En man på åttiotvå ringer ett servicenummer en förmiddag. Hans hörsel ligger ungefär där de flestas gör i den åldern: han hör utmärkt att någon talar, och han tappar varannan konsonant.
Han lägger på efter femtio sekunder. I loggen står samtalet som avbrutet av den som ringde, och där blir det liggande.
Samtalet nedan är konstruerat. De fem ögonblicken i det är inte det. Det är de ställen där något måste vara bestämt i förväg, och inget av dem löses av en bättre modell.
Hur många det gäller
Hörselskadades Riksförbund räknar med omkring 1,5 miljoner hörselskadade i Sverige.
Fördelningen är det som betyder något för ett telefonnummer. De allra flesta hörselnedsättningar är åldersrelaterade, och andelen stiger kraftigt upp genom åldersgrupperna. Ligger tyngdpunkten bland era kunder över 65 år – kommun, vårdcentral, försäkring, energi, fastighetsförvaltning – är det här inget undantagsfall. Det är en av de största enskilda grupperna på linjen.
Två filter efter varandra
Åldersrelaterad hörselnedsättning börjar högst upp i frekvensspektrumet. De ljusa frekvenserna försvagas först, och därför är det de tonlösa konsonanterna – p, k, t, s, f, h – som försvinner tidigast.
Det är exakt det området telefonlinjen redan har kastat bort. Vanlig telefoni bär ungefär 300 till 3 400 hertz, och väsljuden ligger delvis över det taket.
Filtren ligger efter varandra. Nätet tar toppen av signalen, hörseln tar mycket av det som är kvar. En kund på trettio märker knappt det första. Han får summan av båda.
Och där ligger asymmetrin som gör det här till en designfråga och inte en ljudfråga: agenten kan gissa utifrån sammanhanget, slå upp, be om en upprepning. Han har bara sina öron.
Öppningen
Agenten säger vem den är, vem den svarar för och att den är artificiell intelligens.
Han uppfattar ”Hej, du talar med”, och därefter en rad stavelser.
Meningen är inte dålig. Problemet är att de två uppgifter som betyder mest ligger där takten är som högst, och där han fortfarande håller på att lista ut vad för slags samtal det här är. Öppningsrepliken är den enda delen av uppsättningen som alla som ringer hör – förutsatt att den är byggd så att den går att uppfatta.
Det som måste vara bestämt: hur fort agenten talar, och om det ligger en paus efter hälsningen. En halv sekunds tystnad kostar ingenting, och den flyttar det viktigaste ut ur den mest hektiska delen av repliken.
”Vad sa du?”
Här slutar de flesta uppsättningar att likna en människa.
En människa som blir ombedd att upprepa säger det på ett annat sätt: kortare mening, andra ord, lite långsammare. En röstagent upprepar som regel samma mening i samma takt, för att det är den meningen den har.
Det hjälper inte. Var ”bekräftelsekod” ohörbart första gången är det ohörbart andra gången.
Det som måste vara bestämt: att försök nummer två är en annan formulering och inte samma högre. Och att det inte finns ett försök nummer tre – två upprepningar är en signal, inte ett tillstånd agenten ska bli stående i.
Siffran
Agenten läser upp ett datum och ber om en bekräftelse.
”Femton” och ”sexton” skiljer sig främst på f och s – två tonlösa ljud, båda i den del av spektrumet som är tunnast hos honom och smalast på linjen. Han hör att det kom en siffra. Han hör inte vilken.
Så bekräftar han. Det gör folk. Att be någon bekräfta något de inte hörde är en artighetsfälla och ingen kontroll.
Det som måste vara bestämt: att bekräftelsen är något han kan svara på, inte något han kan säga ja till. ”Kan du läsa tillbaka datumet till mig?” avslöjar felet. ”Stämmer det?” döljer det.
Överlämningen
Han ber att få tala med en människa. Agenten kopplar vidare, och en sammanfattning av ärendet följer med.
Människan får därmed veta vad samtalet gäller, men inte det som avgör hur de kommande trettio sekunderna går: att den här kunden inte kunde uppfatta agenten. Eskaleringen är den del av uppsättningen som är dyrast att göra halvvägs, och halvvägs kostar här att samtalet börjar om i samma takt som det som just misslyckades.
Femtio sekunder
Han lägger på innan någon svarar.
I rapporten nästa månad är det här ett avbrutet samtal bland flera hundra, och det ser ut som brus. De siffror som smickrar en röstagent mest är de som inte skiljer ett kort samtal från ett misslyckat.
Motmedlet kräver ingen ny funktion. Lyssna på tio korta samtal i månaden – inte de längsta, inte de eskalerade, utan de korta där någon sa ”vad sa du?” mer än en gång. De ligger redan i loggen.
Det de fem ögonblicken har gemensamt
Inget av dem löses av en bättre modell, och inget av dem löses av högre volym.
De löses av fem beslut: hur fort agenten talar, vad som händer vid andra försöket, om en bekräftelse går att besvara utan att ha blivit hörd, vad människan får veta vid överlämningen, och om någon överhuvudtaget lyssnar på de korta samtalen.
Threll.ai bygger röstagenter på svenska, norska och danska. Den kund som har svårast att höra agenten är som regel också den som har färrest andra sätt att ta kontakt på.
