Podsumowanie webinaru: Jak tworzyć naturalnie brzmiące AI Agents

Większość zespołów chce stworzyć agenta, który brzmi naturalnie.

Problem w tym, że większość agentów wykonuje zadanie, ale nie rozumie kontekstu, pilności ani emocji. A gdy rozmówca to zauważy, spada zaufanie i jakość interakcji.

Podczas naszego niedawnego warsztatu na żywo: Jak tworzyć naturalnie brzmiących agentów AI, Luigi Sambuy (Forward Deployed Engineering) pokazał, co odróżnia robota od agenta, który brzmi naprawdę po ludzku.

Dlaczego naturalne brzmienie jest trudniejsze, niż się wydaje

Większość zespołów wdrażających agentów ma już rozwiązany problem dokładności — agent podaje właściwą odpowiedź, rezerwuje właściwy stolik, anuluje właściwy lot. 

Trudniejsze jest zadbanie o sposób przekazu.

Agent, który nie odzwierciedla emocji rozmówcy, nie wyczuwa pilności i odpowiada na każde pytanie tym samym płaskim rytmem, zawsze będzie brzmiał sztucznie — niezależnie od poprawności odpowiedzi. Klienci nie chcą tylko rozwiązać problemu. Chcą też czuć, że ktoś ich słucha.

Cztery cechy naturalnie brzmiącego agenta

1. Rytm i płynność — naturalne tempo, pauzy i zmiany prędkości zamiast monotonnej wypowiedzi
2. Dopasowanie — reagowanie troską na frustrację rozmówcy, a ciepłem na dobre wiadomości
3. Kontekst — uwzględnianie historii użytkownika, systemów firmowych oraz wskazówek kulturowych i regionalnych, aby odpowiedzi nie były ogólnikowe
4. Tożsamość — głos stworzony dla marki, a nie gotowe ustawienie domyślne

Demo: naturalnie brzmiący agent w akcji

Scenariusz: Klient dzwoni do restauracji Rosette, by przełożyć rezerwację. To piąta rocznica ślubu, a klienci się spóźnią.

Co pokazano:

• Agent ciepło rozpoczął rozmowę i zanim zrobił cokolwiek innego, wspomniał o rocznicy
• Wychwycił niewielką rozbieżność między podaną godziną rezerwacji a faktycznie zarezerwowaną i ją wyjaśnił, zamiast zgadywać
• Przełożył rezerwację na 21:00 i bez pytania zaproponował stolik przy oknie na tę okazję
• W całej rozmowie agent stosował naturalne pauzy, wypełniacze i ton dopasowany do sytuacji — uspokajający, ciepły, bez pośpiechu

Dlaczego to ważne: Nie wymagało to innego modelu ani potężniejszej platformy. Wszystko wynikało z promptu. Prompt systemowy pozwalał agentowi poprawiać się w środku zdania, naturalnie urywać wypowiedź podczas „sprawdzania czegoś” oraz dostosowywać ton emocjonalny do rozmówcy — z tych samych technik może dziś korzystać każdy zespół tworzący rozwiązania na platformie.

Siedem sposobów na tworzenie naturalnych agentów

1. Tagi emocji — dostępne w trybie ekspresyjnym modelu konwersacyjnego v3; najważniejszy sposób na urozmaicenie tonu
2. Szum w tle — biurowy gwar, odgłosy miasta lub pisania na klawiaturze, które tworzą bardziej znajomy, ludzki kontekst
3. Ton w prompcie systemowym — to tu kryje się większość różnic
4. Ustawienia chęci rozmowy (eager / normal / patient) — dopasowane do czasu potrzebnego na interakcję
5. Słownik wymowy / słowa kluczowe — dla nazw, marek i obcych słów, które agent mógłby źle wymówić. 
6. Ustawienia wyjścia — niektóre zespoły celowo dodają w tle dzwoniące telefony zamiast krystalicznie czystego audio, ponieważ klienci przechodzący z tradycyjnego contact center są przyzwyczajeni do lekko przytłumionego tonu
7. Voice Design lub klonowanie — tworzenie w pełni własnego głosu dla marki zamiast wybierania gotowego. Voice Design pozwala opisać konkretny głos w prompcie, np. „mężczyzna po trzydziestce, który brzmi, jakby mówił przez zestaw słuchawkowy”. Voice Cloning obejmuje klon natychmiastowy (około 30 sekund audio) i klon profesjonalny (więcej materiału, wyższa jakość). 

Dobre praktyki dla naturalnie brzmiących agentów

Opisz ton bezpośrednio w prompcie systemowym. To właśnie tu kryje się większość różnic między płaskim a naturalnym agentem. Wyraźnie pozwól agentowi poprawiać się w środku zdania („tak, jak ludzie naprawdę mówią”), naturalnie urywać wypowiedź podczas sprawdzania czegoś i robić pauzę po poważnej informacji, zanim odpowie.

Dopasuj tagi emocji do sytuacji. Tag „excited” nie pasuje do poważnej lub ryzykownej sytuacji. Umieszczaj tagi świadomie tam, gdzie rzeczywiście pojawią się w rozmowie, i dopasowuj je do stanu emocjonalnego rozmówcy w jej trakcie, np. spokojny i uspokajający ton dla zaniepokojonej osoby, a szybki, lecz ciepły dla kogoś, kto się spieszy.

Świadomie ustaw poziom chęci rozmowy. Eager sprawdza się w szybkich rozmowach pełnych informacji, a patient, gdy ktoś potrzebuje czasu, by znaleźć dokument lub numer. Ustawienie wszędzie eager może sprawić, że agent będzie wydawał się natarczywy, a nie naturalny.

Dobieraj LLM do każdego węzła. Używaj lżejszych, szybszych modeli do prostego kierowania rozmową, a bardziej zaawansowanych do węzłów podejmujących faktyczne decyzje. 

Traktuj odczuwane opóźnienie jako część „naturalności”. Poza wyborem modelu, spekulacyjne generowanie tur — gdy model zaczyna układać odpowiedź, zanim rozmówca skończy mówić — oraz wypełniacze przy łagodnym limicie czasu skracają odczuwaną długość pauzy, nawet jeśli rzeczywisty czas odpowiedzi się nie zmienia.

Lokalizuj, zamiast tłumaczyć. Wybieraj głosy faktycznie wytrenowane w języku docelowym, korzystaj ze słownika wymowy, a przy zastosowaniach w jednym języku rozważ napisanie promptu właśnie w tym języku, by poprawić wyniki. Multilingual v2 pozostaje dobrym wyborem, gdy ważniejsze od ekspresji są krótkie opóźnienia w różnych językach.

Monitoruj swojego agenta. Używaj testów symulacyjnych, by sprawdzać agenta bez prawdziwych rozmów, kryteriów oceny zaliczone/niezaliczone po rozmowie oraz analizy sentymentu tura po turze, aby dokładnie wychwycić moment, w którym agent użył niewłaściwego tonu — a potem wykorzystaj ten sygnał do dopracowania promptu.

Obejrzyj całą sesję

Obejrzyj pełny webinar tutaj.