Glasovni AI još traži prelomni trenutak u poslovnoj primeni
PolyAI i Otter ocenjuju da glasovni AI, uprkos pojavi full-duplex modela koji mogu da govore dok slušaju sagovornika, još nije dostigao prelomni trenutak kakav je ChatGPT doneo tekstualnim alatima. CTO kompanije PolyAI Shawn Wen kao sledeći veliki tehnički zadatak izdvaja veoma brzo rezonovanje, dok Otter naglašava tačnost transkripcije, prepoznavanje govornika i razumevanje namere.
Prirodan razgovor zahteva više od kvalitetnog glasa
Full-duplex sposobnost uklanja deo neprirodnosti iz razgovora sa sistemom, jer model može istovremeno da prima i daje govor. Wen ipak smatra da to nije dovoljno: sistem mora brzo da pronađe odgovor kako bi tok razgovora delovao prirodno, bez zastoja koji narušavaju iskustvo pozivaoca.
U korisničkoj podršci glasovni agent ne bi trebalo da zvuči robotski, već da korisniku ulije poverenje da može da reši problem. Wen ukazuje da se poverenje može graditi već tokom prva dva ili tri odgovora. Kada korisnik proceni da agent razume zahtev i vodi ga ka rešenju, manja je potreba za preusmeravanjem na ljudskog operatera.
Otterov CMO Alex Gay posmatra automatizaciju iz ugla sastanaka. Prepoznavanje ko govori, pravilno beleženje namere i povezivanje zapisa sa znanjem organizacije predstavljaju važan korak ka korisnim naknadnim radnjama. Kompanija radi i na digitalnim blizancima koji bi mogli da predstavljaju ljude na sastancima, ali takav prikaz mora da prenese emotivne nijanse razgovora da ne bi ostao samo sistem pitanja i odgovora.
Tačnost transkripcije određuje pouzdanost automatizacije
Wen upozorava da modeli za automatsko prepoznavanje govora, odnosno ASR, često propuštaju ključne reči. Tada se gubi deo konteksta, što može promeniti smisao razgovora. Gay ističe da transkripcija za Otter nije krajnji proizvod, već sloj na kojem se grade produktivni tokovi rada.
Ako početni zapis nije dovoljno tačan, pogrešni mogu postati i sažetak, izdvojeni zadaci i svaka automatska radnja koja sledi. Takav lanac grešaka brzo narušava poverenje u platformu. Zato unapređivanje ASR modela nije sporedna funkcija, već uslov da automatizacija ima upotrebljivu osnovu.
Transparentnost je deo iskustva, ne dodatak
Sa širenjem glasovnih alata otvara se i pitanje jasnog obaveštavanja učesnika. Otter želi da učesnici sastanka znaju kada se razgovor snima, uključujući mogućnost obaveštavanja putem četa čak i kada bot nije prisutan na sastanku. PolyAI takođe smatra važnim da se u poslovnim pozivima jasno uspostavi da sagovornik razgovara sa AI sistemom.
Za poslovanje to znači da izbor glasovnog AI rešenja ne treba svesti na kvalitet sintetičkog glasa. Potrebno je proveriti brzinu odgovora, tačnost prepoznavanja govora, pouzdanost narednih automatizovanih radnji i način na koji sistem korisniku jasno saopštava svoju ulogu.