สิ่งสำคัญที่สุดเกี่ยวกับ AI เสียงไม่ใช่เสียง

สิ่งสำคัญที่สุดเกี่ยวกับ AI เสียงไม่ใช่เสียง แต่เป็นประสบการณ์ที่เสียงช่วยให้เกิดขึ้นได้

ลองนึกถึงประสบการณ์การบริการที่ดีที่สุดที่คุณเคยได้รับ คุณรู้สึกว่ามีคนเข้าใจ โดยไม่ต้องอธิบายซ้ำ ทำความเข้าใจวิธีทำงานขององค์กร หรือหาทางฝ่าความซับซ้อนภายในองค์กร คุณบอกสิ่งที่ต้องการ แล้วมีคนใช้บริบท วิจารณญาณ และความรู้เกี่ยวกับองค์กรช่วยให้คุณไปถึงผลลัพธ์ที่ต้องการ

จะเป็นอย่างไร หากองค์กรสามารถมอบประสบการณ์เช่นนี้ได้มากขึ้น อย่างสม่ำเสมอขึ้น และในวงกว้างขึ้น?

นี่คือคำมั่นสัญญาที่แท้จริงของเอเจนต์เสียง ไม่ใช่แค่การเปลี่ยนจากพิมพ์เป็นพูด หรือทำให้ทุกปฏิสัมพันธ์ระหว่างมนุษย์เป็นระบบอัตโนมัติ เอเจนต์เสียงเปลี่ยนประสบการณ์จากการต้องนำทางไปตามระบบ มาเป็นการบอกสิ่งที่ต้องการ ลูกค้าหรือพนักงานอธิบายด้วยคำพูดของตนเองว่าต้องการทำอะไร เอเจนต์จะทำความเข้าใจบริบท ประสานข้อมูลความรู้และระบบที่เหมาะสมอยู่เบื้องหลัง ดำเนินการในสิ่งที่ได้รับอนุญาต และส่งต่อให้บุคคลจริงเมื่อจำเป็นต้องใช้วิจารณญาณ ความเข้าอกเข้าใจ หรืออำนาจในการตัดสินใจ

ตลอดหลายทศวรรษที่ผ่านมา ผู้คนต้องปรับตัวให้เข้ากับเทคโนโลยี เราเรียนรู้ว่าต้องคลิกตรงไหน เปิดเมนูใด และแปลงความตั้งใจง่าย ๆ ให้เป็นชุดคำสั่งอย่างไร AI เชิงสร้างสรรค์เริ่มเปลี่ยนเรื่องนี้ ด้วยการเปิดโอกาสให้เราสนทนาด้วยภาษาที่ใช้ในชีวิตประจำวัน เสียงก้าวไปอีกขั้นและเริ่มพลิกความสัมพันธ์นี้โดยสิ้นเชิง กล่าวคือ เทคโนโลยีปรับตัวให้เข้ากับวิธีสื่อสารตามธรรมชาติของผู้คน ขณะที่ความซับซ้อนขององค์กรค่อย ๆ เลือนหายไปจากเบื้องหน้า

เหตุใดเสียงจึงเปลี่ยนประสบการณ์ในองค์กร

เสียงมีความสำคัญเพราะช่วยลดอุปสรรคให้ทั้งพนักงาน ลูกค้า และพนักงานใหม่ พนักงานที่โทรหาศูนย์บริการไม่ควรต้องรู้ว่าปัญหาอยู่ในระบบใด หรือควรหาคำตอบจากระบบไหน ลูกค้าไม่ควรต้องให้ข้อมูลเดิมซ้ำเมื่อติดต่อผ่านช่องทางต่าง ๆ และพนักงานใหม่ไม่ควรถูกจำกัดอยู่แค่เอกสารฝึกอบรมแบบคงที่ ทั้งที่สามารถฝึกสนทนาในสถานการณ์เสมือนจริงและรับคำแนะนำได้ทันที

เสียงยังช่วยให้ผู้ที่ไม่ได้อยู่หน้าแป้นพิมพ์ กำลังทำงานภาคสนาม หรือเพียงรู้สึกสบายใจกว่ากับการพูดแทนการพิมพ์ เข้าถึงบริการได้มากขึ้น ความสามารถในการสื่อสารหลายภาษาช่วยให้องค์กรสื่อสารได้อย่างสม่ำเสมอในพื้นที่ต่าง ๆ โดยไม่ต้องจัดทำกระบวนการผลิตแยกสำหรับทุกปฏิสัมพันธ์

