Sesli Yapay Zekâ Hakkında En Önemli Şey Ses Değildir

Sesli yapay zekâ hakkında en önemli şey ses değildir. Önemli olan, sesin mümkün kılabileceği deneyimdir.

Şimdiye kadar yaşadığınız en iyi hizmet deneyimini düşünün. Anlaşıldığınızı hissettiniz. Kendinizi tekrar etmek, kurumun nasıl işlediğini öğrenmek ya da kurum içindeki karmaşık yapıda yolunuzu bulmak zorunda kalmadınız. İhtiyacınızı anlattınız; birisi de başarılı bir sonuca ulaşmanıza yardımcı olmak için bağlamdan, muhakeme gücünden ve kuruma ilişkin bilgisinden yararlandı.

Ya kurumlar bu tür deneyimleri daha sık, daha tutarlı ve daha geniş ölçekte sunabilseydi?

Sesli ajanların asıl vaadi, yazmanın yerini konuşmanın alması ya da her insan etkileşiminin otomatikleştirilmesi değildir. Sesli ajanlar, deneyimi sistemlerde gezinmekten niyeti ifade etmeye dönüştürür. Müşteri ya da çalışan, gerçekleştirmek istediğini kendi sözcükleriyle anlatır. Ajan bağlamı anlar, arka planda uygun bilgi ve sistemleri koordine eder, izin verilen işlemleri gerçekleştirir ve muhakeme, empati ya da yetki gerektiğinde gerçek bir kişiyi sürece dahil eder.

İnsanlar onlarca yıldır teknolojiye uyum sağlıyor. Nereye tıklayacağımızı, hangi menüyü açacağımızı ve basit bir isteği bir dizi komuta nasıl dönüştüreceğimizi öğrendik. Üretken yapay zekâ, gündelik dilde konuşmamıza imkân tanıyarak bunu değiştirmeye başladı. Ses teknolojisi bir adım daha ileri giderek bu ilişkiyi bütünüyle tersine çevirmeye başlıyor: İnsanlar doğal biçimde nasıl iletişim kuruyorsa teknoloji buna uyum sağlıyor; kurumun karmaşıklığı ise arka planda kalıyor.

Ses, Kurumsal Deneyimi Neden Değiştiriyor?

Ses, çalışanların, müşterilerin ve yeni işe başlayanların karşılaştığı engelleri ortadan kaldırdığı için önemlidir. Hizmet masasına ulaşan bir çalışanın, sorundan hangi sistemin sorumlu olduğunu ya da çözümün hangi sistemde bulunduğunu bilmesi gerekmemelidir. Bir müşteri, kanallar arasında geçiş yaparken aynı bilgileri tekrar tekrar vermek zorunda kalmamalıdır. Gerçekçi bir konuşma pratiği yapıp anında geri bildirim alabilecekken yeni işe başlayan biri yalnızca sabit eğitim materyalleriyle sınırlı kalmamalıdır.

Ses, klavyeden uzakta olan, sahada çalışan ya da yazmaktansa konuşmayı tercih eden kişilerin erişimini de genişletir. Çok dilli özellikler, her etkileşimi ayrı bir üretim sürecine dönüştürmeden kurumların farklı coğrafyalarda tutarlı iletişim kurmasına yardımcı olur.

Bununla birlikte ses, her ekranın ya da her insan sohbetinin yerini alamaz. Yoğun bilgileri karşılaştırmak ve ayrıntıları dikkatle incelemek için görsel ve yazılı mecralar hâlâ daha uygundur; bir durum belirsiz, hassas ya da önemli sonuçlar doğurabilecek nitelikte olduğunda insan muhakemesi vazgeçilmezdir. Amaç, konuşmanın sonuca ulaşmanın en doğal yolu olduğu durumlarda sesten yararlanmak, uygun olmadığı durumlardaysa açık geçişler tasarlamaktır.

Sesli Bir Arayüz Yeterli Değil

Doğal tınlayan bir ses tek başına yeterli değildir. Asıl değer, ajanın deneyimi gerçekten iyileştirip iyileştirememesine bağlıdır: engelleri ortadan kaldırmak, bağlamı korumak, çözüme ulaşmayı hızlandırmak ve kişinin doğru sonuca ulaşmasına yardımcı olmak. Bunun için etkileyici bir arayüzden fazlası gerekir. Bağlantılı veriler ve iş akışları, açık sınırlar, güvenilir devirler ve sonrasında yaşananlardan hesap verebilirlik de gereklidir.

