Найважливіше в голосовому ШІ — не голос

Найважливіше в голосовому ШІ — не голос. Важливо те, який досвід він дає змогу створити.

Згадайте найкращий сервісний досвід, який вам доводилося пережити. Ви відчували, що вас розуміють. Вам не доводилося повторювати сказане, з’ясовувати, як працює організація, чи розбиратися в її внутрішній складності. Ви пояснювали, що вам потрібно, а хтось, спираючись на контекст, власне судження та знання організації, допомагав вам досягти бажаного результату.

Що, якби компанії могли забезпечувати такі враження частіше, послідовніше й у більшому масштабі?

У цьому й полягає справжня обіцянка голосових агентів: не просто замінити набір тексту розмовою чи автоматизувати кожну взаємодію між людьми. Голосові агенти змінюють сам досвід: замість навігації системами користувач висловлює свій намір. Клієнт або працівник своїми словами описує, чого хоче досягти. Агент розуміє контекст, непомітно для користувача залучає потрібні знання та системи, виконує дозволені дії й залучає фахівця, коли потрібні розсудливість, емпатія чи повноваження.

Десятиліттями люди пристосовувалися до технологій. Ми вчилися, куди натискати, яке меню відкривати і як перетворити простий намір на низку команд. Генеративний ШІ почав це змінювати, давши нам змогу спілкуватися звичайною мовою. Голос робить наступний крок і починає докорінно змінювати ці взаємини: технологія пристосовується до природної манери спілкування людей, а складність роботи компанії відходить на задній план.

Як голос змінює досвід взаємодії з компанією

Голос важливий, бо спрощує взаємодію для працівників, клієнтів і нових співробітників. Працівникові, який телефонує до служби підтримки, не потрібно знати, у якій системі зафіксовано проблему чи міститься її розв’язання. Клієнтові не доводиться повторювати ту саму інформацію, переходячи з одного каналу взаємодії до іншого. А новому співробітникові не обов’язково обмежуватися статичними навчальними матеріалами, якщо він може потренуватися вести реалістичну розмову й одразу отримати відгук.

Голос також спрощує доступ для тих, хто не сидить за клавіатурою, працює безпосередньо на місці або просто почувається впевненіше, розмовляючи, а не набираючи текст. Багатомовні можливості допомагають організаціям послідовно спілкуватися в різних регіонах, не перетворюючи кожну взаємодію на окремий проєкт.

І все ж голос не замінить кожен екран і кожну розмову з людиною. Візуальні та письмові формати краще підходять для порівняння великих обсягів інформації й перевірки точних деталей, а людське судження залишається вкрай важливим у неоднозначних, делікатних або вагомих ситуаціях. Можливість полягає в тому, щоб використовувати голос там, де розмова є найприроднішим шляхом до результату, і передбачати зрозуміле передавання справи фахівцеві, коли це не так.

Самого голосового інтерфейсу недостатньо

Недостатньо, щоб голос звучав природно. Справжня цінність визначається тим, чи здатен агент суттєво покращити взаємодію: усунути зайві труднощі, зберегти контекст, пришвидшити розв’язання питання й допомогти людині досягти потрібного результату. Для цього потрібен не лише привабливий інтерфейс, а й пов’язані дані та робочі процеси, чіткі межі, надійне передавання справи фахівцям і відповідальність за подальші дії.

Важливо розрізняти сценарій і намір. Традиційний робочий процес заздалегідь прописує кожен крок. Натомість голосовий агент, орієнтований на результат, отримує намір, розуміє правила й контекст та адаптує свої дії, доки мети не буде досягнуто або не знадобиться судження людини.

Корисно розуміти, на якому етапі перебувають покупці, адже за короткий час корпоративний сектор пройшов три фази. Певний час панувала гарячка впровадження — здебільшого заради самого впровадження. Потім керівники почали відповідати за віддачу від цих інвестицій, але часто не могли чітко пояснити, яку цінність вони отримали. Це спричинило переорієнтацію на результати. Питання полягало вже не лише в тому, чи дало впровадження результат, а й у тому, чи не довелося заради нього поступитися чимось критично важливим. Так виник своєрідний доброзичливий скептицизм: справжня готовність інвестувати поєднується з очікуванням, що на обидва запитання буде надано відповідь.

