Hlasoví AI agenti: přirozený hlas ještě nezaručuje správný výsledek

TL;DR

• Při výběru hlasového AI agenta sleduj, zda správně pochopí požadavek a vyřeší ho. Příjemný hlas je jen část výsledku.
• Zástupci PolyAI a Otter upozorňují na pomalé uvažování a chyby v rozpoznávání řeči. Chybný přepis může pokazit i navazující automatizaci.
• Vyzkoušej vlastní pracovní rozhovor a zkontroluj klíčová slova, přiřazení mluvčích i navržené kroky, než povolíš jejich automatické provedení.

Představ si, že po poradě dostaneš úhledný zápis a připravené úkoly. Všechno působí použitelně, jenže věta „nabídku zatím neposílej“ se do přepisu dostala bez záporu. Pokud na zápis navazuje odeslání e-mailu, drobná chyba mění výsledek celé práce. