Điều quan trọng nhất về AI giọng nói không phải là giọng nói

Điều quan trọng nhất về AI giọng nói không phải là giọng nói. Mà là trải nghiệm mà giọng nói có thể mang lại.

Hãy nghĩ về trải nghiệm dịch vụ tốt nhất mà bạn từng có. Bạn cảm thấy mình được thấu hiểu. Bạn không phải nhắc lại điều mình đã nói, tìm hiểu cách tổ chức đó vận hành hay tự xoay xở với những quy trình nội bộ phức tạp. Bạn giải thích nhu cầu của mình, và có người vận dụng bối cảnh, sự phán đoán cùng hiểu biết về tổ chức để giúp bạn đạt được kết quả như mong muốn.

Sẽ thế nào nếu các doanh nghiệp có thể mang đến nhiều trải nghiệm như vậy hơn, một cách nhất quán hơn và ở quy mô lớn hơn?

Đó mới là lời hứa thực sự của các tác tử giọng nói, chứ không chỉ là thay việc gõ phím bằng lời nói hay tự động hóa mọi tương tác giữa con người. Các tác tử giọng nói chuyển trải nghiệm từ việc phải điều hướng qua các hệ thống sang việc diễn đạt mong muốn. Khách hàng hoặc nhân viên mô tả bằng lời lẽ của mình điều họ muốn thực hiện. Tác tử nắm bắt bối cảnh, kết nối những kiến thức và hệ thống phù hợp ở phía sau, thực hiện các hành động được phép, đồng thời chuyển cho người thật khi cần đến sự phán đoán, đồng cảm hoặc thẩm quyền.

Trong nhiều thập kỷ, con người đã phải thích nghi với công nghệ. Chúng ta học cách nhấp vào đâu, mở trình đơn nào và chuyển một ý định đơn giản thành một loạt mệnh lệnh như thế nào. AI tạo sinh bắt đầu thay đổi điều đó bằng cách cho phép chúng ta trò chuyện bằng ngôn ngữ thường ngày. Giọng nói tiến thêm một bước, bắt đầu đảo ngược hoàn toàn mối quan hệ này: công nghệ thích nghi với cách giao tiếp tự nhiên của con người, còn sự phức tạp của doanh nghiệp lùi vào hậu cảnh.

Vì sao giọng nói làm thay đổi trải nghiệm trong doanh nghiệp

Giọng nói có ý nghĩa vì giúp giảm trở ngại cho nhân viên, khách hàng và cả nhân viên mới. Khi gọi bộ phận hỗ trợ, nhân viên không cần phải biết hệ thống nào phụ trách vấn đề hay lưu trữ giải pháp. Khách hàng không nên phải lặp lại cùng một thông tin khi chuyển đổi giữa các kênh. Nhân viên mới cũng không nên chỉ được tiếp cận tài liệu đào tạo tĩnh khi họ có thể thực hành một cuộc hội thoại sát thực tế và nhận phản hồi ngay tại chỗ.

Giọng nói còn mở rộng khả năng tiếp cận cho những người không ở bên bàn phím, đang làm việc ngoài hiện trường hoặc đơn giản là thấy nói chuyện dễ dàng hơn gõ phím. Khả năng đa ngôn ngữ giúp các tổ chức giao tiếp nhất quán ở nhiều khu vực địa lý mà không phải biến mỗi tương tác thành một quy trình sản xuất riêng.

Tuy vậy, giọng nói không thể thay thế mọi màn hình hay mọi cuộc trò chuyện giữa người với người. Hình ảnh và văn bản vẫn phù hợp hơn để so sánh lượng thông tin dày đặc và xem xét các chi tiết chính xác; sự phán đoán của con người vẫn thiết yếu khi tình huống còn mơ hồ, nhạy cảm hoặc có hệ quả đáng kể. Cơ hội nằm ở việc sử dụng giọng nói khi trò chuyện là con đường tự nhiên nhất để đạt được kết quả, rồi thiết kế quy trình chuyển tiếp rõ ràng khi không phải như vậy.

Chỉ có giao diện giọng nói là chưa đủ

Giọng nói tự nhiên thôi chưa đủ. Giá trị thực sự nằm ở việc tác tử có thể cải thiện đáng kể trải nghiệm hay không: giảm trở ngại, duy trì bối cảnh, đẩy nhanh quá trình giải quyết và giúp mọi người đạt được kết quả phù hợp. Muốn vậy cần nhiều hơn một giao diện hấp dẫn. Cần có dữ liệu và quy trình làm việc được kết nối, ranh giới rõ ràng, quy trình chuyển tiếp đáng tin cậy và trách nhiệm giải trình đối với những gì diễn ra tiếp theo.

Vì vậy, cần phân biệt giữa kịch bản hóa và ý định. Một quy trình làm việc truyền thống định sẵn từng bước. Ngược lại, một tác tử giọng nói được thiết kế hướng đến kết quả sẽ tiếp nhận ý định, hiểu các quy tắc và bối cảnh, rồi điều chỉnh cách tiếp cận cho đến khi đạt được mục tiêu hoặc cần đến sự phán đoán của con người.

Nên hiểu rõ tình hình thực tế của bên mua, bởi doanh nghiệp đã trải qua ba giai đoạn chỉ trong một thời gian ngắn. Có một thời gian, chúng ta chạy theo việc ứng dụng công nghệ — phần lớn chỉ vì bản thân việc ứng dụng. Sau đó, các nhà lãnh đạo phải chịu trách nhiệm về lợi ích mà những khoản đầu tư đó mang lại, nhưng thường không thể diễn đạt rõ giá trị mình nhận được. Điều này dẫn đến việc điều chỉnh lại trọng tâm, hướng về kết quả. Câu hỏi khi ấy không còn chỉ là liệu một giải pháp được triển khai có tạo ra kết quả hay không, mà còn là việc đạt được kết quả đó có làm tổn hại điều gì thiết yếu không. Đó là một dạng hoài nghi cởi mở — thực sự sẵn lòng đầu tư, đồng thời kỳ vọng cả hai câu hỏi đều được giải đáp.

Các dự báo cũng cho thấy xu hướng tương tự. Gartner dự đoán AI tác tử sẽ tự động giải quyết 80% các vấn đề thường gặp trong dịch vụ khách hàng vào năm 2029. Con số chính xác có phải là 80% hay không không quan trọng. Từ quan trọng ở đây là giải quyết. Cuộc trò chuyện bắt đầu từ khả năng tiếp cận, còn sản phẩm mang lại chính là giải pháp.

Khách hàng số 0 trước công chúng

Tại DXC, một trong những lần triển khai AI giọng nói đầu tiên của chúng tôi diễn ra trong một bối cảnh hiếm có, được nhiều người chú ý: các buổi công bố kết quả kinh doanh của công ty. Trong ba quý liên tiếp, CEO Raul Fernandez tự viết kịch bản đã chuẩn bị, trong khi một mô hình giọng nói AI tùy chỉnh do ElevenLabs xây dựng đọc kịch bản bằng chính giọng của ông.

Cuộc gọi đầu tiên chứng minh năng lực cốt lõi. Trong cuộc gọi thứ hai, phần phát biểu của ông có thể được chia sẻ bằng tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Bồ Đào Nha và tiếng Ả Rập. Đến cuộc gọi thứ ba, kịch bản được phát đồng thời bằng sáu ngôn ngữ. Mỗi lần, Raul đều nói với người nghe rằng chính ông đã viết nội dung và một mô hình AI đang đọc nội dung đó.

Cuộc họp công bố kết quả kinh doanh không phải là một diễn đàn dễ dàng: mọi điều đều bị soi xét kỹ lưỡng, chịu sự quản lý chặt chẽ và khó chấp nhận bất cứ điều gì nghe có vẻ hơi sai lệch. Việc tiến hành thử nghiệm ở đó thay vì ở một nơi an toàn hơn đã đem lại bốn bài học.

• Ai là người viết quan trọng hơn cách truyền tải. Những lời phát biểu là của ông ấy; mô hình chỉ đọc chúng. Các tổ chức có thể mở rộng hoạt động truyền thông sang nhiều ngôn ngữ mà không làm thay đổi người viết thông điệp hay người chịu trách nhiệm về thông điệp đó.
• Việc công khai đã củng cố kết quả thay vì làm suy yếu kết quả. Ban đầu, chúng tôi chưa rõ liệu việc thông báo rằng giọng nói do AI tạo ra có khiến chúng tôi mất uy tín hay không. Điều ngược lại đã xảy ra, còn phương án thay thế — hy vọng không ai nhận ra — sẽ là sai lầm cả về đạo đức lẫn thực tiễn.
• Việc truyền tải bằng nhiều ngôn ngữ mang lại giá trị thực sự. Những cổ đông vốn phải chờ bản dịch giờ đây có thể nghe cùng một nội dung phát biểu, bằng cùng một giọng nói, vào cùng một thời điểm. Điều đó làm thay đổi những ai được tiếp cận thông tin bình đẳng, chứ không chỉ nâng cao hiệu quả sản xuất.
• Niềm tin dựa trên trách nhiệm giải trình, chứ không phải sự trau chuốt. Mọi người chấp nhận thông điệp do AI truyền tải khi biết ai là người viết, ai đứng ra chịu trách nhiệm và họ có thể tìm đến đâu để được giải quyết khi có vấn đề. Không điều nào trong số đó có thể nghe thấy chỉ qua giọng nói.