Прогнози підтверджують цю тенденцію. За оцінкою Gartner, до 2029 року агентний ШІ самостійно розв’язуватиме 80% типових проблем клієнтської підтримки. Не має значення, чи справдиться точний показник у 80%. Тут важливе слово — розв’язуватиме. Розмова починається з доступу, а її результатом стає розв’язання питання.

Перевірка на власному досвіді — на очах у всіх

У DXC одне з перших упроваджень голосового ШІ відбулося в незвично відкритому середовищі — під час наших дзвінків для обговорення фінансових результатів. Упродовж трьох кварталів поспіль генеральний директор Рауль Фернандес писав текст свого виступу, а створена за допомогою ElevenLabs спеціальна голосова модель ШІ озвучувала його голосом.

Перший дзвінок продемонстрував основні можливості. Під час другого його виступ уже можна було транслювати іспанською, французькою, німецькою, португальською та арабською мовами. До третього текст одночасно звучав шістьма мовами. Щоразу Рауль повідомляв слухачам, що текст написав він, а озвучувала його модель ШІ.

Телефонна конференція з оголошення фінансових результатів — непростий майданчик: за такими виступами пильно стежать, їх регулюють суворі вимоги, і найменша неточність не залишається непоміченою. Експеримент на такому майданчику, а не в безпечніших умовах, дав нам чотири важливі висновки.

• Авторство важливіше за подачу. Ці слова належать йому; модель лише озвучує їх. Організації можуть масштабувати комунікацію різними мовами, не змінюючи того, хто написав повідомлення і хто залишається за нього відповідальним.
• Відкритість щодо використання ШІ посилила результат, а не зашкодила йому. Спочатку було незрозуміло, чи не підірве нашу довіру до нас повідомлення про те, що голос створений ШІ. Сталося протилежне, а альтернатива — сподіватися, що ніхто цього не помітить, — була б хибною і з етичного, і з практичного погляду.
• Багатомовне озвучення принесло реальну користь. Акціонери, яким інакше довелося б чекати на переклад, тепер чують ті самі слова, тим самим голосом і в той самий час. Це змінює те, хто має рівний доступ до інформації, а не підвищує ефективність виробництва.
• Довіра ґрунтується на відповідальності, а не на бездоганності подачі. Люди сприймають повідомлення, озвучене ШІ, коли знають, хто його написав, хто за нього відповідає і куди звернутися в разі проблеми. Нічого з цього неможливо почути в самому голосі.

Це відповідає принципу, якого ми дотримуємося в LabX, інкубаторі продуктів DXC, створених на основі ШІ: перш ніж просити клієнтів довіряти новій технології, ми маємо бути готові випробувати її у власному середовищі. Ставши першим клієнтом, ми виявляємо проблеми, яких не покаже відшліфована демонстрація: де люди вагаються, де втрачають довіру та які запобіжники потрібні для відповідального масштабування. Найскладніші виклики корпоративного ШІ зазвичай пов’язані з людьми, а не з технологіями.

Від демонстрації до трансформації досвіду

Наше стратегічне партнерство з ElevenLabs, компанією, що спеціалізується на аудіомоделях і голосових агентах на основі ШІ, спирається на досвід, здобутий у ролі першого клієнта, і дає змогу застосовувати голосові технології в трьох практичних напрямах. У кожному випадку ми починаємо з чітко визначеного результату, а не просто з упровадження технології.

• У службах підтримки голосові агенти можуть допомогти працівникам природно описати проблему, знайти потрібні знання, виконати стандартні дії та передати фахівцеві повний контекст, якщо потрібна ескалація. Важливо не те, скільки дзвінків вдалося опрацювати без залучення фахівців. Важливо, чи отримала людина, яка зателефонувала, рішення проблеми за одне звернення, не описуючи її тричі.
• На платформах клієнтського досвіду багатомовні інтерфейси з природним звучанням забезпечують послідовнішу взаємодію телефоном і цифровими каналами. У більшості сервісних організацій якість обслуговування залежить від того, хто відповідає і коли. Є можливість суттєво її поліпшити: кожна взаємодія може ґрунтуватися на тому самому контексті, а найскладніші випадки й надалі передаватимуть людям, найкраще підготовленим до їх розв’язання.
• У навчанні голос перетворює пасивний контент на практичні вправи. Працівники можуть відрепетирувати розмову з клієнтом, ситуацію, пов’язану з безпекою, або складну розмову з керівником, а потім отримати індивідуальні настанови. Практикуючись у реальній розмові, люди швидше набувають потрібних навичок, ніж читаючи про неї.