อย่างไรก็ตาม เสียงไม่อาจใช้แทนหน้าจอทุกแบบหรือการสนทนากับคนได้ทุกครั้ง สื่อภาพและข้อความยังเหมาะกว่าสำหรับการเปรียบเทียบข้อมูลจำนวนมากและตรวจสอบรายละเอียดที่แม่นยำ ส่วนวิจารณญาณของมนุษย์ยังจำเป็นเมื่อสถานการณ์คลุมเครือ ละเอียดอ่อน หรือมีผลสำคัญ โอกาสจึงอยู่ที่การใช้เสียงในกรณีที่การสนทนาเป็นเส้นทางสู่ผลลัพธ์ที่เป็นธรรมชาติที่สุด และออกแบบขั้นตอนส่งต่อที่ชัดเจนเมื่อไม่ใช่เช่นนั้น

อินเทอร์เฟซเสียงเพียงอย่างเดียวยังไม่พอ

เสียงที่ฟังเป็นธรรมชาติยังไม่เพียงพอ คุณค่าที่แท้จริงขึ้นอยู่กับว่าเอเจนต์ช่วยยกระดับประสบการณ์ได้อย่างมีนัยสำคัญหรือไม่ ไม่ว่าจะด้วยการลดอุปสรรค รักษาบริบท เร่งการแก้ไขปัญหา หรือช่วยให้ผู้ใช้ไปถึงผลลัพธ์ที่เหมาะสม สิ่งนี้ต้องอาศัยมากกว่าอินเทอร์เฟซที่น่าดึงดูด แต่ต้องมีข้อมูลและเวิร์กโฟลว์ที่เชื่อมต่อกัน ขอบเขตการทำงานที่ชัดเจน การส่งต่อที่ไว้ใจได้ และผู้รับผิดชอบต่อสิ่งที่จะเกิดขึ้นต่อไป

จึงควรแยกความแตกต่างระหว่างการกำหนดขั้นตอนไว้ล่วงหน้ากับการทำความเข้าใจเจตนา เวิร์กโฟลว์แบบเดิมจะกำหนดทุกขั้นตอนไว้ล่วงหน้า แต่เอเจนต์เสียงที่ออกแบบโดยยึดผลลัพธ์เป็นหลักจะรับรู้เจตนา ทำความเข้าใจกฎและบริบท แล้วปรับวิธีดำเนินการจนกว่าจะบรรลุเป้าหมายหรือจำเป็นต้องใช้วิจารณญาณของบุคคล

การทำความเข้าใจสถานะที่แท้จริงของผู้ซื้อเป็นประโยชน์ เพราะองค์กรได้ผ่านสามช่วงมาแล้วในเวลาไม่นาน ช่วงหนึ่งเราอยู่ในกระแสตื่นตัวและเร่งนำเทคโนโลยีมาใช้ ซึ่งส่วนใหญ่เป็นการนำมาใช้เพียงเพื่อให้ได้ใช้ จากนั้นผู้นำองค์กรก็ต้องรับผิดชอบต่อผลตอบแทนจากการลงทุนเหล่านั้น แต่บ่อยครั้งกลับอธิบายไม่ได้ว่าการลงทุนสร้างคุณค่าอะไรขึ้นมา สิ่งนี้ทำให้ต้องหันมาประเมินใหม่โดยมุ่งเน้นผลลัพธ์ คำถามไม่ได้มีเพียงว่าการนำไปใช้สร้างผลลัพธ์ได้หรือไม่อีกต่อไป แต่ยังรวมถึงการได้ผลลัพธ์นั้นต้องแลกกับสิ่งสำคัญใดหรือไม่ด้วย นี่คือความกังขาที่เปิดกว้าง คือความพร้อมลงทุนอย่างแท้จริงควบคู่กับความคาดหวังว่าจะต้องตอบคำถามทั้งสองข้อได้