Điều này phản ánh một nguyên tắc chúng tôi áp dụng tại LabX, vườn ươm sản phẩm lấy AI làm nền tảng của DXC: trước khi yêu cầu khách hàng tin tưởng một công nghệ mới nổi, chúng tôi nên sẵn sàng thử nghiệm công nghệ đó trong chính môi trường của mình. Đóng vai trò là khách hàng đầu tiên giúp bộc lộ những vấn đề mà một bản trình diễn bóng bẩy không thể cho thấy — nơi mọi người ngần ngại, nơi niềm tin đổ vỡ và những biện pháp bảo vệ cần có để vận hành công nghệ một cách có trách nhiệm trên quy mô lớn. Những thách thức khó khăn nhất của AI trong doanh nghiệp thường thuộc về con người hơn là kỹ thuật.

Từ trình diễn công nghệ đến trải nghiệm được chuyển đổi

Mối quan hệ đối tác chiến lược với ElevenLabs, công ty AI chuyên về mô hình âm thanh và tác nhân giọng nói, kế thừa kinh nghiệm làm khách hàng đầu tiên đó và ứng dụng giọng nói vào ba lĩnh vực thực tiễn. Trong mỗi trường hợp, điểm khởi đầu là một kết quả được xác định rõ, chứ không đơn thuần là triển khai công nghệ.

• Tại các bộ phận hỗ trợ dịch vụ, tác nhân giọng nói có thể giúp nhân viên mô tả vấn đề một cách tự nhiên, tra cứu kiến thức liên quan, hoàn tất các bước thường lệ và chuyển đầy đủ ngữ cảnh cho chuyên gia khi cần chuyển cấp xử lý. Thước đo không phải là có bao nhiêu cuộc gọi được chuyển hướng. Điều quan trọng là người gọi có giải quyết được vấn đề chỉ trong một lần tương tác hay không, mà không phải mô tả vấn đề đến ba lần.
• Trên các nền tảng trải nghiệm khách hàng, giao diện đa ngôn ngữ với giọng nói tự nhiên giúp các tương tác qua điện thoại và kênh kỹ thuật số nhất quán hơn. Chất lượng dịch vụ ở phần lớn các tổ chức thường phụ thuộc vào việc ai trả lời và thời điểm họ trả lời. Đây là cơ hội để cải thiện thực sự — mỗi tương tác đều có thể dựa trên cùng một ngữ cảnh, trong khi những trường hợp khó nhất vẫn được chuyển đến những người có năng lực phù hợp nhất để xử lý.
• Trong đào tạo, giọng nói biến nội dung thụ động thành hoạt động thực hành. Nhân viên có thể luyện tập một cuộc trò chuyện với khách hàng, một tình huống an toàn hoặc một cuộc trao đổi khó khăn trong công việc quản lý, rồi nhận được hướng dẫn phù hợp với nhu cầu của mình. Mọi người thành thạo nhanh hơn khi thực hành chính cuộc trò chuyện đó, thay vì chỉ đọc về nó.

Các ứng dụng dành riêng cho từng ngành có thể mang lại tác động sâu rộng nhất. Các công ty bảo hiểm có thể nghiên cứu quy trình tiếp nhận có hướng dẫn đối với những yêu cầu bồi thường thông thường; nhà sản xuất có thể giúp kỹ thuật viên hiện trường truy cập quy trình làm việc rảnh tay; các tổ chức thuộc khu vực công có thể giúp mọi người dễ dàng tiếp cận thông tin bằng nhiều ngôn ngữ. Đây không phải là những tác nhân đa năng được đặt chồng lên một tổ chức. Chúng phải được thiết kế dựa trên thuật ngữ, quy tắc, dữ liệu và hồ sơ rủi ro của từng ngành.

Mở rộng những phẩm chất tạo nên dịch vụ xuất sắc, không phải một tương tác rập khuôn

Dĩ nhiên, rủi ro là mở rộng quy mô sẽ dẫn đến đồng nhất hóa. Các doanh nghiệp từng mắc sai lầm này: áp dụng đồng loạt một cây quyết định, đáp ứng được trường hợp trung bình nhưng lại khiến tất cả những người khác thất vọng. Điều thực sự cần được mở rộng là những phẩm chất làm nên một tương tác dịch vụ xuất sắc — có đủ thông tin, phản hồi nhanh và hướng đến kết quả — trong khi bản thân tương tác thích ứng với ngôn ngữ, ngữ cảnh và nhu cầu của từng người. Tính nhất quán nên có nghĩa là chất lượng luôn tốt, chứ không phải mọi thứ đều giống hệt nhau.

