AI เสียงระดับองค์กรไม่ต้องการบุคลิกเพิ่มเติม มันต้องการความเห็นใจโดยการออกแบบ

ฉันทำงานด้านเสียงตั้งแต่ปี 2017 เพียงพอที่จะผ่านหนึ่งรอบความนิยมและได้เห็นรอบที่สองเริ่มมีแรงผลักดันจริง ๆ แม้ว่าคลื่นที่สองนี้จะน่าประทับใจทางเทคนิคมากกว่า การสนทนารอบ ๆ มันกลับกลายเป็นตัวเลขเป็นหลัก ส่วนใหญ่ไม่ได้เกี่ยวกับวิธีการพูดของผู้คนจริง ๆ และผมคิดว่าเราสูญเสียการเชื่อมต่อที่หลงใหลต่อภาษาศาสตร์และจิตวิทยาที่เป็นลักษณะของขั้นตอนแรกของเสียง

เมื่อสแกนประกาศต่าง ๆ คุณจะเห็นตัวเลขความหน่วงเวลา อัตราการแก้ไขปัญหา และการอ้างอิงที่ทะเยอทะยานเกี่ยวกับสิ่งที่เอเจนต์สามารถทำได้ สิ่งเหล่านี้ทั้งหมดสำคัญ แต่เอเจนต์ที่พูดอย่างสวยงามก็ไม่มีประโยชน์หากไม่สามารถทำภารกิจให้สำเร็จได้ ที่สำคัญ ผลิตภัณฑ์เสียงระดับองค์กรกำลังอ้างอิงโมเดลพื้นฐานเดียวกันมากขึ้น ซึ่งหมายความว่าความเร็วเป็นเพียงข้อกำหนดพื้นฐานเท่านั้น

ความแตกต่างอยู่ในที่อื่นโดยสิ้นเชิง เอเจนต์รู้อะไรบ้าง? มันทำอะไรได้บ้าง? การโต้ตอบรู้สึกอย่างไรขณะทำงาน? ที่สำคัญที่สุด ลูกค้าต้องทำงานเพิ่มเติมหรือไม่เพราะเอเจนต์เป็นเครื่องจักร

นี่คือจุดเริ่มต้นของการออกแบบเสียงโดยเน้นความเห็นใจ ผมไม่ได้หมายถึงการเพิ่มเสียงอุ่นหรือวลีที่แสดงความสงสาร แต่หมายถึงการออกแบบโดยคำนึงถึงเจตนาของผู้โทร, ภาระความคิดและสภาวะอารมณ์ที่คาดว่าจะเป็น เอเจนต์ควรรู้สิ่งที่ธุรกิจรู้แล้ว, อธิบายว่ากำลังทำอะไร, ฟื้นตัวอย่างเรียบร้อยเมื่อทำผิดพลาด, และหยุดพูดเมื่อภารกิจเสร็จสิ้น

เสียงสังเคราะห์ที่อุ่นแต่ถามหมายเลขบัญชีเดียวกันสามครั้งไม่ได้ทำให้การโทรง่ายขึ้นเลย และความอุ่นนั้นก็ไม่ได้ทำงานใด ๆ

ความเห็นใจไม่ใช่การตั้งค่าเสียง

เสียงอาจฟังดูรอบคอบแม้ระบบเบื้องหลังไม่เข้าใจปัญหา หรือไม่สามารถทำอะไรที่เป็นประโยชน์ได้ ลูกค้าอาจโทรมาสอบถามเกี่ยวกับการหยุดทำงาน, ใบเรียกเก็บเงินที่ขัดแย้ง, หรืออุปสรรคการติดตั้งที่กระทบหลายทีม หากเอเจนต์รู้แค่คำถามที่พบบ่อยเท่านั้น โทนเสียงที่อุ่นหรือขัดเกลาจะไม่ทำให้ประสบการณ์มีความเห็นใจ เอเจนต์ต้องรู้ว่าใครกำลังโทร, พวกเขาซื้ออะไร, การโต้ตอบล่าสุดบนบัญชีของพวกเขาเป็นอะไร, และสิ่งที่อนุญาตให้ทำเพื่อช่วยลูกค้า