การคาดการณ์ก็ชี้ไปในทิศทางเดียวกัน Gartner คาดการณ์ว่า AI แบบเอเจนต์จะสามารถแก้ไขปัญหาทั่วไปของฝ่ายบริการลูกค้าได้เอง 80% ภายในปี 2029 ตัวเลขที่แน่นอนจะเป็น 80% หรือไม่ไม่ใช่ประเด็น คำสำคัญในที่นี้คือ แก้ไข การสนทนาเริ่มต้นด้วยการเข้าถึงบริการ แต่สิ่งที่ส่งมอบคือการแก้ปัญหา

การทดลองใช้ภายในองค์กรต่อหน้าสาธารณชน

ที่ DXC หนึ่งในการนำ AI เสียงมาใช้ครั้งแรก ๆ ของเราเกิดขึ้นในสถานการณ์ที่มีผู้จับตามองเป็นพิเศษ นั่นคือการประชุมรายงานผลประกอบการ ตลอดสามไตรมาสติดต่อกัน Raul Fernandez ประธานเจ้าหน้าที่บริหารเขียนบทพูดที่เตรียมไว้ ขณะที่โมเดลเสียง AI ที่พัฒนาขึ้นโดยเฉพาะด้วย ElevenLabs เป็นผู้ถ่ายทอดบทพูดนั้นด้วยเสียงของเขา

การประชุมครั้งแรกแสดงให้เห็นความสามารถหลัก ในครั้งที่สอง สามารถเผยแพร่คำกล่าวของเขาเป็นภาษาสเปน ฝรั่งเศส เยอรมัน โปรตุเกส และอาหรับได้ ส่วนในครั้งที่สาม บทพูดถูกเผยแพร่พร้อมกันถึงหกภาษา ในแต่ละครั้ง Raul แจ้งผู้ฟังว่าเขาเป็นผู้เขียนข้อความ และมีโมเดล AI เป็นผู้ถ่ายทอด

การประชุมแถลงผลประกอบการไม่ใช่เวทีที่จัดการได้ง่าย เพราะถูกจับตามอง อยู่ภายใต้กฎระเบียบ และไม่ปรานีต่อสิ่งใดก็ตามที่ฟังดูผิดเพี้ยนแม้เพียงเล็กน้อย การทดลองในเวทีนี้แทนที่จะเลือกสถานที่ที่ปลอดภัยกว่า ทำให้เราได้ข้อสรุป 4 ประการ

• ความเป็นผู้เขียนสำคัญกว่าวิธีถ่ายทอดคำกล่าวเหล่านั้นเป็นผลงานของเขา ส่วนโมเดลเพียงอ่านออกมา องค์กรต่าง ๆ สามารถขยายการสื่อสารไปยังหลายภาษาได้ โดยไม่เปลี่ยนว่าใครเป็นผู้เขียนสารหรือใครยังคงต้องรับผิดชอบต่อสารนั้น
• การเปิดเผยข้อมูลช่วยเสริมผลลัพธ์ ไม่ได้บั่นทอนผลลัพธ์ตอนแรกยังไม่แน่ชัดว่าการประกาศว่าเป็นเสียง AI จะทำให้เราเสียความน่าเชื่อถือหรือไม่ แต่กลับเกิดผลตรงกันข้าม ส่วนทางเลือกอีกแบบ—หวังว่าจะไม่มีใครสังเกตเห็น—ย่อมเป็นสิ่งที่ผิดทั้งในแง่จริยธรรมและในทางปฏิบัติ
• การถ่ายทอดหลายภาษาสร้างคุณค่าที่แท้จริงผู้ถือหุ้นที่หากเป็นแบบเดิมต้องรอฟังคำแปล ตอนนี้ได้ฟังคำกล่าวเดียวกัน ด้วยเสียงเดียวกัน และในเวลาเดียวกัน นี่คือการเปลี่ยนแปลงที่ทำให้ผู้คนเข้าถึงข้อมูลได้อย่างเท่าเทียม ไม่ใช่การเพิ่มประสิทธิภาพการผลิต
• ความไว้วางใจตั้งอยู่บนความรับผิดชอบ ไม่ใช่ความเนี้ยบผู้คนยอมรับสารที่ AI ถ่ายทอดเมื่อรู้ว่าใครเป็นผู้เขียน ใครเป็นผู้รับรอง และตนมีช่องทางใดในการขอความช่วยเหลือหรือแก้ไข ไม่มีสิ่งใดในบรรดานี้ที่ฟังออกได้จากเสียงเพียงอย่างเดียว

