Projektowanie Conversational AI: Jak tworzyć bardziej ludzkie doświadczenia użytkownika

Projektowanie Conversational AI kiedyś oznaczało budowanie drzewa decyzyjnego. Wczesne chatboty i menu IVR działały według sztywnych, gotowych ścieżek: naciśnij 1 za fakturę, powiedz "tak" lub "nie" i miej nadzieję, że pytanie klienta pasuje do przewidzianych opcji. To działało tylko, gdy rozmowa mieściła się w tym, co już zaplanowałeś.

Agenci AI znieśli to ograniczenie. Teraz potrafią analizować rozmowę na bieżąco, korzystać z bazy wiedzy, wywoływać narzędzia i pamiętać, co już padło – nie są już ograniczeni do sztywnego scenariusza.

Ta zmiana nie zniosła jednak potrzeby projektowania Conversational AI. Wręcz przeciwnie – podniosła poprzeczkę. Bez gotowego scenariusza trzeba dobrze określić osobowość agenta, workflow i punkty decyzyjne, żeby rozmowa działała w otwartym, dynamicznym trybie, a nie tylko według ustalonego schematu.

Ten przewodnik pokazuje, czym naprawdę jest projektowanie Conversational AI dla czatu i agentów głosowych, dlaczego ma znaczenie dla twoich wyników i co warto zoptymalizować, by rozmowa brzmiała naturalnie. Jeśli zrobisz to dobrze, możesz wdrożyć agentów AI, którzy naprawdę łączą się z klientami i zapewniają szybszą, lepszą obsługę.

Podsumowanie

• Projektowanie Conversational AI to sposób, w jaki komunikacja agenta AI jest ustawiona i zoptymalizowana, by rozmowa brzmiała naturalnie.
• Głos AI wybacza mniej niż tekst – bo w rozmowie głosowej opóźnienia i tempo, które w czacie są niezauważalne, mogą sprawić, że rozmowa zabrzmi sztucznie.
• ElevenAgents powstał po to, by umożliwić tworzenie agentów AI do głosu i czatu, którzy brzmią naturalnie – dzięki funkcjom pozwalającym kontrolować głos, osobowość i przebieg rozmowy oraz optymalizować opóźnienia na każdym kanale.

Czym jest projektowanie Conversational AI?

Projektowanie Conversational AI to praktyka UX polegająca na ustawieniu, jak agent AI się zachowuje. To wszystko: od osobowości, przez zabezpieczenia, workflow, po bazy wiedzy, które razem sprawiają, że rozmowa jest tak dopracowana, jak reszta produktu.

To ustawienie nie wygląda wszędzie tak samo. Agenci mogą działać na różnych kanałach – czat, głos, SMS – z jednej konfiguracji. Każdy kanał ma swoje ograniczenia, ale w głosie są one największe. Jeśli agent działa głosowo, musi wybrać i odtworzyć głos, zarządzać tempem i kolejnością wypowiedzi na żywo oraz odpowiedzieć, zanim cisza zabrzmi jak zerwane połączenie. W czacie to nie jest aż tak ważne – lekko spóźniona czy nieidealna odpowiedź rzadko psuje rozmowę.

Oto, co warto wziąć pod uwagę, wdrażając projektowanie Conversational AI dla agenta czatowego – i co dodatkowo dochodzi w głosie.

Klienci nie oceniają świadomie każdego z tych elementów. Po prostu czują, gdy coś jest nie tak – a to wystarczy, by stracić zaufanie do agenta i zagrozić celom, dla których go wdrożyłeś.

Dlaczego projektowanie Conversational AI jest ważne dla dobrego doświadczenia użytkownika

Każdy z tych czynników – od kolejności wypowiedzi po opóźnienia i osobowość – wpływa na to, jak klient odbiera twoją markę w kluczowym momencie, który może zrobić z niego fana albo przeciwnika. To widać bezpośrednio w wynikach, które mierzy twój zespół.