Bu nedenle senaryoya bağlama ile niyet arasında bir ayrım vardır. Geleneksel bir iş akışında her adım önceden belirlenir. Oysa sonuçlara ulaşmak üzere tasarlanan bir sesli ajan, niyeti alır, kuralları ve bağlamı anlar; hedefe ulaşılana ya da bir kişinin muhakemesi gerekene kadar yaklaşımını uyarlar.

Alıcıların bugün nerede durduğunu bilmekte fayda var; çünkü kurumsal dünya kısa sürede üç aşamadan geçti. Bir süre boyunca, büyük ölçüde kendi başına bir amaç hâline gelen bir benimseme çılgınlığı yaşadık. Ardından liderler, bu yatırımların ne getirdiğinden sorumlu tutulduklarını fark etti ve çoğu zaman elde ettikleri değeri açıklayamadı. Bunun sonucunda odağımızı yeniden sonuçlara çevirdik. Artık soru yalnızca bir uygulamanın sonuç sağlayıp sağlamadığı değil, bunu yaparken kritik bir şeyden ödün verilip verilmediğiydi. Burada bir tür yapıcı şüphecilik söz konusu: Yatırım yapmaya gerçek bir istek var, ancak her iki sorunun da yanıtlanması bekleniyor.

Tahminler de aynı yönde. Gartner, ajan tabanlı yapay zekânın 2029’a kadar yaygın müşteri hizmetleri sorunlarının %80’ini otonom olarak çözüme kavuşturmasını bekliyor. Oranın tam olarak %80 olup olmaması önemli değil. Buradaki önemli sözcük çözüme kavuşturmak. Konuşma erişimle başlar; sunulan ürün ise çözümdür.

Kamuoyunun Gözü Önünde Bir İlk Müşteri

DXC’de ilk sesli yapay zekâ uygulamalarımızdan biri, alışılmadık ölçüde görünür bir ortamda, yatırımcı bilgilendirme toplantılarımızda hayata geçirildi. Art arda üç çeyrek boyunca CEO Raul Fernandez konuşma metnini kendisi yazarken, ElevenLabs ile oluşturulan özel bir yapay zekâ ses modeli bu metni onun sesiyle aktardı.

İlk görüşme, temel yeteneği ortaya koydu. İkinci görüşmede, konuşması İspanyolca, Fransızca, Almanca, Portekizce ve Arapça olarak paylaşılabildi. Üçüncü görüşmede ise metin aynı anda altı dilde yayımlandı. Raul, her seferinde dinleyicilere sözleri kendisinin yazdığını ve bunları bir yapay zekâ modelinin aktardığını söyledi.

Finansal sonuçların açıklandığı bir toplantı kolay bir ortam değildir: titizlikle incelenir, düzenlemelere tabidir ve kulağa en ufak bir yanlışlık gibi gelen şeylere bile hoşgörü göstermez. Deneyi daha güvenli bir yerde değil de orada yürütmekten dört önemli sonuç çıktı.

• Yazarlık, sunumdan daha önemlidir. Sözler ona ait; model yalnızca onları seslendiriyor. Kuruluşlar, mesajı kimin yazdığını ya da kimin sorumluluğu üstlenmeye devam ettiğini değiştirmeden farklı dillerde iletişim kurabilir.
• Şeffaflık, sonucu zayıflatmak yerine güçlendirdi. Yapay zekâ sesini duyurmanın güvenilirliğimize mal olup olmayacağı başlangıçta belli değildi. Tam tersi oldu; kimsenin fark etmemesini ummak ise hem etik hem de pratik açıdan yanlış olurdu.
• Çok dilli seslendirme gerçek bir değer sağladı. Aksi hâlde çeviri beklemek zorunda kalacak hissedarlar artık aynı açıklamaları, aynı sesle ve aynı anda dinleyebiliyor. Bu, üretim verimliliğiyle değil, bilgiye eşit erişim sağlayan kişi sayısındaki değişimle ilgili.
• Güven, kusursuzluktan değil hesap verebilirlikten doğar. İnsanlar, mesajı kimin yazdığını, kimin arkasında durduğunu ve bir sorun olduğunda hangi yollara başvurabileceklerini bildiklerinde yapay zekâ tarafından seslendirilen mesajı kabul eder. Bunların hiçbiri sesin kendisinden anlaşılmaz.