แนวคิดนี้สะท้อนหลักการที่เราใช้ใน LabX หน่วยบ่มเพาะผลิตภัณฑ์ที่มี AI เป็นแกนหลักของ DXC นั่นคือ ก่อนจะขอให้ลูกค้าไว้วางใจเทคโนโลยีเกิดใหม่ เราควรเต็มใจทดสอบเทคโนโลยีนั้นภายในองค์กรของเราเอง การเป็นลูกค้ารายแรกช่วยเผยให้เห็นปัญหาที่การสาธิตอันไร้ที่ติไม่อาจแสดงให้เห็นได้ ทั้งจุดที่ผู้คนลังเล จุดที่ความไว้วางใจสั่นคลอน และมาตรการคุ้มครองที่จำเป็นต่อการใช้งานอย่างมีความรับผิดชอบในวงกว้าง โจทย์ด้าน AI ขององค์กรที่ยากที่สุดมักเป็นเรื่องของคน ไม่ใช่เรื่องเทคนิค

จากการสาธิตสู่ประสบการณ์ที่พลิกโฉม

ความร่วมมือเชิงกลยุทธ์กับ ElevenLabs ซึ่งเป็นบริษัท AI ที่เชี่ยวชาญด้านโมเดลเสียงและเอเจนต์เสียง ต่อยอดจากประสบการณ์การเป็นลูกค้ารายแรกดังกล่าว และนำเสียงไปประยุกต์ใช้ในสามด้านที่เป็นรูปธรรม ในแต่ละกรณี จุดเริ่มต้นคือผลลัพธ์ที่กำหนดไว้อย่างชัดเจน ไม่ใช่เพียงการนำเทคโนโลยีไปใช้งาน

• ในศูนย์บริการช่วยเหลือเอเจนต์เสียงช่วยให้พนักงานอธิบายปัญหาได้อย่างเป็นธรรมชาติ ค้นหาความรู้ที่เกี่ยวข้อง ดำเนินขั้นตอนตามปกติให้เสร็จ และส่งต่อข้อมูลบริบททั้งหมดให้ผู้เชี่ยวชาญเมื่อจำเป็นต้องยกระดับเรื่อง เกณฑ์วัดผลไม่ใช่จำนวนสายที่ระบบช่วยลดได้ แต่อยู่ที่ว่าผู้โทรได้รับการแก้ไขปัญหาหรือไม่ภายในการติดต่อครั้งเดียว โดยไม่ต้องอธิบายปัญหาซ้ำถึงสามครั้ง
• ในแพลตฟอร์มประสบการณ์ลูกค้าส่วนติดต่อหลายภาษาที่ฟังเป็นธรรมชาติช่วยให้การปฏิสัมพันธ์ผ่านช่องทางโทรศัพท์และดิจิทัลมีความสม่ำเสมอมากขึ้น ในองค์กรให้บริการส่วนใหญ่ คุณภาพการบริการขึ้นอยู่กับว่าใครเป็นผู้รับเรื่องและรับเรื่องเมื่อใด จึงมีโอกาสปรับปรุงให้ดีขึ้นได้อย่างแท้จริง เพราะทุกปฏิสัมพันธ์สามารถอาศัยบริบทเดียวกัน ขณะที่กรณีที่ซับซ้อนที่สุดยังคงส่งต่อให้ผู้ที่มีความพร้อมที่สุดเป็นผู้จัดการ
• ในการฝึกอบรมเสียงเปลี่ยนเนื้อหาแบบรับฟังเฉย ๆ ให้กลายเป็นการฝึกปฏิบัติ พนักงานสามารถซ้อมสนทนากับลูกค้า ฝึกสถานการณ์ด้านความปลอดภัย หรือซักซ้อมการพูดคุยเรื่องยาก ๆ ในการบริหารจัดการ จากนั้นจึงได้รับคำแนะนำที่ปรับให้เหมาะกับตนเอง ผู้คนจะทำงานได้คล่องแคล่วเร็วขึ้นเมื่อได้ฝึกบทสนทนาจริง แทนที่จะอ่านเกี่ยวกับบทสนทนานั้น

