Голосовые агенты

Ты уже знаешь худшую версию этого. Звонишь в компанию, отвечает робот, и ты попадаешь в ад. "Нажмите 1 для оплаты. Нажмите 2 для..." Ты сто раз жмешь ноль, пытаясь добраться до человека, а он продолжает читать то же меню тем же плоским бодрым голосом. Вот это телефонное дерево — штука, которую убивает голосовой агент.

Разница вот в чем. Телефонное дерево — это вендинговый автомат с голосом. У него девять кнопок, и это вся вселенная. Выйди за пределы меню — и оно не понимает, что ты говоришь.

Голосовой агент не читает меню. Это настоящий агент (AI, который может делать вещи, а не только болтать), которому дали две новые части:

• Уши. Он слышит твою речь и превращает ее в слова.
• Рот. Он превращает свой ответ обратно в голос и произносит его вслух.

Между этими двумя частями работает тот же мозг, которому ты бы печатал. Ты говоришь, он понимает, действует, отвечает голосом. Без набора текста. Без экрана. Без меню. Просто разговор вслух, в реальном времени.

Представь динамик drive-thru, только голос реально умеет делать работу.

Обычно парень у динамика просто принимает заказ, а отдельная кухня делает все остальное. Голосовой агент — как будто динамик, и кухня, и кассир в одном. Ты говоришь, что хочешь, а он может:

• поднять твой прошлый визит
• изменить заказ, который ты уже сделал
• проверить, что реально есть в наличии
• пробить оплату и списать деньги с карты

И все это во время нормального разговора, а не заставляя тебя нажимать цифру на каждом шаге.

Магия не в том, что он умеет говорить. Говорящих роботов полно. Чтобы он ощущался человеком, а не чем-то странным, одновременно должны сработать три более сложные вещи:

1. Скорость. Когда ты заканчиваешь фразу, а перед ответом висит длинная мертвая пауза, магия мгновенно ломается. Он должен возвращаться достаточно быстро, чтобы это ощущалось как разговор, а не как ожидание факса.
2. Перебивания. Настоящие разговоры неровные. Ты перебиваешь, меняешь решение на полуслове, говоришь "нет, стой, другой". Хороший голосовой агент замолкает в момент, когда ты начинаешь говорить, как сделал бы вежливый человек. Плохой продолжает читать скрипт поверх тебя.
3. Реально делать дело. Это весь смысл, и именно эту часть легко подделать. Приятно звучать дешево. Делать что-то (найти твой заказ, перебронировать рейс, оформить возврат) значит тянуться через окно drive-thru к реальному софту за кулисами. Приятный голос, который ни к чему не может прикоснуться, — просто более нарядное сообщение на удержании.

Из-за третьего пункта это именно агент, а не чатбот с красивым голосом. Он не рассказывает, что ты мог бы сделать. Он идет и делает это, пока ты говоришь.

Где ты скоро с ними столкнешься, если еще не столкнулся:

• Линия авиакомпании, которая перебронирует рейс, пока ты описываешь проблему, вместо сорока минут меню.
• Регистратура клиники, которая записывает, переносит или отменяет прием, если просто сказать, что тебе нужно.
• Динамик drive-thru, который тихо уже не человек.

И честная оговорка: голосовой агент может быть уверенно неправ вслух, как любая модель, только быстрее и сложнее для проверки, потому что на экране нечего прокрутить назад. Хороший агент знает свои границы и передает тебя человеку в ту секунду, когда запрос выходит за то, что ему разрешено делать. Такой handoff — не провал. Это функция, которая не дает ему уверенно забронировать тебе рейс не в тот город.

Хватит нажимать 1. Просто скажи, что тебе нужно.