Webbinar-sammanfattning: Bygg AI-agenter som låter naturliga

De flesta team vill bygga en agent som låter naturlig.

Luckan som de flesta team ser är agenter som klarar uppgiften – men som inte förstår sammanhang, brådska eller känslor. Och när den som ringer märker det sjunker förtroendet, liksom kvaliteten på interaktionen.

I vår senaste liveworkshop: Bygg AI-agenter som låter naturliga, gick Luigi Sambuy (Forward Deployed Engineering) igenom vad som skiljer en robotlik agent från en som känns genuint mänsklig.

Varför det är svårare än det verkar att låta naturlig

De flesta team som driftsätter agenter har redan löst noggrannheten – agenten ger rätt svar, bokar rätt bord och avbokar rätt flyg. 

Det svårare är att få leveransen rätt.

En agent som inte speglar den uppringandes känslor, inte uppfattar när något är brådskande och besvarar varje fråga i samma platta rytm kommer alltid att uppfattas som artificiell, oavsett hur korrekta svaren är. Kunder vill inte bara få sitt problem löst – de vill känna sig hörda medan det sker.

De fyra egenskaperna hos en agent som låter naturlig

1. Rytm och flöde – naturligt tempo, pauser och varierad hastighet i stället för ett monotont framförande
2. Spegling – bemöt en frustrerad uppringare med omtanke och goda nyheter med värme
3. Sammanhang – använd användarhistorik, affärssystem och kulturella/regionala signaler så att svaren inte blir generiska
4. Identitet – en röst som faktiskt är skapad för varumärket, inte ett färdigt standardval

Demo: En agent som låter naturlig i praktiken

Scenario: En kund ringer Rosette Restaurant för att ändra sin bokning. Det är deras femte bröllopsdag och de blir sena.

Det som visas:

• Agenten inledde varmt och uppmärksammade bröllopsdagen innan den gjorde något annat
• Den upptäckte en liten skillnad mellan den angivna bokningstiden och den faktiska bokningen, och bad om ett förtydligande i stället för att gissa
• Den flyttade bokningen till kl. 21 och erbjöd proaktivt ett fönsterbord för tillfället, utan att kunden behövde fråga
• Under hela samtalet använde agenten naturliga pauser, utfyllnadsord och en ton som anpassades efter situationen – lugnande, varm och utan stress

Varför det spelar roll: Inget av detta kom från en annan modell eller en mer kraftfull plattform. Det kom från prompten. Systemprompten gav agenten tillåtelse att rätta sig själv mitt i en mening, tappa tråden naturligt medan den ”letade upp något” och anpassa sin känslomässiga ton efter den som ringer – samma tekniker som finns tillgängliga för alla team som bygger på plattformen i dag.

Sju sätt att bygga naturliga agenter

1. Känslomässiga taggar – tillgängliga i det konversationsinriktade v3-modellens uttrycksfulla läge och Eleven v4; det enskilt största steget för att variera tonen
2. Bakgrundsljud – kontorsambiens, stadsljud eller ljudet av tangentbord för ett mer välbekant, mänskligt sammanhang
3. Ton i systemprompten – det är här större delen av skillnaden faktiskt finns
4. Inställningar för iver (ivrig / normal / tålmodig) – anpassade efter hur mycket tid interaktionen behöver
5. Uttalslexikon / nyckelord – för namn, varumärken och utländska ord som agenten annars skulle uttala fel. 
6. Utdatainställningar – vissa team lägger medvetet till telefoner som ringer i bakgrunden i stället för kristallklart ljud, eftersom kunder som byter från ett traditionellt kontaktcenter är vana vid den lätt dämpade tonen
7. Voice Design eller kloning – skapa en helt anpassad röst för varumärket i stället för att välja en färdig. Med Voice Design kan du prompta fram något specifikt (t.ex. ”en man i trettioårsåldern som låter som om han talar genom ett headset”). Voice Cloning sträcker sig från en direktklon (cirka 30 sekunders ljud) till en professionell klon (mer material, högre återgivningstrohet). 

Bästa praxis för agenter som låter naturliga

Skriv tonen direkt i systemprompten. Det är här större delen av skillnaden mellan en platt agent och en naturlig agent faktiskt finns. Ge agenten uttrycklig tillåtelse att rätta sig själv mitt i en mening (”så som människor faktiskt pratar”), att tappa tråden naturligt medan den letar upp något och att låta tystnad uppstå efter något allvarligt innan den svarar.

Anpassa känslomässiga taggar efter situationen. En tagg som ”excited” är fel i en allvarlig eller riskfylld situation. Placera taggar medvetet där de faktiskt kommer att förekomma i samtalet, och anpassa dem efter den uppringandes känsloläge under samtalets gång (t.ex. lugn och betryggande för en orolig uppringare jämfört med snabb men varm för någon som har bråttom).

Ställ in iver medvetet. Ivrig fungerar för snabba samtal med mycket information; tålmodig fungerar när någon behöver tid för att leta fram ett dokument eller nummer. Om du alltid använder ivrig kan agenten kännas påstridig snarare än naturlig.

Välj LLM för varje nod. Använd lättare, snabbare modeller för enkla routningssteg och mer kapabla modeller för noder som fattar verkliga beslut. 

Se upplevd fördröjning som en del av det ”naturliga”. Utöver modellval minskar både spekulativ turordningsgenerering (där modellen börjar formulera ett svar medan den som ringer fortfarande talar) och utfyllnadsord vid mjuka tidsgränser hur lång en paus känns, även när den underliggande svarstiden inte har ändrats.

Lokalisera i stället för att översätta. Välj röster som faktiskt har tränats på målspråket, använd ett uttalslexikon, och överväg att skriva själva prompten på det språket för användningsfall med ett enda språk, för bättre prestanda. Multilingual v2 är fortfarande ett bra alternativ när snabb fördröjning mellan språk är viktigare än uttrycksfullhet.

Övervaka din agent. Använd simuleringstester för att validera en agent utan riktiga samtal, utvärderingskriterier för godkänt/underkänt-poängsättning efter samtalet och sentimentanalys tur för tur för att fånga exakt var i ett samtal agenten använde fel ton – använd sedan den signalen för att justera prompten.

Se hela sessionen

Se hela webbinariet här.