การประยุกต์ใช้เฉพาะอุตสาหกรรมอาจสร้างผลกระทบได้มากที่สุด บริษัทประกันสามารถสำรวจแนวทางรับแจ้งเคลมทั่วไปโดยมีระบบช่วยแนะนำ ผู้ผลิตสามารถให้ช่างเทคนิคภาคสนามเข้าถึงขั้นตอนการทำงานได้โดยไม่ต้องใช้มือ ส่วนหน่วยงานภาครัฐสามารถทำให้ข้อมูลเข้าถึงได้ง่ายขึ้นในหลายภาษา สิ่งเหล่านี้ไม่ใช่เอเจนต์ทั่วไปที่นำมาวางทับบนองค์กร แต่ต้องออกแบบให้สอดคล้องกับคำศัพท์ กฎเกณฑ์ ข้อมูล และระดับความเสี่ยงของแต่ละอุตสาหกรรม

ขยายคุณภาพของการบริการที่ยอดเยี่ยม ไม่ใช่บทสนทนาที่กำหนดตายตัว

แน่นอนว่าความเสี่ยงคือการขยายขนาดกลายเป็นการทำทุกอย่างให้เหมือนกัน องค์กรต่าง ๆ เคยทำพลาดเช่นนี้มาแล้ว ด้วยการใช้ผังการตัดสินใจแบบเดียวกันกับทุกกรณี ซึ่งตอบโจทย์กรณีทั่วไป แต่กลับทำให้คนอื่น ๆ ทั้งหมดไม่ได้รับการตอบสนองอย่างเหมาะสม สิ่งที่ควรขยายให้เกิดขึ้นจริงคือคุณภาพของปฏิสัมพันธ์ในการบริการที่ยอดเยี่ยม—มีข้อมูลประกอบ ตอบสนองได้ดี และมุ่งสู่ผลลัพธ์—ขณะที่ตัวปฏิสัมพันธ์เองปรับเปลี่ยนตามภาษา บริบท และความต้องการของแต่ละคน ความสม่ำเสมอควรหมายถึงการบริการที่ดีอย่างน่าเชื่อถือ ไม่ใช่การทำเหมือนกันทุกประการ

ความไว้วางใจเป็นส่วนหนึ่งของประสบการณ์

ยิ่งเอเจนต์เสียงฟังดูเหมือนมนุษย์มากเท่าไร ความโปร่งใสก็ยิ่งสำคัญมากขึ้นเท่านั้น ผู้ใช้ควรรู้ว่ากำลังโต้ตอบกับ AI องค์กรจำเป็นต้องได้รับอนุญาตอย่างชัดเจนก่อนสร้างหรือใช้เสียงสังเคราะห์ของบุคคลใดบุคคลหนึ่ง ต้องมีการควบคุมว่าใครเข้าถึงเสียงนั้นได้ มีการยืนยันตัวตนที่รัดกุมสำหรับการดำเนินการที่ละเอียดอ่อน บันทึกสิ่งที่เอเจนต์ดำเนินการ และมีช่องทางที่ชัดเจนให้ติดต่อมนุษย์จริง

เรื่องเหล่านี้มักถูกมองว่าเป็นประเด็นด้านการปฏิบัติตามข้อกำหนดที่ค่อยนำมาต่อเติมหลังจากออกแบบประสบการณ์เสร็จแล้ว แต่ต้องถือว่าเป็นส่วนหนึ่งของประสบการณ์นั้น หากผู้ใช้แยกไม่ออกว่ากำลังพูดกับคนหรือไม่ ไม่รู้ว่าเอเจนต์ได้รับอนุญาตให้ทำอะไร หรือไม่สามารถติดต่อใครได้เมื่อต้องการ ก็ย่อมไม่ใช่ประสบการณ์ที่ดี ไม่ว่าบทสนทนาจะฟังเป็นธรรมชาติเพียงใดก็ตาม