Bu yaklaşım, DXC’nin yapay zekâ temelli ürün kuluçka merkezi LabX’te benimsediğimiz bir ilkeyi yansıtıyor: Müşterilerden gelişmekte olan bir teknolojiye güvenmelerini istemeden önce, onu kendi ortamımızda denemeye istekli olmalıyız. Sıfırıncı Müşteri olmak, kusursuz bir demoda ortaya çıkmayan sorunları görünür kılar: insanların nerede tereddüt ettiğini, güvenin nerede sarsıldığını ve geniş ölçekte sorumlu biçimde faaliyet göstermek için hangi koruyucu önlemlerin gerektiğini. Kurumsal yapay zekâdaki en zorlu sorunlar genellikle teknik değil, insani sorunlardır.

Gösterimden Dönüştürücü Deneyimlere

Ses modelleri ve sesli ajanlar konusunda uzmanlaşmış yapay zekâ şirketi ElevenLabs ile stratejik ortaklığımız, Sıfırıncı Müşteri deneyiminden yararlanıyor ve sesi üç pratik alanda kullanıma sunuyor. Her durumda başlangıç noktası, yalnızca bir teknolojiyi devreye almak değil, belirli bir sonuca ulaşmaktır.

• Hizmet masalarında sesli ajanlar, çalışanların bir sorunu doğal bir dille anlatmasına, ilgili bilgilere ulaşmasına, rutin adımları tamamlamasına ve konunun üst seviyeye taşınması gerektiğinde tüm bağlamı bir uzmana aktarmasına yardımcı olabilir. Ölçüt, kaç çağrının başka kanallara yönlendirilmeden çözüldüğü değildir. Önemli olan, arayan kişinin sorunu üç kez anlatmak zorunda kalmadan tek bir görüşmede çözüme ulaşmasıdır.
• Müşteri deneyimi platformlarında doğal tınlayan çok dilli arayüzler, telefon ve dijital kanallardaki etkileşimleri daha tutarlı hâle getirir. Çoğu hizmet kuruluşunda hizmetin kalitesi, kimin ne zaman yanıt verdiğine göre değişir. Gerçek bir iyileşme fırsatı var: Her etkileşim aynı bağlamdan yararlanabilir; en zor durumlar ise onları ele almak için en donanımlı kişilere yönlendirilmeye devam eder.
• Eğitimde ses, pasif içeriği uygulamaya dönüştürür. Çalışanlar bir müşteri görüşmesini, güvenlik senaryosunu ya da zorlu bir yönetim konuşmasını prova edip ardından kendilerine özel koçluk alabilir. İnsanlar, gerçek konuşmayı uygulayarak, hakkında okumaya kıyasla daha hızlı yetkinleşir.

En önemli sonuçları sektörlere özel uygulamalar doğurabilir. Sigorta şirketleri rutin hasar başvuruları için yönlendirmeli başvuru süreçlerini değerlendirebilir; üreticiler saha teknisyenlerine prosedürlere ellerini kullanmadan erişme olanağı sunabilir; kamu kuruluşları ise bilgilere birden çok dilde erişimi kolaylaştırabilir. Bunlar, bir kuruluşun üzerine eklenen genel amaçlı ajanlar değildir. Her sektörün terminolojisi, kuralları, verileri ve risk profili dikkate alınarak tasarlanmaları gerekir.

Senaryoya Bağlı Etkileşimi Değil, Üstün Hizmetin Niteliklerini Ölçeklendirin

Elbette risk, ölçek büyüdükçe her şeyin birbirine benzemesidir. Kuruluşlar bu hatayı daha önce yaptı: herkese aynı şekilde uygulanan bir karar ağacı, ortalama durumu karşılıyor ama diğer herkesi hayal kırıklığına uğratıyor. Ölçeklendirilmesi gereken, üstün bir hizmet etkileşiminin nitelikleridir: bilgiye dayalı, duyarlı ve sonuca odaklı olması. Etkileşimin kendisi ise kişinin diline, bağlamına ve ihtiyacına göre uyarlanmalıdır. Tutarlılık, aynı olmak değil, sürekli olarak iyi hizmet sunmak demektir.

