Er stemme det mest inkluderende grensesnittet?

Påstanden kommer tidlig i nesten hvert prosjekt, og den blir sjelden imøtegått: en app krever at du finner fram, logger inn, treffer riktig knapp og leser liten skrift. Telefonen krever bare at du snakker. Alle kan snakke.

Første halvdel av det er riktig, og den er viktigere enn kritikerne av stemmeagenter pleier å innrømme.

Hvem telefonen faktisk åpner døra for

For en som er blind eller svaksynt, er en telefonlinje et grensesnitt uten skjerm å navigere i. For en med dysleksi er det et grensesnitt uten skjema. For en som ikke har smarttelefon, eller ikke har fått BankID til å virke, er det den eneste veien inn i en virksomhet som har flyttet resten av kontaktflaten på nett. Og for en som ikke har norsk som førstespråk, er det ofte lettere å forklare et problem med egne ord enn å finne riktig kategori i en nedtrekksmeny.

Dette er ikke en liten gruppe. I praksis er telefonen reserveløsningen for alle tilfellene der selvbetjening ikke passer – og en agent som svarer på første ring, døgnet rundt, gjør den reserveløsningen merkbart bedre enn en kø med ventemusikk.

Så langt holder påstanden.

Der den slutter å gjelde

«Alle kan snakke» er en påstand om mennesket. Den sier ingenting om maskinen.

En talegjenkjenningsmodell hører godt det som ligner på det den er trent på, og dårligere alt som ligger lenger unna. De små utslagene av dette har vi skrevet om før: telefonlinja kaster bort en god del av signalet før modellen i det hele tatt får det. Lenger ute på skalaen ser det helt annerledes ut.

Et forskningsteam ved Stony Brook University målte i fjor høst Whisper mot TORGO-datasettet – opptak av åtte personer med dysartri, en motorisk talevanske som følger av skade i nervesystemet, for eksempel etter hjerneslag, ved cerebral parese eller ved ALS. Uten noen tilpasning bommet Whisper-small i snitt på 71 prosent av ordene.

Gjennomsnittet er ikke det interessante. Spennet er. Av de åtte hadde den med mildest utslag en feilrate på 7 prosent – omtrent som for alle andre. Den med kraftigst utslag lå over 100 prosent, altså flere feil enn det var ord å ta feil av. Samme modell, samme oppgave, samme diagnose, og to helt forskjellige tjenester.

Studien er liten, og forfatterne sier det selv: åtte personer, engelsk tale, én modellfamilie. Men mekanismen er ikke engelsk. Den gjelder like fullt for stamming, for afasi etter hjerneslag, for tale etter en strupeoperasjon, for svært langsom tale – og i mildere grad for sterk aksent.

Samme kanal, to grupper

	Telefonen er lettere	Telefonen er vanskeligere
Hvorfor	Ingen skjerm, ingen skjema, ingen innlogging	Talen ligner lite på det modellen er trent på
For hvem	Blinde og svaksynte, folk med dysleksi, eldre uten smarttelefon, folk uten fungerende e-ID	Dysartri, afasi, stamming, tale etter strupeoperasjon, svært langsom tale
Hva som skjer	Kommer i kontakt uten å be noen om hjelp	Blir ikke forstått, prøver igjen, gir opp

Det er det ubehagelige ved påstanden: den samme kanalen er samtidig den mest og den minst tilgjengelige. Hva den er for deg, avhenger ikke av om du har en funksjonsnedsettelse, men av hvilken.

Det som gjør det verre enn feilraten tilsier

Et skjema venter på deg. En agent gjør ikke det. Tre helt vanlige innstillinger straffer den som trenger lengre tid.

Tidsavbruddet. Agenten tolker en pause som at innringeren er ferdig, og begynner å snakke. For en som stammer, ligger pausen midt inne i ordet.

Bekreftelsessløyfen. Agenten hører feil, ber om gjentakelse, hører feil igjen. Tredje gang legger folk på. Det er ikke et teknisk avbrudd, og det havner ikke i noen feilstatistikk.

Veien ut krever tale. Beskjeden om å si «medarbeider» for å bli satt over, virker ikke for den som nettopp ikke blir forstått. Utgangen er stengt av samme grunn som inngangen.

Fire beslutninger

Svaret er ikke å la være å svare telefonen med en agent. Det ville rammet den første gruppen for å skåne den andre.

En vei ut som ikke krever at agenten forstår noe. Tastetrykk er det enkleste: «trykk null, så setter jeg deg over». Det virker uansett hva innringeren sier eller ikke sier, og koster ingenting å legge inn. Hvem tastetrykket går til, og hva som skjer hvis ingen tar telefonen, er samme beslutning som all annen eskalering.

Lengre terskel før agenten tar ordet. Standardverdiene er satt for å gjøre samtalen rask. De er ikke satt for innringere som trenger tid på en setning.

Automatisk overføring etter to mislykkede forsøk. Ikke tre, ikke fem. Har agenten spurt om det samme to ganger, er sjansen for at tredje gang løser det liten, og kostnaden for innringeren stor.

Mål frafallet, ikke gjennomsnittet. Gjenkjenningen kan være utmerket i snitt samtidig som en liten gruppe aldri kommer gjennom. Tallene som ser bra ut på et målekort, sier sjelden noe om den enkelte samtalen. Finn samtalene der innringeren la på i løpet av de første nitti sekundene, og hør på ti av dem.

Det ligger ikke hos den som ringer

Vi har tidligere gått gjennom samtalen der agenten hørte alt, men innringeren ikke gjorde det. Dette er den motsatte retningen, og den er lettere å overse, for den ser ikke ut som en feil i loggen. Den ser ut som en kunde som la på.

Stemme er det mest inkluderende grensesnittet for de aller fleste. Det er ikke det samme som for alle. Forskjellen ligger ikke hos den som ringer, men i hva dere har bestemt skal skje den tredje gangen agenten ikke forstår.

Threll.ai bygger stemmeagenter på norsk, svensk og dansk. Testen tar fem minutter: ring deres eget nummer, si én setning med vilje utydelig, og tell hvor mange forsøk dere får før dere er ute av samtalen.