เอเจนต์เสียงระดับองค์กรต้องการบริบทของลูกค้าและผลิตภัณฑ์ที่ถูกต้อง พร้อมสิทธิ์ที่เหมาะสม เพื่อให้สามารถตอบและดำเนินการได้ในขณะที่ผู้พูดยังอยู่บนสาย ผู้โทรไม่จำเป็นต้องฟังผลการค้นหาอ่านออกเสียง พวกเขาอาจต้องการให้คืนเงิน, แก้ไขบันทึก, หรือเรียกผู้เชี่ยวชาญที่เหมาะสมเข้ามา

ผมมองว่าความเห็นใจเป็นทั้งหลักการออกแบบและข้อกำหนดของระบบ การออกแบบการสนทนากำหนดว่าเอเจนต์ทำงานอย่างไร สถาปัตยกรรมพื้นฐานกำหนดว่าเอเจนต์รู้พอที่จะเป็นประโยชน์หรือไม่ ผมคิดว่าผลลัพธ์ที่รวมกันเป็นลักษณะของผลิตภัณฑ์เสียง: สิ่งที่ระบบรู้, วิธีที่มันใช้ความรู้นั้น, วิธีจัดการกับความไม่แน่นอน, และความรู้สึกของผู้ใช้เมื่อการสนทนาจบลง

เสียงสร้างสัญญาสังคม

เสียงไม่ใช่อินเทอร์เฟซที่เป็นกลาง ผมเพิ่งอยู่ในการโทรกับลูกค้าและเอเจนต์สาธิตมีเสียงผู้หญิง ภายในหนึ่งนาที ผู้คนในห้องก็เรียกมันว่า “เธอ” ไม่มีใครประกาศการตัดสินใจนั้น มันเป็นเพียงการต่อเนื่องตามธรรมชาติของการสนทนา

ปรากฏการณ์นี้มีมานานกว่าปัญญาประดิษฐ์เชิงสร้างสรรค์ ในปี 1994 งานวิจัย เกี่ยวกับคอมพิวเตอร์ในฐานะนักแสดงสังคมของ Clifford Nass, Jonathan Steuer และ Ellen Tauber แสดงให้เห็นว่าผู้คนให้การตอบสนองทางสังคมต่อคอมพิวเตอร์แม้จะรู้ว่ากำลังโต้ตอบกับเครื่องจักร เสียงทำให้การตอบสนองนั้นเข้มข้นขึ้นผ่านการจับเวลา, ความมั่นใจและโทนเสียง

สิ่งนั้นทำให้ความรู้สึกต่อความล้มเหลวเปลี่ยนไป ตัวอย่างเช่น กล่องข้อความที่ให้ลิงก์ผิดทำให้หงุดหงิด และเสียงที่พูดทับคุณ, เข้าใจประเด็นเดียวกันผิดสองครั้ง, และยืนยันว่าได้แก้ปัญหาแล้ว ทำให้รู้สึกหยาบคาย เทคโนโลยียังไม่ได้พัฒนาความรู้สึก แต่ผู้โทรมี

ความเชื่อใจมีอยู่แล้วบางเบา การศึกษาระดับโลกปี 2025 การศึกษา ที่นำโดยมหาวิทยาลัยเมลเบิร์นร่วมกับ KPMG สำรวจคนกว่า 48,000 คนใน 47 ประเทศ พบว่า 66% ใช้ AI อย่างสม่ำเสมอ แต่เพียง 46% พร้อมเชื่อใจมัน ทุกการโต้ตอบด้วยเสียงจะสร้างความเชื่อใจเล็กน้อยหรือใช้ความเชื่อใจไป