Güven, Deneyimin Bir Parçasıdır

Sesli bir ajan ne kadar insana benzerse şeffaflık da o kadar önem kazanır. Kişi, yapay zekâyla etkileşim kurduğunu bilmelidir. Kuruluşların birinin yapay sesini oluşturmak ya da kullanmak için açık izne, bu sese kimlerin erişebileceğini belirleyen kontrollere, hassas işlemler için güçlü kimlik doğrulamaya, ajanın yaptıklarının kayıtlarına ve gerçek bir insana ulaşmak için açık bir yola ihtiyacı vardır.

Bunlar çoğu zaman deneyim tasarlandıktan sonra eklenen bir uyum meselesi olarak görülür; oysa deneyimin bir parçası olarak ele alınmaları gerekir. Karşısındakinin bir insan olup olmadığını anlayamayan, ajanın ne yapmaya yetkili olduğunu bilemeyen ya da ihtiyaç duyduğunda birine ulaşamayan kişinin yaşadığı deneyim, konuşma ne kadar doğal tınlarsa tınlasın iyi değildir.

Bu güvenin nereden kaynaklandığı konusunda net olmalıyız; çünkü bu, karşılıklı bir süreçtir. Bir modeli geliştirenlerin onu doğru şekilde kalibre etmesi gerekir. Modelin çevresindeki devreye alma süreci — verilerin işlenmesi, erişim denetimi, kaydedilen eylemler ve bir kişinin devralacağı noktaların belirlenmesi — sistemi üretim ortamına alan tarafın sorumluluğundaki ayrı bir meseledir. Bunların hiçbiri diğerinin yerini tutmaz. Sesli etkileşimde her ikisi de daha önemlidir; çünkü etkileşim canlıdır, aracı konuşurken eyleme geçebilir ve kişinin adına az önce ne yapıldığını gösteren bir ekran yoktur.

Dış kaynaklardan gelen yönlendirmeler bu konuda yardımcı olur. Federal Trade Commission, kötü amaçlı ses klonlamanın yol açabileceği olası zararlara dikkat çekmiş; NIST Yapay Zekâ Risk Yönetimi Çerçevesi ise yapay zekâ risklerini belirlemek ve yönetmek için pratik bir yapı sunmuştur. Rıza, bilgilendirme, güvenlik, test ve sürekli izleme, temel ürün gereklilikleri olarak ele alınmalıdır.

Denemeden Ölçeklendirmeye Açık Bir Yol Oluşturmak

Yapay Zekâ İnovasyonu ve Stratejisi Başkanı & LabX olarak genişleyen rolüm, aynı zorluğun iki yönünü bir araya getiriyor: yapay zekâ temelli ürünleri kuluçkaya almak ve DXC’nin yapay zekâ iş ortağı platformu stratejisinin ticari boyutunu geliştirmek. LabX, öncü teknolojileri gerçek müşteri sorunları karşısında sınamaya yönelik bir yer olmayı sürdürüyor; ancak görev alanı artık müşterilerin Anthropic ve ElevenLabs gibi iş ortaklarının yer aldığı açık bir ekosistemde yol bulmalarına yardımcı olmayı da kapsıyor.

Bu açık yaklaşım önemlidir; çünkü her kuruma ve her kullanım senaryosuna uygun tek bir model, platform ya da arayüz yoktur. Görevimiz, doğru teknolojiyi alan uzmanlığı, iş akışı tasarımı, yönetişim ve uygulama kapasitesiyle bir araya getirmek, ardından ölçülebilir bir sonuç sağladığını doğrulamaktır. Bazen en uygun arayüz metin olur. Bazen görsel bir arayüz olur. Giderek daha sık sesli arayüzler tercih edilir — çoğu zaman da bu üç arayüzün düşünülmüş bir bileşimi.

Mesele, bir kurumun sesli etkileşimi nerede kullanabileceği değildir. Asıl mesele, konuşmanın nerede daha iyi bir deneyim ve daha iyi bir sonuç sağlayabileceği ve kurumun işleri buna göre yeniden tasarlamaya hazır olup olmadığıdır.