Razgovarali smo s Teom Toplakom iz ElevenLabsa o razvoju glasovnih AI agenata, njihovoj poslovnoj primjeni, podršci za hrvatski jezik i budućnosti komunikacije s umjetnom inteligencijom
Umjetna inteligencija sve uvjerljivije komunicira ljudskim glasom, a glasovni AI agenti postupno pronalaze svoje mjesto u korisničkoj podršci, kontakt centrima i poslovnim procesima. Ono što je donedavno zvučalo kao tehnologija budućnosti danas već može preuzeti velik dio svakodnevnih korisničkih upita, odgovarati na različitim jezicima i raditi bez prekida, neovisno o radnom vremenu.
No, prirodan glas samo je jedan dio priče. Pravi izazov predstavlja vođenje dužih i složenijih razgovora, razumijevanje konteksta, reagiranje na prekide i pamćenje informacija tijekom komunikacije. Posebno je zanimljivo pitanje koliko su takvi sustavi napredovali u podršci za manje jezike poput hrvatskog te kako ih tvrtke mogu uvesti bez gubitka povjerenja korisnika.
O tim smo temama razgovarali s Teom Toplakom iz ElevenLabsa, tvrtke koja razvija napredne tehnologije generiranja glasa i glasovnih AI agenata. Intervju smo vodili tijekom konferencije Automation Summit u Splitu, a dotaknuli smo se i konkretnih poslovnih primjena, mogućnosti automatizacije, isplativosti ulaganja te onoga što hrvatske tvrtke mogu očekivati u sljedećih nekoliko godina.
ElevenLabs je poznat po naprednoj tehnologiji generiranja glasa. Koliko je današnja umjetna inteligencija blizu prirodnoj komunikaciji između ljudi i digitalnih asistenata?
Tu treba razlikovati dvije stvari: kvalitetu samog glasa i kvalitetu sadržaja, odnosno onoga što agent zapravo kaže. Što se glasa tiče, rekao bih da je ta razina i više nego dosegnuta. U kratkoj snimci ili jednostavnijem razgovoru većina ljudi neće prepoznati da razgovara s AI-jem (Turingov test). Zanimljivo je da me klijenti na sastancima više skoro ni ne pitaju zvuči li prirodno. Puno češće pitaju kako se snalazi u dužim i složenijim razgovorima, kad ga netko prekine, zastane da razmisli ili usput spomene podatak koji AI agent mora zapamtiti za kasnije.
Kod takvih složenijih, otvorenih razgovora smo blizu, ali još nismo skroz tamo. Dobar dio razloga je u tome kako su ti sustavi danas izgrađeni. Većina glasovnih agenata radi kaskadno: govor se prvo pretvori u tekst, tekst obradi jezični model, a njegov odgovor se onda opet pretvori u glas. Modeli koji rade izravno iz glasa u glas postoje i na njima se intenzivno radi, ali za ozbiljnu poslovnu upotrebu još nisu dovoljno pouzdani. Problem kaskade je što glas nosi puno više od samih riječi. Ton, melodija i emocija se pri pretvaranju u tekst djelomično izgube.
Drugi kompromis je brzina. U razgovoru odgovor mora doći u djeliću sekunde, inače tišina postane neugodna. Veći i pametniji modeli su sporiji, pa se često mora birati između odgovora koji je brz i odgovora koji je najbolji. Napredak je ipak ogroman i očekujem da će AI kroz sljedećih par godina proći Turingov test i u puno složenijim razgovorima.
Glasovni AI agenti sve se češće koriste u korisničkoj podršci i poslovnim procesima. Gdje danas vidite njihovu najveću praktičnu vrijednost?
Najveća vrijednost trenutno je u potpunoj automatizaciji jednostavnijih procesa koji se stalno ponavljaju. Ljudi zovu da pitaju gdje im je paket, kako promijeniti termin, zašto im je račun veći nego prošli mjesec. Takvi pozivi čine velik dio volumena svakog kontakt centra, a AI agent ih može riješiti od početka do kraja, odmah, u tri ujutro, na bilo kojem jeziku i bez reda čekanja. Tu se povrat investicije najlakše pokaže jer je vrijednost izravna i mjerljiva. Recimo Klarna je skratila vrijeme rješavanja upita deset puta otkad koriste naše AI agente.
Ali granica praktične vrijednosti jako se brzo pomiče. Tvrtkama se već sada otvaraju vrata ne samo za uštedu i veću produktivnost u procesima koje već imaju, nego i za potpuno nove načine zarade kroz nove vrste proizvoda. Recimo, banka koja klijentu nudi osobnog asistenta s kojim prolazi kroz svoje financije, turistička tvrtka koja gostu odgovara na njegovom jeziku u bilo koje doba, ili medij koji svaki članak nudi i kao audio. To je teže izmjeriti nego uštedu po pozivu i traži malo vizionarski pristup, ali dugoročno mislim da je upravo tu najveći potencijal.
Kako tvrtke mogu uvesti glasovne AI agente u postojeće sustave, a da pritom zadrže kvalitetu usluge i povjerenje korisnika?
Rekao bih da je najvažnije AI uvoditi postupno, i to na mjestima gdje može dati jednaku ili bolju uslugu nego prije. Najčešća greška koju vidim je upravo suprotno, kad tvrtka želi agenta koji od prvog dana zna sve što zna njihov najbolji zaposlenik. To ne funkcionira. Puno je bolje krenuti od jednog jasnog slučaja, recimo provjere statusa narudžbe, napraviti ga stvarno dobro i onda širiti.