• Wyższa satysfakcja i skuteczność: Klienci lepiej oceniają rozmowę, gdy agent odpowiada szybko i nie przerywa w niezręczny sposób.
• Mniej porzuceń rozmowy: Klienci wychodzą z rozmowy nie tylko przez długie czekanie. Jeśli agent nie spełnia oczekiwań – np. robi niezręczną pauzę w rozmowie lub daje sztywną, niepasującą odpowiedź na czacie – to też może sprawić, że klient się rozłączy.
• Szybsze rozwiązywanie spraw: Jasno ustawiony przebieg rozmowy i dobrze rozpisany workflow to mniej ślepych zaułków, powtarzanych pytań i "przełączę cię".
• Mniej przekierowań do ludzi: Gdy agent naturalnie prowadzi rozmowę i trzyma się workflow, więcej spraw załatwia od razu, zamiast zdezorientować klienta i zmusić go do proszenia o rozmowę z człowiekiem.

Na przykład, zobacz eDreams ODIGEO, jedną z największych platform podróżniczych online na świecie. Wdrożyli agentów AI z ElevenAgents w pięciu głównych językach i osiągnęli dwucyfrową poprawę szybkości rozwiązywania spraw oraz spadek liczby przekierowań do konsultantów – m.in. dzięki szybkiemu syntezowaniu głosu i lepszemu rozpoznawaniu intencji na początku rozmowy. Takie wyniki zależą od wielu czynników poza samym projektem rozmowy, ale pokazują, co daje dobre projektowanie Conversational AI.

Jak projektowanie Conversational AI działa w ElevenAgents

W ElevenAgents możesz ustawić takie rzeczy jak osobowość, głos, kolejność wypowiedzi, przekierowania i opóźnienia – czyli wszystko, co sprawia, że agent brzmi ludzko. Oto jak skonfigurować i zoptymalizować każdy z tych elementów, by twój agent prowadził prawdziwą rozmowę.

Wybór osobowości i głosu

Osobowość to pierwsze wrażenie klienta – jeśli nie pasuje, podkopuje zaufanie, zanim rozmowa się zacznie. Zbyt sztywny agent dla przyjaznej marki sprawia, że klient od razu zaczyna się zastanawiać, czy warto rozmawiać dalej. Zacznij od system promptu, gdzie określasz rolę, charakter i zabezpieczenia agenta.

Dla agentów głosowych osobowość musi być też słyszalna w głosie. Zbyt luźny głos w rozmowie finansowej daje ten sam sygnał, co niepasująca osobowość w tekście – dlatego wybór głosu to część tej samej pracy. Oto od czego zacząć:

• Wybór głosu: Dopasuj głos do marki, odbiorców i tematu rozmowy. Akcent, płeć i ton pomagają budować zaufanie i nadają rozmowie odpowiedni klimat.
• Obsługa wielu języków: Wybierz głos dla każdego języka, zamiast używać jednego głosu wszędzie. Jeden głos na wszystkie rynki zwykle brzmi obco przynajmniej w jednym z nich, co podkopuje zaufanie, które chcesz zbudować.

ElevenAgents daje ci dostęp do ponad 11 000 głosów w Voice Library, które możesz przeszukiwać według akcentu, charakteru i zastosowania – więc rzadko zaczynasz od zera. Jeśli żaden nie pasuje, masz jeszcze dwie opcje: sklonować istniejący głos z krótkiej próbki audio lub zaprojektować własny od podstaw za pomocą promptu tekstowego, opisując wiek, akcent, ton i tempo.

Ustawienia przebiegu rozmowy

W głosie rozmowa toczy się według najściślejszego zegara. W czacie pauza to tylko pusta przestrzeń, ale w rozmowie głosowej przerwa od razu brzmi jak cisza lub zerwane połączenie. Dobre tempo to najważniejszy czynnik, by agent głosowy brzmiał naturalnie – i zaczyna się od modelu kolejności wypowiedzi.

Model kolejności wypowiedzi w ElevenLabs to system oparty na badaniach, który wykrywa, kiedy rozmówca naprawdę skończył mówić, a nie tylko zrobił pauzę. Dzięki temu agent odpowiada w odpowiednim momencie, a nie po sztywnym czasie.

