naturligt sätt, hitta relevant kunskap, utföra rutinuppgifter och föra över hela sammanhanget till en specialist när ärendet behöver eskaleras. Måttet är inte hur många samtal som har avstyrts. Det viktiga är om den som ringde fick problemet löst i ett enda samtal, utan att behöva beskriva det tre gånger.
• I plattformar för kundupplevelser skapar flerspråkiga gränssnitt med naturligt klingande röster mer enhetliga kontakter via telefon och digitala kanaler. Kvaliteten varierar i de flesta serviceorganisationer beroende på vem som svarar och när. Här finns en möjlighet till verkliga förbättringar – varje kontakt kan utgå från samma sammanhang, samtidigt som de svåraste ärendena fortsatt hänvisas till de personer som är bäst rustade att hantera dem.
• Inom utbildning förvandlar röstteknik passivt innehåll till övning. Medarbetare kan träna på ett kundsamtal, en säkerhetssituation eller ett svårt samtal med en chef och sedan få individanpassad vägledning. Man blir snabbare skicklig genom att öva på själva samtalet än genom att läsa om det.

Tillämpningar som är särskilt utformade för olika branscher kan få störst betydelse. Försäkringsbolag kan utforska vägledd registrering av rutinmässiga skadeärenden, tillverkare kan ge fälttekniker handsfreeåtkomst till arbetsinstruktioner och offentliga verksamheter kan göra information mer lättillgänglig på flera språk. Det handlar inte om generiska assistenter som läggs ovanpå en organisation. De måste utformas utifrån varje branschs vokabulär, regler, data och riskprofil.

Skala upp egenskaperna hos god service, inte ett manusbundet bemötande

Risken är förstås att större skala leder till likriktning. Företag har gjort det misstaget förut: ett beslutsträd tillämpas likadant i alla situationer, fungerar för genomsnittsfallet och sviker alla andra. Det som bör skalas upp är i stället egenskaperna hos ett bra servicemöte – att det bygger på kunskap, är lyhört och inriktat på ett resultat – samtidigt som själva mötet anpassas efter personens språk, situation och behov. Konsekvent service ska betyda genomgående god service, inte identisk service.

Tillit är en del av upplevelsen

Ju mer mänsklig en röstassistent låter, desto viktigare blir transparensen. Den som använder den ska veta när hen interagerar med AI. Organisationer behöver uttryckligt tillstånd för att skapa eller använda någons syntetiska röst, kontroll över vem som får tillgång till den, stark autentisering för känsliga åtgärder, dokumentation av vad assistenten har gjort och en tydlig väg till en människa.

Det här betraktas ofta som en regelefterlevnadsfråga som läggs till i efterhand, när upplevelsen redan har utformats, men det måste ses som en del av själva upplevelsen. Den som inte kan avgöra om hen talar med en människa, inte vet vad assistenten har behörighet att göra eller inte kan nå någon när det behövs får ingen bra upplevelse, hur naturligt samtalet än låter.

Vi bör vara tydliga med varifrån det förtroendet kommer, eftersom det går åt båda hållen. Modellen måste kalibreras ordentligt av dem som har byggt den. Driftsättningen runt modellen – datahantering, åtkomstkontroll, loggade åtgärder och tydligt definierade tillfällen då en människa tar över – är ett separat ansvar för den som tar systemet i drift. Det ena kan inte ersätta det andra. Båda delarna är viktigare när det gäller röst, eftersom interaktionen sker i realtid, agenten kan agera medan den pratar och det inte finns någon skärm som visar personen vad som just har gjorts för hens räkning.

Vägledning utifrån kan vara till hjälp här. Federal Trade Commission har uppmärksammat de potentiella skadorna av skadlig röstkloning, och NIST:s ramverk för riskhantering av AI erbjuder en praktisk struktur för att identifiera och hantera AI-risker. Se samtycke, information, säkerhet, testning och löpande övervakning som grundläggande produktkrav.

Att bygga en öppen väg från experiment till storskalig användning

Min utökade roll som chef för AI-innovation och strategi & LabX förenar två sidor av samma utmaning: att utveckla AI-infödda produkter och att utveckla den kommersiella sidan av DXC:s strategi för en AI-partnerplattform. LabX är fortfarande en plats där banbrytande teknik kan prövas mot verkliga kundproblem, men uppdraget omfattar nu även att hjälpa kunder att orientera sig i ett öppet ekosystem av partnerföretag som Anthropic och ElevenLabs.

Det öppna synsättet är viktigt eftersom ingen enskild modell, plattform eller gränssnitt passar alla företag och alla användningsområden. Vårt uppdrag är att kombinera rätt teknik med branschkunskap, utformning av arbetsflöden, styrning och genomförandeförmåga och sedan verifiera att lösningen ger mätbara resultat. Ibland är text det rätta gränssnittet. Ibland är det visuellt. Allt oftare är det röst – och ofta en genomtänkt kombination av alla tre.

Frågan är inte var ett företag kan lägga till röst. Den handlar om var samtal kan ge en bättre upplevelse och ett bättre resultat, och om organisationen är beredd att utforma arbetet på nytt kring det.