Niềm tin là một phần của trải nghiệm

Tác nhân giọng nói càng giống người thật thì tính minh bạch càng trở nên quan trọng. Mọi người cần biết khi nào họ đang tương tác với AI. Các tổ chức cần có sự cho phép rõ ràng để tạo hoặc sử dụng giọng nói tổng hợp của một người, kiểm soát việc ai có thể truy cập giọng nói đó, xác thực mạnh đối với các hành động nhạy cảm, lưu lại hồ sơ về những việc tác nhân đã thực hiện và có lộ trình rõ ràng để liên hệ với người thật.

Những yêu cầu này thường bị xem là vấn đề tuân thủ được bổ sung sau khi thiết kế trải nghiệm, nhưng phải được coi là một phần của chính trải nghiệm đó. Nếu một người không thể biết mình đang nói chuyện với người thật hay không, không biết tác nhân được phép làm gì, hoặc không thể liên hệ với ai đó khi cần, thì trải nghiệm của họ sẽ không tốt, dù cuộc trò chuyện nghe tự nhiên đến đâu.

Cần nói rõ niềm tin đó bắt nguồn từ đâu, bởi đây là mối quan hệ hai chiều. Những người xây dựng mô hình phải hiệu chỉnh mô hình một cách phù hợp. Việc triển khai mô hình — bao gồm xử lý dữ liệu, kiểm soát quyền truy cập, ghi nhật ký các hành động và xác định rõ thời điểm con người tiếp quản — là một vấn đề riêng, thuộc trách nhiệm của bên đưa hệ thống vào vận hành. Không yếu tố nào có thể thay thế yếu tố còn lại. Cả hai càng quan trọng hơn với giọng nói, vì tương tác diễn ra trực tiếp, tác nhân có thể thực hiện hành động trong khi đang trò chuyện, và người dùng không có màn hình để xem hệ thống vừa làm gì thay mặt họ.

Các hướng dẫn bên ngoài rất hữu ích trong vấn đề này. Federal Trade Commission đã nhấn mạnh những tác hại tiềm ẩn của việc giả mạo giọng nói bằng công nghệ nhân bản có ác ý, còn Khung Quản lý Rủi ro AI của NIST đưa ra một cấu trúc thiết thực để nhận diện và quản lý rủi ro AI. Cần xem sự đồng thuận, việc công khai thông tin, bảo mật, kiểm thử và giám sát liên tục là những yêu cầu cốt lõi của sản phẩm.

Xây dựng lộ trình mở rộng quy mô từ thử nghiệm

Vai trò được mở rộng của tôi với cương vị Chủ tịch phụ trách Đổi mới và Chiến lược AI & LabX kết nối hai khía cạnh của cùng một thách thức: ươm tạo các sản phẩm lấy AI làm nền tảng và phát triển mảng thương mại trong chiến lược nền tảng đối tác AI của DXC. LabX vẫn là nơi thử nghiệm các công nghệ tiên phong trước những vấn đề thực tế của khách hàng, nhưng hiện nay nhiệm vụ của LabX còn bao gồm việc giúp khách hàng định hướng trong hệ sinh thái đối tác mở, với các đối tác như Anthropic và ElevenLabs.

Cách tiếp cận mở đó rất quan trọng, bởi sẽ không có một mô hình, nền tảng hay giao diện đơn lẻ nào phù hợp với mọi doanh nghiệp và mọi trường hợp sử dụng. Nhiệm vụ của chúng tôi là kết hợp công nghệ phù hợp với chuyên môn theo lĩnh vực, thiết kế quy trình làm việc, năng lực quản trị và khả năng triển khai, sau đó xác thực rằng giải pháp mang lại kết quả có thể đo lường. Đôi khi, giao diện phù hợp sẽ là văn bản. Đôi khi, đó sẽ là hình ảnh. Ngày càng thường xuyên hơn, giao diện ấy sẽ là giọng nói — và nhiều khi là sự kết hợp có cân nhắc giữa cả ba.

Câu hỏi không phải là doanh nghiệp có thể bổ sung giọng nói vào đâu. Mà là ở đâu, giao tiếp bằng hội thoại có thể mang lại trải nghiệm và kết quả tốt hơn, và liệu tổ chức đã sẵn sàng thiết kế lại công việc xoay quanh hình thức tương tác đó hay chưa.