Findes der en talehastighed, vi bare kan sætte agenten til?

Nej, og artiklen nævner bevidst ikke et tal. Det, der betyder noget, er, at hastigheden er en beslutning, nogen har taget, og ikke en standardværdi, ingen har set på, og at de to oplysninger, kunden har mest brug for at fange – hvem der svarer, og at det er kunstig intelligens – ikke ligger i den hurtigste del af åbningen. Test den mod de kunder, I faktisk har, ikke mod hvordan den lyder for den, der byggede den.

Bør vi lave en særlig tilgængelighedstilstand til dem, der hører dårligt?

En særlig tilstand hjælper kun, hvis I ved på forhånd, hvem der har brug for den, og på et indgående nummer ved I det ikke. Alle fem beslutninger – tempoet, andet forsøg, bekræftelsen, overleveringen og hvem der lytter til de korte samtaler – koster ingenting på en samtale, der gik fint alligevel, og hører derfor hjemme i standardforløbet frem for bag en indstilling.

Vi skifter til bredbåndslyd. Løser det dette?

Det fjerner det ene af de to filtre, ikke begge. Bredbånd giver de lyse frekvenser tilbage, som almindelig telefoni skærer væk over omkring 3.400 hertz, og det er præcis der, de ustemte konsonanter ligger – men aldersrelateret høretab begynder i samme område, og bedre lyd giver ikke hørelsen tilbage. En kunde på toogfirs får stadig det andet filter.

Hvordan finder vi disse samtaler i vores egne logfiler?

Sortér de korte frem, som blev afbrudt af kunden, og læs transkriptionerne efter en gentagen bøn om at sige det igen. De to signaler tilsammen er mønsteret, og samtalerne ligger allerede i loggen – derfor kræver indsatsen ingen ny funktion. Ti om måneden er nok til at se, om det sker hos jer.

Når kunden ikke kan høre stemmeagenten

En mand på toogfirs ringer til et servicenummer en formiddag. Hans hørelse er nogenlunde der, hvor de flestes er i den alder: han hører udmærket, at der bliver talt, og han mister hver anden konsonant.

Han lægger på efter halvtreds sekunder. I loggen står samtalen som afbrudt af kunden, og der bliver den liggende.

Samtalen nedenfor er konstrueret. Det er de fem øjeblikke i den ikke. Det er de steder, hvor noget skal være besluttet på forhånd, og ingen af dem løses af en bedre model.

Hvor mange det gælder

Høreforeningen regner med, at over 800.000 danskere har høreproblemer. Omkring 300.000 bruger høreapparat, og cirka 50.000 har et svært høretab.

Fordelingen er det, der betyder noget for et telefonnummer. Langt de fleste høretab er aldersbetingede, og andelen stiger kraftigt op gennem aldersgrupperne. Ligger tyngdepunktet blandt jeres kunder over 65 år – kommune, lægepraksis, forsikring, energi, ejendomsadministration – er det her ikke et særtilfælde. Det er en af de største enkeltgrupper på linjen.

To filtre efter hinanden

Aldersbetinget høretab begynder øverst i spektret. De lyse frekvenser svækkes først, og derfor er det de ustemte konsonanter – p, k, t, s, f, h – der forsvinder tidligst.

Det er præcis det område, telefonlinjen allerede har smidt væk. Almindelig telefoni bærer omkring 300 til 3.400 hertz, og hvislelydene ligger delvist over det loft.

Filtrene ligger efter hinanden. Nettet tager toppen af signalet, hørelsen tager meget af det, der er tilbage. En kunde på tredive mærker knap nok det første. Han får summen af begge.

Og dér ligger den asymmetri, der gør det her til et designspørgsmål og ikke et lydspørgsmål: agenten kan gætte ud fra sammenhængen, slå op, bede om en gentagelse. Han har kun sine ører.

Åbningen

Agenten siger, hvem den er, hvem den svarer for, og at den er kunstig intelligens.

Han får fat i »Goddag, du taler med«, og derefter en række stavelser.

Sætningen er ikke dårlig. Problemet er, at de to oplysninger, der betyder mest, ligger dér, hvor tempoet er højest, og hvor han stadig er i gang med at finde ud af, hvad det er for en samtale. Åbningsreplikken er den eneste del af opsætningen, alle kunder får med – forudsat at den er bygget, så den kan opfattes.

Det, der skal være besluttet: hvor hurtigt agenten taler, og om der ligger en pause efter hilsenen. Et halvt sekunds stilhed koster ingenting, og den flytter det vigtigste ud af den travleste del af replikken.

»Hvad sagde du?«

Her holder de fleste opsætninger op med at ligne et menneske.

Et menneske, der bliver bedt om at gentage, siger det på en anden måde: kortere sætning, andre ord, lidt langsommere. En stemmeagent gentager som regel den samme sætning i det samme tempo, fordi det er den sætning, den har.

Det hjælper ikke. Var »bekræftelseskode« uhørligt første gang, er det uhørligt anden gang.

Det, der skal være besluttet: at forsøg nummer to er en anden formulering og ikke den samme højere. Og at der ikke findes et forsøg nummer tre – to gentagelser er et signal, ikke en tilstand, agenten skal blive stående i.

Tallet

Agenten læser en dato op og beder om en bekræftelse.

»Femten« og »seksten« adskiller sig først og fremmest på f og s – to ustemte lyde, begge i den del af spektret, der er tyndest hos ham og smallest på linjen. Han hører, at der kom et tal. Han hører ikke hvilket.

Så bekræfter han. Det gør folk. At bede nogen bekræfte noget, de ikke hørte, er en høflighedsfælde og ikke en kontrol.

Det, der skal være besluttet: at bekræftelsen er noget, han kan svare på, og ikke noget, han kan sige ja til. »Vil du læse datoen tilbage til mig?« afslører fejlen. »Passer det?« skjuler den.

Viderestillingen

Han beder om at tale med et menneske. Agenten stiller videre, og et resumé af sagen følger med.

Mennesket får dermed at vide, hvad samtalen drejer sig om, men ikke det, der afgør, hvordan de næste tredive sekunder går: at denne kunde ikke kunne opfatte agenten. Eskaleringen er den del af opsætningen, det er dyrest at gøre halvt, og halvt koster her, at samtalen starter forfra i samme tempo som den, der lige mislykkedes.

Halvtreds sekunder

Han lægger på, før nogen tager den.

Modgiften kræver ingen ny funktion. Lyt til ti korte samtaler om måneden – ikke de længste, ikke de eskalerede, men de korte, hvor nogen sagde »hvad sagde du?« mere end én gang. De ligger allerede i loggen.

Det, de fem øjeblikke har til fælles

Ingen af dem løses af en bedre model, og ingen af dem løses af mere volumen.

De løses af fem beslutninger: hvor hurtigt agenten taler, hvad der sker ved andet forsøg, om en bekræftelse kan besvares uden at være blevet hørt, hvad mennesket får at vide ved viderestillingen, og om nogen overhovedet lytter til de korte samtaler.

Threll.ai bygger stemmeagenter på dansk, norsk og svensk. Den kunde, der har sværest ved at høre agenten, er som regel også den, der har færrest andre måder at komme i kontakt på.