Er stemme den mest inkluderende grænseflade?

Påstanden dukker op tidligt i næsten hvert eneste projekt, og den bliver sjældent modsagt: en app kræver, at du finder den frem, logger ind, rammer den rigtige knap og læser det med småt. Telefonen kræver bare, at du taler. Alle kan tale.

Første halvdel af det er rigtigt, og det er vigtigere, end kritikerne af stemmeagenter plejer at indrømme.

Hvem telefonen faktisk åbner døren for

For en, der er blind eller svagtseende, er en telefonlinje en grænseflade uden skærm at navigere i. For en med ordblindhed er det en grænseflade uden formular. For en, der ikke har en smartphone, eller ikke har fået MitID til at virke, er det den eneste vej ind i en virksomhed, der har flyttet resten af kontaktfladen på nettet. Og for en, der ikke har dansk som modersmål, er det ofte lettere at forklare et problem med egne ord end at finde den rigtige kategori i en rullemenu.

Det er ikke en lille gruppe. I praksis er telefonen reserveløsningen for alle de tilfælde, hvor selvbetjening ikke passer – og en agent, der svarer ved første ring, døgnet rundt, gør den reserveløsning mærkbart bedre end en kø med ventemusik.

Så langt holder påstanden.

Hvor den holder op med at gælde

»Alle kan tale« er en påstand om mennesket. Den siger ingenting om maskinen.

En talegenkendelsesmodel hører godt det, der ligner det, den er trænet på, og dårligere alt, hvad der ligger længere væk. De små udslag af det har vi skrevet om før: telefonlinjen smider en god del af signalet væk, før modellen overhovedet får det. Længere ude på skalaen ser det helt anderledes ud.

Et forskerhold på Stony Brook University målte sidste efterår Whisper op mod TORGO-datasættet – optagelser af otte personer med dysartri, en motorisk taleforstyrrelse, der skyldes skade i nervesystemet, for eksempel efter blodprop i hjernen, ved cerebral parese eller ved ALS. Uden nogen tilpasning tog Whisper-small i gennemsnit fejl af 71 procent af ordene.

Gennemsnittet er ikke det interessante. Spændet er. Af de otte havde den med mildest udslag en fejlrate på 7 procent – omtrent som for alle andre. Den med kraftigst udslag lå over 100 procent, altså flere fejl, end der var ord at tage fejl af. Samme model, samme opgave, samme diagnose, og to helt forskellige tjenester.

Undersøgelsen er lille, og forfatterne siger det selv: otte personer, engelsk tale, én modelfamilie. Men mekanismen er ikke engelsk. Den gælder lige så fuldt for stammen, for afasi efter blodprop, for tale efter en strubeoperation, for meget langsom tale – og i mildere grad for kraftig accent.

Samme kanal, to grupper

	Telefonen er lettere	Telefonen er sværere
Hvorfor	Ingen skærm, ingen formular, ingen login	Talen ligner kun lidt det, modellen er trænet på
For hvem	Blinde og svagtseende, ordblinde, ældre uden smartphone, folk uden fungerende e-ID	Dysartri, afasi, stammen, tale efter strubeoperation, meget langsom tale
Hvad der sker	Kommer i kontakt uden at bede nogen om hjælp	Bliver ikke forstået, prøver igen, giver op

Det er det ubehagelige ved påstanden: den samme kanal er på én gang den mest og den mindst tilgængelige. Hvad den er for dig, afhænger ikke af, om du har et handicap, men af hvilket.

Det, der gør det værre, end fejlraten antyder

En formular venter på dig. En agent gør ikke. Tre helt almindelige indstillinger straffer den, der har brug for længere tid.

Tidsudløbet. Agenten tolker en pause som, at den, der ringer, er færdig, og begynder at tale. For en, der stammer, ligger pausen midt inde i ordet.

Bekræftelsessløjfen. Agenten hører forkert, beder om en gentagelse, hører forkert igen. Tredje gang lægger folk på. Det er ikke et teknisk afbrud, og det havner ikke i nogen fejlstatistik.

Vejen ud kræver tale. Beskeden om at sige »medarbejder« for at blive stillet om virker ikke for den, der netop ikke bliver forstået. Udgangen er lukket af samme grund som indgangen.

Fire beslutninger

Svaret er ikke at lade være med at lade en agent tage telefonen. Det ville ramme den første gruppe for at skåne den anden.

En vej ud, der ikke kræver, at agenten forstår noget. Et tastetryk er det enkleste: »tryk nul, så stiller jeg dig om«. Det virker, uanset hvad den, der ringer, siger eller ikke siger, og koster ingenting at lægge ind. Hvem tastetrykket går til, og hvad der sker, hvis ingen tager telefonen, er samme beslutning som al anden eskalering.

Længere tærskel, før agenten tager ordet. Standardværdierne er sat for at gøre samtalen hurtig. De er ikke sat til dem, der har brug for tid til en sætning.

Automatisk omstilling efter to mislykkede forsøg. Ikke tre, ikke fem. Har agenten spurgt om det samme to gange, er chancen for, at tredje gang løser det, lille, og prisen for den, der ringer, høj.

Mål frafaldet, ikke gennemsnittet. Genkendelsen kan være fremragende i gennemsnit, samtidig med at en lille gruppe aldrig kommer igennem. Tal, der ser gode ud på et målekort, siger sjældent noget om den enkelte samtale. Find de samtaler, hvor den, der ringede, lagde på inden for de første halvfems sekunder, og lyt til ti af dem.

Det ligger ikke hos den, der ringer

Vi har tidligere gennemgået samtalen, hvor agenten hørte alt, men kunden ikke gjorde. Det her er den modsatte retning, og den er lettere at overse, for den ligner ikke en fejl i loggen. Den ligner en kunde, der lagde på.

Stemme er den mest inkluderende grænseflade for langt de fleste. Det er ikke det samme som for alle. Forskellen ligger ikke hos den, der ringer, men i hvad I har besluttet skal ske tredje gang, agenten ikke forstår.

Threll.ai bygger stemmeagenter på dansk, norsk og svensk. Testen tager fem minutter: ring til jeres eget nummer, sig én sætning bevidst utydeligt, og tæl, hvor mange forsøg I får, før I er ude af samtalen.