นอกจากนี้ยังมีความตึงเครียดด้านจริยธรรม อุตสาหกรรมมักมองเอเจนต์ที่ฟังดูเป็นมนุษย์ที่สุดว่าเป็นที่ดีที่สุด แต่ผู้คนไม่ต้องการถูกหลอก เมื่อผมออกแบบเอเจนต์ ผมต้องการให้มันระบุตัวตน, อธิบายว่ามันเข้าถึงอะไรได้บ้าง, และบอกว่าจะทำอะไรก่อนที่จะทำสิ่งที่สำคัญ ความโปร่งใสต้องเป็นส่วนหนึ่งของการสนทนา

ออกแบบเพื่อหู ไม่ใช่ตามตา

หน้าจอเป็นสิ่งที่ยืดหยุ่น ผู้ใช้สามารถสแกน, อ่านซ้ำ, และเลื่อนกลับได้ เสียงพูดหายไปเมื่อได้ยินแล้ว ทำให้ภาระความคิดกลายเป็นข้อจำกัดการออกแบบที่เป็นประโยชน์ ไม่ใช่เพียงหมายเหตุทางวิชาการ

การทบทวนของ Nelson Cowan review เกี่ยวกับหน่วยความจำทำงานอธิบายว่าที่เก็บศูนย์กลางจำกัดอยู่ที่ประมาณสามถึงห้ารายการที่มีความหมายในผู้ใหญ่รุ่นเยาว์ อย่างไรก็ตาม ระบบเสียงยังคงอ่านเมนูยาวและรวมหลายคำถามเป็นหนึ่งรอบ การที่คนส่วนใหญ่ไม่สามารถเก็บข้อมูลทั้งหมดไว้ได้โดยเฉพาะเมื่อพวกเขาเสียสมาธิ, ขับรถ, หรือเคยหงุดหงิดแล้ว

แชทบอทข้อความไม่สามารถแค่ให้เทคโนโลยีแปลงข้อความเป็นเสียงแล้วเรียกว่าเป็นผลิตภัณฑ์เสียงได้ การออกแบบเสียงแบบดั้งเดิมใช้การพูดสั้นลง, วางข้อมูลสำคัญก่อน, และให้ผู้โทรมีพื้นที่สำหรับขัดจังหวะ นอกจากนี้ยังรับรู้ว่าช่องว่างทุกช่องในสนทนาไม่จำเป็นต้องเติมเต็ม ดังนั้นแม้ความเร็วจะสำคัญ การออกแบบเสียงแบบดั้งเดิมก็สามารถ “อ่าน” ได้เมื่อการสนทนาสิ้นสุดลง

พื้นฐานของผมรวมถึงภาษาศาสตร์สังคมวัฒนธรรม ซึ่งศึกษาว่าภาษาทำงานอย่างไรระหว่างคนและในสภาพแวดล้อมทางสังคม สิ่งนี้เป็นประโยชน์ในการออกแบบเสียงเพราะให้คำศัพท์ที่แม่นยำสำหรับการกำหนดจังหวะ, การออกเสียง, การสลับบทสนทนาและการแก้ไข “ทำให้ฟังดูเป็นธรรมชาติ” ไม่ใช่คำสั่งการออกแบบ ความสามารถในการอธิบายว่าการสนทนาควรเป็นอย่างไรให้ทีมมีสิ่งที่สามารถสร้างตามได้

การออกแบบโดยเน้นความเห็นใจเป็นอย่างไร

การออกแบบโดยเน้นความเห็นใจไม่ได้หมายถึงทำให้เอเจนต์ฟังดูอุ่นขึ้นหรือเป็นมนุษย์มากขึ้น แต่หมายถึงการกำหนดรูปแบบการสนทนาตามสถานการณ์ของบุคคล, ลดความพยายามที่ต้องใช้ในการทำงาน, และจัดการความล้มเหลวโดยไม่เพิ่มความหงุดหงิดให้พวกเขา ในการปฏิบัติ สิ่งนี้เริ่มต้นด้วยการเลือกการออกแบบพื้นฐานไม่กี่ข้อ