Oprócz tego możesz ustawić kilka rzeczy, by przebieg rozmowy był naturalny:

• Limit czasu na odpowiedź: Jak długo agent czeka w ciszy, zanim odpowie – żeby nie przerywał, gdy klient jeszcze myśli, ani nie zostawiał go w zawieszeniu, gdy już skończył mówić.
• Miękki timeout: Krótkie wypełniacze, które agent mówi podczas przetwarzania, np. "Chwileczkę" albo "Już sprawdzam", żeby klient nie pomyślał, że rozmowa się urwała. Unikaj wypełniaczy z konkretnym czasem (np. "sekundkę"), bo rzeczywisty czas odpowiedzi się zmienia.
• Przerywanie: Czy agent przestaje mówić, gdy klient zaczyna mu wchodzić w słowo. Włącz to dla naturalnej rozmowy. Wyłącz, gdy ważne jest, by agent dokończył całą wypowiedź – np. przy klauzulach prawnych, instrukcjach bezpieczeństwa czy czymś, co musi być usłyszane w całości.
• Szybkość reakcji: Jak szybko agent odpowiada, gdy klient skończy mówić. "Szybka" reakcja sprawdza się w obsłudze klienta, gdzie liczy się tempo. "Cierpliwa" jest lepsza przy zbieraniu danych, np. numeru telefonu czy maila, żeby agent nie przerwał w połowie. "Normalna" to dobry domyślny wybór.

Nawet drobne zmiany tu robią dużą różnicę. Mała korekta czasu może sprawić, że agent będzie brzmiał uważnie, a nie jakby ciągle komuś przerywał.

Workflow, przekierowania i skrypty

Workflowy to miejsce, gdzie większość projektowania Conversational AI jest wdrażana w ElevenAgents. Określają, co się dzieje i kiedy: punkty decyzyjne, ścieżki eskalacji, przekierowania – wszystko, co inaczej agent musiałby improwizować.

Workflowy współpracują z dwoma innymi systemami, by dopracować agenta. System prompt ustawia podstawowe zachowanie agenta – jego rolę, ton i to, co może lub nie może powiedzieć, np. przy powitaniach czy przekierowaniach.Procedury to bardziej szczegółowa opcja dla pojedynczego, jasno określonego zadania, np. weryfikacji tożsamości klienta czy obsługi zwrotu. Zamiast rozgałęziać się w zależności od odpowiedzi klienta, idą krok po kroku według ustalonej kolejności, niezależnie od przebiegu rozmowy.

Najłatwiej zacząć budować agenta, korzystając z gotowych szablonów agentów, które mają już przykładowy workflow i system prompt – więc wystarczy je dopracować, zamiast budować od zera. Oto, co możesz zmienić na początek:

• Mapowanie decyzji: Rozpisz dokładnie, co agent robi w każdym punkcie decyzyjnym – od początku do końca rozmowy. Węzły subagentów pozwalają zmienić system prompt, model lub nawet głos w konkretnym miejscu rozmowy – np. by weryfikacja przebiegała pod większą kontrolą niż luźna rozmowa na początku.
• Wyzwalacze eskalacji: Ustal jasne zasady przekierowania do człowieka – wpisz je w workflow, zamiast zostawiać agentowi decyzję na bieżąco. Na przykład: eskaluj, gdy problem nie został rozwiązany po dwóch próbach, gdy klient prosi o przełożonego albo gdy sprawa jest na tyle wrażliwa lub ważna, że wymaga osoby.
• Kontekst przekierowania: W system prompt określ, co agent ma zebrać przed przekazaniem rozmowy – np. numer zamówienia czy konta – i kiedy przekierować. Potem przypisz te dane do konfiguracji narzędzia do przekierowań, żeby przekazały się automatycznie, bez powtarzania przez klienta wszystkiego od nowa.
• Skrypty wypowiedzi: Ustal dokładne sformułowania na kluczowe momenty w system prompt. Powitania, komunikaty o błędach, klauzule prawne i przekierowania nie powinny być improwizowane. Konkretna fraza typu "Nie mogę teraz uzyskać tych informacji" jest pewniejsza niż zostawianie agentowi wymyślania jej na bieżąco.