Za povjerenje je najvažnija otvorenost. Ne treba pokušavati sakriti da se koristi AI. Korisnik treba znati s kim razgovara, a to uostalom traži i europska regulativa. Moje iskustvo je da ljudi AI prihvaćaju bez problema kad im brzo riješi ono zbog čega su nazvali, a nepovjerenje nastaje kad se osjećaju prevareno. Uz to, uvijek mora postojati izlaz prema čovjeku, i to tako da korisnik ne mora sve ponavljati ispočetka jer agent preda cijeli kontekst. I na kraju, agent se mora ozbiljno testirati prije nego što ode u produkciju. Mi ga provlačimo kroz niz simuliranih razgovora, uključujući one u kojima ga korisnik namjerno pokušava zbuniti ili iz njega izvući nešto što ne bi smio reći. Kad agent jednom radi, prati se svaki razgovor.
Koliko su danas napredne mogućnosti rada na hrvatskom jeziku i drugim manjim jezicima te što možemo očekivati u tom području?
Danas se na hrvatskom već može napraviti puno, i to u stvarnoj upotrebi. Hrvatski je podržan u svim našim ključnim proizvodima, od generiranja glasa i transkripcije do agenata, a najnoviji modeli pokrivaju više od 90 jezika. Kad radim demo za domaće tvrtke, ljudi su često iznenađeni koliko prirodno zvuči, jer očekuju onaj glas s automatske sekretarice od prije desetak godina.
Ipak, naša regija ima dva specifična problema. Prvi je ono što zovemo accent drift ili language drift. Hrvatski, srpski, bosanski i crnogorski toliko su bliski i međusobno razumljivi da modeli, koji uče iz ogromnih količina podataka s cijelog tog govornog područja, teško hvataju razliku. Zato se može dogoditi da agent usred razgovora ubaci ekavicu, kaže "hiljadu" umjesto "tisuću" ili "voz" umjesto "vlak", ili da glas odjednom zvuči kao da dolazi iz susjedne države. Razlika među jezicima je mala, ali osjetljivost slušatelja na tu razliku je kod nas jako velika i ljudi je primijete već u prvoj rečenici. U praksi se to dobrim dijelom rješava pažljivim odabirom glasa, jasnim uputama modelu i testiranjem, a tvrtke mogu napraviti i vlastiti glas s domaćim govornikom. Ali na to treba paziti od prvog dana.
Drugi problem je veličina tržišta. Hrvatski govori oko pet milijuna ljudi, a španjolski ili engleski stotine milijuna, i prema tome se ravna količina dostupnih podataka. Manji jezici zato traže svjesnu odluku i poseban fokus istraživačkih timova, jer kvaliteta ne dođe sama od sebe kao kod velikih jezika.
Unatoč svemu, siguran sam da će biti sve bolje, i to brzo. Za hrvatske tvrtke najvažnije je to što više ne trebaju zaseban i skup sustav samo za hrvatski. Isti agent koji priča hrvatski može u istom razgovoru prijeći na njemački ili engleski, što je za turizam velika stvar. U idućem razdoblju očekujem bolju podršku za regionalne naglaske i narječja, a mislim da će i prijevod u stvarnom vremenu, gdje dvoje ljudi razgovara svatko na svom jeziku, uskoro postati nešto sasvim uobičajeno.
Koji bi prvi korak preporučili hrvatskim tvrtkama koje žele iskoristiti ElevenLabs tehnologiju i kako procijeniti donosi li takva investicija stvarnu poslovnu vrijednost?
Prvi korak nije tehnologija, nego vlastiti podaci. Preporučio bih tvrtki da pogleda zašto je korisnici zapravo zovu ili joj pišu. Iz toga treba izdvojiti jednu vrstu upita koja ima velik volumen, stalno se ponavlja i ima jasan kraj. Na tome se radi pilot.
Prije nego što se išta napravi, treba se dogovoriti po čemu ćemo za par tjedana znati je li uspjelo. Jedan broj, ne deset. To može biti udio upita koje agent riješi do kraja bez čovjeka, prosječno trajanje obrade, vrijeme čekanja ili zadovoljstvo korisnika. Bitno je mjeriti stvaran ishod, a ne dojam s prezentacije. Broj razgovora koje je AI "obradio" ne znači ništa ako isti ljudi sutra opet zovu jer im problem nije riješen. Zato uvijek gledam i koliko se korisnika vraća s istim pitanjem.
Dobra vijest je da je eksperiment danas jako jeftin. Prvi prototip na hrvatskom može se složiti u jednom popodnevu, i to vam već puno kaže o tome ima li smisla ići dalje. Kad se računa isplativost, ljudi obično gledaju samo uštedu po pozivu. Često zaborave pozive koji su se dosad gubili jer nitko nije bio dostupan, izvan radnog vremena ili u sezonskim špicama. Za neke je tvrtke tu veći novac nego u samoj uštedi.
Moj savjet je krenuti malo i fokusirano. Projekti koji propadnu rijetko propadnu zato što tehnologija nije dovoljno dobra. Puno češće propadnu zato što nitko nije točno definirao koji problem rješavaju.