เริ่มต้นด้วยเหตุผลที่ผู้โทรติดต่อ

ผู้คนไม่ได้โทรมาเพื่อสำรวจโครงสร้างข้อมูลของบริษัท พวกเขาโทรเพราะบางอย่างเสียหาย, ล่าช้า, หรือสับสน ผู้โทรที่บอกว่า “ฉันต้องหยุดการจัดส่งนี้” ไม่ควรถูกบังคับให้ผ่านสคริปต์สถานะคำสั่งซื้อทั่วไป เอเจนต์ควรระบุว่าการจัดส่งใดและว่ายังสามารถแทรกแซงได้หรือไม่

ใช้บริบทเพื่อลดการซ้ำซ้อน

ความเห็นใจมักจะแสดงออกอย่างชัดเจนที่สุดในสิ่งที่ระบบไม่ต้องถาม หากธุรกิจรู้แล้วว่าลูกค้าเป็นใคร, ใช้ผลิตภัณฑ์อะไร, และเหตุการณ์ที่เกิดขึ้นก่อนหน้า เอเจนต์ควรใช้บริบทที่ได้รับการยอมรับนั้นแทนการให้ผู้โทรต้องสร้างใหม่

สิ่งเดียวกันนี้ใช้ได้ภายในธุรกิจ พนักงานขายระหว่างการประชุมควรสามารถสอบถามว่ามีการเปลี่ยนแปลงอะไรในบัญชี, สั่งบันทึกการติดตามผลและให้การอัปเดตถูกเขียนกลับไปยังระบบที่ถูกต้อง ค่าที่ได้คือการดำเนินการต่อเนื่องโดยไม่สูญเสียบริบทหรือสร้างงานบริหารเพิ่ม

ออกแบบการแก้ไขก่อนเส้นทางที่ราบรื่น

ระบบเสียงทุกระบบจะฟังผิดของผู้ใช้ได้ เสียงสำเนียง, เสียงรบกวนพื้นหลัง, ชื่อที่ไม่คุ้นเคย, และการขัดจังหวะทำให้เป็นสิ่งที่หลีกเลี่ยงไม่ได้ ผลิตภัณฑ์ถูกกำหนดโดยสิ่งที่เกิดขึ้นต่อไป รูปแบบการฟื้นฟูที่แย่ที่สุดคือการถามซ้ำคำถามเดียวกันด้วยคำเดียวกัน การตอบที่ดีกว่าจะอธิบายว่าเอเจนต์เข้าใจอะไรและลดความไม่แน่นอนลง หากปัญหาต้องการการตัดสินใจหรือการเข้าถึงที่เอเจนต์ไม่มี ควรเรียกคนเข้ามาก่อนที่ผู้โทรจะต้องขอ

เคารพการส่งต่อและการออกจากระบบ

การส่งผู้โทรให้กับคนอื่นไม่ใช่ความล้มเหลว แต่การส่งต่อโดยไม่มีบริบทของการสนทนานั้นเป็นความล้มเหลว หากเอเจนต์โอนสายโดยไม่ส่งต่อสิ่งที่ลูกค้าได้พูด, สิ่งที่ระบุ, และสิ่งที่ได้ลองแล้ว ลูกค้าต้องเริ่มต้นใหม่ นั่นคือสิ่งที่ AI ควรจะลบออก

สิ่งเดียวกันนี้ใช้เมื่อปัญหาได้รับการแก้ไข บางครั้งประสบการณ์เสียงที่ดีที่สุดคือหนึ่งคำถาม, หนึ่งคำตอบที่แม่นยำ, และการคลิก ผู้โทรอาจไม่ได้ขอบคุณเอเจนต์หรือยืนยันว่าปัญหาได้รับการแก้ไขก่อนวางสาย หากพวกเขาได้รับสิ่งที่ต้องการ การโต้ตอบก็ถือว่าประสบความสำเร็จ

