Én kundesamtale, led for led: syv punkter, hvor den brister

Den 10. september lagde OpenAI GPT-Live-1 ud i API'et til 0,05 dollar i minuttet. Prisen dækker udtrykkeligt kun stemmelaget – den del, der hører og taler. Den dybere tænkning og værktøjsbrugen lægges ud til en tekstmodel, som udvikleren selv vælger og betaler for ved siden af.

Det er en præcis beskrivelse af noget, der har været sandt et stykke tid: en stemmeagent er ikke én ting. Den er en række led, der skal holde efter tur, inden for få sekunder, i en bestemt rækkefølge. Her er én helt almindelig samtale – en butiksejer, der ringer til sin leverandør om en fejlleverance – og hvad der skal være på plads i hvert led.

Telefonen ringer

Det første led har intet med AI at gøre. Opkaldet skal fra kundens operatør, ind på jeres nummer, gennem telefoniudbyderen og frem til agenten, helst inden for tre eller fire ringetoner.

Det er også det eneste led uden noget at falde tilbage på. Svigter det, hører kunden ingenting overhovedet. Hvem der ejer nummeret, og hvor opkaldet går hen, hvis agenten ikke svarer, afgøres her – ikke i en diskussion om modelvalg.

Den første sætning

Agenten siger noget. Det er den ene sætning, hundrede procent af dem, der ringer, hører, og den skal gøre fire ting på én gang: sige hvem der svarer, sige at det er en AI, give en vej ud, og stille ét spørgsmål, der er åbent nok til, at kunden begynder at fortælle.

Fejlen er næsten altid den samme. Sætningen er skrevet til sidst, på fem minutter, af en, der skulle nå at blive færdig.

»Ja, hej – det handler om en leverance, der kom i går«

Kunden fortæller det hele på én gang, i den forkerte rækkefølge, med et sidespor om, at han også ringede i sidste uge. Ingen taler i formularfelter.

Det, der skal holde her, er, at agenten ikke prøver at styre ham tilbage til trin ét. Den skal samle op på det, den fik gratis – at det handler om en leverance, at den kom i går, at noget er galt – og kun spørge om det, der mangler. En agent, der spørger om noget, den allerede har fået svar på, er den hurtigste måde at miste et opkald på.

Ordrenummeret

Nu skal en række cifre læses op, og det er det svageste punkt i hele kæden. Tal er det sværeste, en stemmeagent hører, og telefonlinjen kaster samtidig meget af det bort, som skiller cifrene fra hinanden.

Det, der skal være sandt her, er ikke, at agenten hører rigtigt hver gang. Det er, at den læser tallet tilbage, når den er i tvivl, i stedet for at skrive noget ned, der bare ser plausibelt ud.

De fire sekunder, hvor ingen siger noget

Agenten har nummeret. Nu skal noget slås op, og opslaget tager tid. I en kædet opsætning er det som regel her, samtalen falder fra hinanden: agenten bliver tavs, kunden tror, linjen er død, og så taler begge på én gang.

Netop dette led er den nye modelgeneration bygget til. OpenAI kalder det »silent context management« – at håndtere stilhed og baggrundsstøj uden at afbryde samtalen eller fortælle højt om hvert skridt undervejs. Sprogtjenesten Speak oplyser, at afbrydelser i elevernes tænkepauser faldt med næsten 80 procent i forhold til deres tidligere, turbaserede opsætning.

Men om de fire sekunder føles rigtige, afgøres ikke af modellen alene. Det afgøres af, om nogen har besluttet, hvad agenten gør, mens den venter – og hvad den siger, hvis opslaget aldrig kommer tilbage.

Det svar, agenten ikke må give

Opslaget kommer tilbage: forkert vare sendt, og det er leverandørens fejl. Kunden spørger, om han får en kreditnota.

Her holder samtalen op med at handle om teknologi. Agenten kan sagtens formulere et svar. Spørgsmålet er, om nogen har besluttet, at den må. Et ja til et krav binder jer, uanset om det kommer fra en medarbejder eller fra en agent, og den grænse bør stå skrevet ned før den første samtale, ikke efter den første klage.

Overdragelsen

Agenten stiller om. Hvis den, der tager telefonen, åbner med »hej, hvad drejer det sig om?«, var de foregående fire minutter spildt – og værre: kunden har nu forklaret det samme to gange til det samme firma.

Det er konteksten, der forsvinder ved en overdragelse, og den forsvinder, uanset hvor god stemmemodellen var. Dette led følger ikke med modellen. Det skal bygges.

Hvad et modelskifte faktisk løser

Syv led. Ét af dem er stemmemodellen.

Det nyttige ved, at prisen nu står opgivet for sig, er, at det bliver tydeligt, hvad en opgradering kan og ikke kan løse. En bedre stemmemodel hjælper på led tre, fire og fem. Den gør ingenting ved, hvem der ejer nummeret, hvad agenten må love, eller hvad mennesket får at vide, når det overtager.

Threll.ai bygger stemmeagenter på dansk, norsk og svensk. Gå de syv led igennem i jeres egen opsætning, og markér dem, en ny model ville forbedre. Det er sjældent de samme led, der reelt holder projektet tilbage.