En mann på åttito ringer et servicenummer en formiddag. Hørselen hans er omtrent der de fleste er i den alderen: han hører godt at det snakkes, og han mister annenhver konsonant.
Han legger på etter femti sekunder. I loggen står samtalen som avbrutt av innringer, og der blir den liggende.
Samtalen under er konstruert, men ingen av de fem øyeblikkene i den er det. De er de stedene der noe må være bestemt på forhånd, og ingen av dem løses av en bedre modell.
Hvor mange dette gjelder
Folkehelseinstituttet oppdaterte tallene i juni. Om lag 19 prosent av voksne i Norge har et hørselstap når milde og ensidige tap regnes med – rundt 800 000 personer. Om lag 6 prosent har et moderat eller større tap, som vanligvis gir tydelige vansker med å oppfatte tale, særlig når det er støy rundt.
Fordelingen er det som betyr noe for et telefonnummer. Blant dem over 65 år har 59 prosent et hørselstap, og 23 prosent et moderat eller større. Omtrent 80 prosent av alle hørselstap i Norge finnes i den aldersgruppen.
Ligger tyngdepunktet blant innringerne deres over 65 år – kommune, fastlegekontor, forsikring, strøm, boligforvaltning – er dette ikke et unntakstilfelle. Det er en av de største enkeltgruppene på linja.
To filtre etter hverandre
Aldersrelatert hørselstap begynner øverst i spekteret. De lyse frekvensene svekkes først, og derfor er det de ustemte konsonantene – p, k, t, s, f, h – som forsvinner tidligst.
Det er nøyaktig det området telefonlinja allerede har kastet bort. Vanlig telefoni bærer omtrent 300 til 3 400 hertz, og hvislelydene ligger delvis over det taket.
Filtrene ligger etter hverandre. Nettet tar toppen av signalet, hørselen tar mye av det som er igjen. En innringer på tretti merker knapt det første. Han får summen av begge.
Og der ligger asymmetrien som gjør dette til et designspørsmål og ikke et lydspørsmål: agenten kan gjette ut fra sammenhengen, slå opp, be om gjentakelse. Han har bare ørene sine.
Åpningen
Agenten sier hvem den er, hvem den svarer for, og at den er kunstig intelligens.
Han får med seg «Hei, du snakker med», og deretter en rekke stavelser.
Setningen er ikke dårlig. Problemet er at de to opplysningene som betyr mest, ligger der tempoet er høyest og han fortsatt holder på å finne ut av hva slags samtale dette er. Åpningsreplikken er den eneste delen av oppsettet alle innringere får med seg – forutsatt at den er lagt opp slik at den kan oppfattes.
Det som må være bestemt: hvor fort agenten snakker, og om det ligger en pause etter hilsenen. Et halvt sekunds stillhet koster ingenting, og den flytter det viktigste ut av den travleste delen av replikken.
«Hva sa du?»
Her skiller de fleste oppsett lag med et menneske.
Et menneske som blir bedt om å gjenta, sier det på en annen måte: kortere setning, andre ord, litt langsommere. En stemmeagent gjentar som regel den samme setningen i det samme tempoet, fordi det er den setningen den har.
Det hjelper ikke. Var «bekreftelseskode» uhørbart første gang, er det uhørbart andre gang.
Det som må være bestemt: at forsøk nummer to er en annen formulering, ikke den samme høyere. Og at det ikke finnes et forsøk nummer tre – to gjentakelser er et signal, ikke en tilstand agenten skal bli stående i.
Tallet
Agenten leser opp en dato og ber om bekreftelse.
«Femten» og «seksten» skiller seg først og fremst på f og s – to ustemte lyder, begge i den delen av spekteret som er tynnest hos ham og smalest på linja. Han hører at det kom et tall. Han hører ikke hvilket.
Så bekrefter han. Det gjør folk. Å be noen bekrefte noe de ikke hørte, er en høflighetsfelle og ikke en kontroll.
Det som må være bestemt: at bekreftelsen er noe han kan svare på, ikke noe han kan svare ja til. «Kan du lese datoen tilbake til meg?» avdekker feilen. «Stemmer det?» skjuler den.
Overføringen
Han ber om å få snakke med noen. Agenten setter over, og et sammendrag av saken følger med.
Mennesket får dermed vite hva samtalen gjelder, men ikke det som avgjør hvordan de neste tretti sekundene går: at denne innringeren ikke oppfattet agenten. Eskaleringen er den delen av oppsettet det er dyrest å gjøre halvveis, og halvveis koster her at samtalen starter på nytt i samme tempo som den som nettopp mislyktes.
Femti sekunder
Han legger på før noen tar den.
I rapporten neste måned er dette ett avbrutt anrop blant flere hundre, og det ser ut som støy. Tallene som smigrer en stemmeagent mest, er de som ikke skiller mellom en kort samtale og en mislykket en.
Motgiften krever ingen ny funksjon. Hør på ti korte samtaler i måneden – ikke de lengste, ikke de eskalerte, men de korte der noen sa «hva sa du?» mer enn én gang. De ligger allerede i loggen.
Det de fem øyeblikkene har til felles
Ingen av dem løses av en bedre modell, og ingen av dem løses av høyere volum.
De løses av fem beslutninger: hvor fort agenten snakker, hva som skjer på andre forsøk, om en bekreftelse kan besvares uten å ha blitt hørt, hva mennesket får vite i overføringen, og om noen i det hele tatt lytter til de korte samtalene.
Threll.ai bygger stemmeagenter på norsk, svensk og dansk. Den innringeren som har vanskeligst for å høre agenten, er som regel også den som har færrest andre måter å ta kontakt på.