Найбільше значення можуть мати галузеві застосування. Страховики можуть випробувати покрокове оформлення типових страхових заяв; виробники — надати виїзним технічним фахівцям доступ до інструкцій без допомоги рук; організації державного сектору — зробити інформацію доступнішою кількома мовами. Це не універсальні агенти, які просто додають до організації. Їх потрібно розробляти з урахуванням термінології, правил, даних і профілю ризиків кожної галузі.

Масштабуйте якості якісного обслуговування, а не взаємодію за сценарієм

Звісно, є ризик, що масштабування призведе до одноманітності. Компанії вже припускалися такої помилки: однакове застосування дерева рішень задовольняло потреби середньостатистичного клієнта, але підводило всіх інших. Насправді масштабувати потрібно якості якісного обслуговування — обізнаність, оперативність і орієнтацію на результат, — водночас пристосовуючи саму взаємодію до мови, контексту й потреб людини. Послідовність має означати стабільно високу якість, а не однаковість.

Довіра — частина досвіду

Що більше голосовий агент схожий на людину, то важливішою стає прозорість. Людина має знати, коли взаємодіє із ШІ. Організаціям потрібен чіткий дозвіл на створення чи використання чийогось синтетичного голосу, контроль над тим, хто має до нього доступ, надійна автентифікація для важливих дій, записи дій агента та зрозумілий спосіб зв’язатися зі справжньою людиною.

Часто ці вимоги вважають питанням дотримання норм і додають уже після розроблення досвіду взаємодії, але їх потрібно вважати його невіддільною частиною. Якщо людина не може зрозуміти, чи розмовляє зі співрозмовником, що саме агент має право робити або як зв’язатися з кимось, коли це потрібно, вона не отримує належного досвіду — хоч би якою природною здавалася розмова.

Важливо точно розуміти, звідки береться ця довіра, адже вона працює в обох напрямках. Люди, які створили модель, мають належно її відкалібрувати. Її впровадження — обробка даних, контроль доступу, журналювання дій, визначення моментів, коли керування перебирає людина, — це окреме завдання для тих, хто запускає систему у виробниче середовище. Одне не замінює іншого. У голосовій взаємодії важливіші обидва аспекти, адже вона відбувається наживо, агент може виконувати дії під час розмови, а людина не бачить на екрані, що щойно було зроблено від її імені.

Тут допомагають зовнішні рекомендації. Федеральна торгова комісія звернула увагу на потенційну шкоду від зловмисного клонування голосу, а Рамка управління ризиками ШІ NIST пропонує практичну структуру для виявлення ризиків ШІ та управління ними. Згоду, розкриття інформації, безпеку, тестування й постійний моніторинг слід вважати основними вимогами до продукту.

Від експерименту до масштабування: відкритий шлях

Моя розширена роль президента з інновацій і стратегії ШІ та LabX об’єднує два аспекти одного й того самого завдання: створення продуктів, у яких ШІ закладено в основу, та розвиток комерційного напряму стратегії DXC щодо платформи партнерства у сфері ШІ. LabX і надалі дає змогу перевіряти передові технології на реальних завданнях клієнтів, але тепер його мандат також передбачає допомогу клієнтам в орієнтуванні у відкритій партнерській екосистемі, до якої входять, зокрема, Anthropic і ElevenLabs.

Такий відкритий підхід важливий, адже немає єдиної моделі, платформи чи інтерфейсу, що підійшли б кожному підприємству й кожному сценарію використання. Наше завдання — поєднати належні технології з галузевою експертизою, проєктуванням робочих процесів, управлінням і спроможністю впроваджувати рішення, а потім перевірити, чи дає це вимірюваний результат. Іноді найкращим інтерфейсом буде текст. Іноді — візуальний інтерфейс. Щораз частіше — голосовий, а нерідко й продумане поєднання всіх трьох.

Питання не в тому, де підприємство може додати голосову взаємодію. Важливо, де спілкування може забезпечити кращий досвід і кращий результат, а також чи готова організація перебудувати робочі процеси відповідно до цього.