Workflow budujesz jako graficzny diagram w ElevenAgents – każdy punkt decyzyjny i wyzwalacz eskalacji to węzeł, który widzisz i edytujesz bezpośrednio.

Po uruchomieniu, analityka nakłada dane z prawdziwych rozmów na ten sam diagram – więc dokładnie widzisz, gdzie klienci się gubią lub rozłączają i możesz to poprawić bez zgadywania.

Opóźnienia i wydajność

Opóźnienie to jeden z najważniejszych czynników, czy rozmowa brzmi ludzko. Wolna odpowiedź od razu przypomina klientowi, że rozmawia z maszyną – nawet jeśli reszta rozmowy jest w porządku.

Każdy element procesu dodaje swoje opóźnienie – niezależnie, czy agent działa na czacie, czy głosowo. Część z nich dotyczy obu trybów, inne tylko głosu.

• LLM: Każdy wybór modelu to kompromis między kosztem, jakością rozumowania i szybkością – a właściwy balans zależy od rozmowy. Proste, częste sprawy (np. FAQ czy potwierdzenia wizyt) mogą działać na szybszym, lżejszym modelu bez pogorszenia jakości. Bardziej złożone zadania, jak doradztwo finansowe czy wieloetapowa pomoc, zwykle warto obsłużyć mocniejszym modelem, nawet jeśli odpowiada trochę wolniej.
• Baza wiedzy i RAG: Każde sprawdzenie bazy wiedzy to dodatkowa pętla, zanim agent odpowie – więc im bardziej konkretna i zwięzła baza, tym szybciej agent reaguje.
• Integracje i wywołania narzędzi: Każde zewnętrzne wywołanie, np. sprawdzenie zamówienia w Salesforce czy dostępności w kalendarzu, to kolejne opóźnienie. Opisz narzędzia jasno, żeby agent nie zastanawiał się, które wybrać – i korzystaj tylko z tych, które są naprawdę potrzebne w rozmowie.
• Geolokalizacja i hosting danych: Dopasuj region ElevenAgents do miejsca hostingu twoich danych, a przy wdrożeniach telefonicznych – także do regionu twojego operatora (Twilio, SIP itd.). Jeśli agent i bramka telefoniczna są na różnych kontynentach, to już na starcie dodaje opóźnienie.
• Speech-to-text (tylko głos): Scribe transkrybuje wypowiedzi klienta, zanim agent zacznie je analizować. Używaj wersji na żywo (Scribe v2 Realtime) do rozmów na żywo – wersja batch jest dokładniejsza, ale wolniejsza.
• Kolejność wypowiedzi (tylko głos): Określa, kiedy agent w ogóle zaczyna odpowiadać – opisane wyżej. Warto pamiętać, że jeśli model zwleka z wykryciem końca wypowiedzi, to już na tym etapie pojawia się opóźnienie.
• Text-to-speech i wybór głosu (tylko głos): Domyślne i syntetyczne głosy oraz Instant Voice Clones odpowiadają szybciej niż Professional Voice Clones. Używaj Professional Voice Clones tylko tam, gdzie warto poświęcić szybkość dla jakości.

Więcej o opóźnieniach znajdziesz w poradniku optymalizacji opóźnień oraz w opisie, jak mierzymy i raportujemy opóźnienia w całym procesie.

Zaprojektuj swojego pierwszego agenta z ElevenAgents

To, co opisaliśmy wyżej, to praktyczne znaczenie projektowania Conversational AI dla agenta AI. Wszystko to jest dostępne natywnie w ElevenAgents i ustawiasz to bez kodowania – więc możesz zbudować agenta, który naprawdę rozmawia, a nie tylko poprawnie odpowiada na pytania.

Jeśli chcesz wsparcia na starcie, inżynierowie ElevenLabs z zespołu Forward Deployed Engineers pracują z twoim zespołem nad zakresem, budową i wdrożeniem gotowego agenta, a potem pomagają go dopracować po uruchomieniu.

Niezależnie, czy budujesz sam, czy z naszym wsparciem – najszybciej zobaczysz różnicę, po prostu testując agenta. Zacznij już dziś, tworząc agenta lub pisząc do naszego zespołu sprzedaży.

FAQ o projektowaniu Conversational AI