วัดความพยายาม ไม่ใช่การแสดงผลการทำงาน

การโทรที่แก้ไขได้อย่างสมบูรณ์ในครั้งเดียวอาจดูเหมือนการตีกลับเพราะลูกวางสายโดยไม่ยืนยันความพึงพอใจ หากความสำเร็จหมายถึงการทำสคริปต์ยาวให้เสร็จ ทีมจะปรับให้สนทนายาวขึ้นและเรียกว่าการมีส่วนร่วม

ผมอยากวัดการโทรซ้ำ, การแก้ไข, การโอนที่หลีกเลี่ยงได้, และว่าการดำเนินการที่ขอสำเร็จหรือไม่ คะแนนความพึงพอใจโดยรวมเช่น NPS ยังคงสำคัญ แต่การสนทนาเองเปิดเผยว่าลูกค้าต้องทำงานหนักเกินกว่าที่ควรจะเป็น

ในเดือนกุมภาพันธ์ 2026 Gartner รายงาน ว่า 91% ของผู้นำด้านบริการลูกค้าและสนับสนุนอยู่ภายใต้แรงกดดันจากผู้บริหารให้ดำเนินการใช้ AI แรงกดดันนี้ทำให้การวัดว่าการอัตโนมัติกำลังลดงานจริงหรือไม่สำคัญยิ่งขึ้น เอเจนต์เสียงที่ทำให้เกิดการโทรซ้ำ, การโอนที่ไม่จำเป็น หรือการสนทนายาวขึ้นอาจดูมีประสิทธิภาพบนกระดาษแต่เพียงย้ายค่าใช้จ่ายไปที่อื่น เศรษฐกิจจะดีขึ้นเมื่อระบบแก้ไขงานที่ถูกต้อง, หลีกเลี่ยงการเปลี่ยนแปลงที่ไม่จำเป็นและทำให้ลูกค้าไม่ต้องกลับมาผ่านช่องทางที่มีค่าใช้จ่ายสูงกว่า

ความสามารถและความเห็นใจควรอยู่ร่วมกัน

ตลาดเสียงระดับองค์กรกำลังก้าวข้ามการพูดตามธรรมชาติ สิ่งที่สำคัญตอนนี้คือว่าเอเจนต์สามารถเข้าใจความต้องการของผู้โทร, เข้าถึงบริบทธุรกิจที่ถูกต้อง, ดำเนินการอย่างแม่นยำและปลอดภัย, และตอบสนองอย่างเหมาะสมเมื่อการสนทนาออกนอกสคริปต์หรือไม่

การออกแบบโดยเน้นความเห็นใจไม่ควรทำให้เอเจนต์พูดมากขึ้น หากทำอย่างถูกต้อง จะลดการซ้ำซ้อน, สั้นคำอธิบายและป้องกันไม่ให้ผู้โทรต้องจัดการกับเครื่องจักร บางครั้งความพอใจก็แค่ความรู้สึกว่าสิ่งที่ยากกลายเป็นง่าย

คำถามที่สำคัญที่สุดที่ผมถามเมื่อตั้งค่าผลิตภัณฑ์ AI ใด ๆ คืออย่างตรงไปตรงมาว่า: ทำไมใครสักคนจึงต้องสนใจ? เสียงจะมีคุณค่าเมื่อมันทำให้บางอย่างง่ายขึ้นอย่างชัดเจน แทนที่จะทำให้ผู้คนต้องทำงานเพิ่มขึ้น

ก่อนเปิดตัวเอเจนต์เสียง, ควรฟังการสนทนาที่ล้มเหลว, ไม่ใช่แค่การสาธิตที่เรียบหรูเท่านั้น มันเข้าใจเหตุผลที่ผู้โทรติดต่อหรือไม่? มันรู้พอที่จะแก้ปัญหาได้หรือไม่? เมื่อมันล้มเหลว มันทำให้ขั้นตอนต่อไปง่ายขึ้นหรือยากขึ้น?

หากคำตอบไม่ชัดเจน การเพิ่มบุคลิกภาพ, ลดความหน่วง, หรือเสียงที่เป็นมนุษย์มากขึ้นจะไม่ช่วยแก้ไขได้