เราควรอธิบายให้ชัดเจนว่าความไว้วางใจนั้นเกิดจากอะไร เพราะเป็นเรื่องที่ต้องอาศัยทั้งสองฝ่าย โมเดลต้องได้รับการปรับเทียบอย่างเหมาะสมจากผู้สร้าง ส่วนการนำระบบไปใช้งานจริง ไม่ว่าจะเป็นการจัดการข้อมูล การควบคุมการเข้าถึง การบันทึกการทำงาน หรือการกำหนดจุดที่บุคคลจะเข้ามารับช่วงต่อ ล้วนเป็นอีกเรื่องหนึ่งซึ่งเป็นความรับผิดชอบของผู้ที่นำระบบไปใช้งานจริง ทั้งสองส่วนทดแทนกันไม่ได้ และต่างก็มีความสำคัญยิ่งขึ้นเมื่อเป็นระบบเสียง เพราะการโต้ตอบเกิดขึ้นแบบเรียลไทม์ เอเจนต์อาจลงมือทำสิ่งต่าง ๆ ไปพร้อมกับการพูด และไม่มีหน้าจอแสดงให้ผู้ใช้เห็นว่าเพิ่งมีการดำเนินการใดแทนตนไปบ้าง

แนวทางจากหน่วยงานภายนอกช่วยได้ในเรื่องนี้ คณะกรรมาธิการการค้าแห่งสหรัฐอเมริกาได้ชี้ให้เห็นถึงอันตรายที่อาจเกิดขึ้นจากการโคลนเสียงโดยมุ่งร้าย และกรอบการบริหารความเสี่ยงด้าน AI ของ NIST ก็มีโครงสร้างที่นำไปใช้ได้จริงเพื่อระบุและจัดการความเสี่ยงจาก AI ควรกำหนดให้ความยินยอม การเปิดเผยข้อมูล ความปลอดภัย การทดสอบ และการติดตามตรวจสอบอย่างต่อเนื่องเป็นข้อกำหนดหลักของผลิตภัณฑ์

สร้างเส้นทางที่เปิดกว้างจากการทดลองสู่การขยายผล

บทบาทที่ขยายเพิ่มขึ้นของผมในฐานะประธานฝ่ายนวัตกรรมและกลยุทธ์ AI และ LabX ผสานงานสองด้านของความท้าทายเดียวกันเข้าด้วยกัน ได้แก่ การบ่มเพาะผลิตภัณฑ์ที่มี AI เป็นแกนหลัก และการพัฒนาด้านธุรกิจของกลยุทธ์แพลตฟอร์มพันธมิตร AI ของ DXC LabX ยังคงเป็นพื้นที่สำหรับทดสอบเทคโนโลยีล้ำสมัยกับปัญหาจริงของลูกค้า แต่ปัจจุบันยังมีพันธกิจในการช่วยลูกค้าทำความเข้าใจกับระบบนิเวศแบบเปิดของพันธมิตร เช่น Anthropic และ ElevenLabs ด้วย

แนวทางแบบเปิดนี้สำคัญ เพราะไม่มีโมเดล แพลตฟอร์ม หรืออินเทอร์เฟซใดที่เหมาะกับทุกองค์กรและทุกกรณีการใช้งาน หน้าที่ของเราคือผสานเทคโนโลยีที่เหมาะสมเข้ากับความเชี่ยวชาญเฉพาะด้าน การออกแบบเวิร์กโฟลว์ การกำกับดูแล และศักยภาพในการส่งมอบงาน จากนั้นจึงตรวจสอบว่าผสานกันแล้วสร้างผลลัพธ์ที่วัดได้หรือไม่ บางครั้งอินเทอร์เฟซที่เหมาะสมอาจเป็นข้อความ บางครั้งอาจเป็นภาพ และนับวันเสียงก็ยิ่งมีบทบาทมากขึ้น ซึ่งบ่อยครั้งการผสมผสานทั้งสามรูปแบบอย่างรอบคอบก็เป็นทางเลือกที่เหมาะสม

คำถามไม่ใช่ว่าองค์กรจะนำเสียงมาใช้ในจุดใดได้บ้าง แต่คือการสนทนาจะช่วยสร้างประสบการณ์และผลลัพธ์ที่ดีกว่าได้ตรงไหน และองค์กรพร้อมที่จะออกแบบวิธีทำงานใหม่โดยมีสิ่งนี้เป็นแกนกลางหรือไม่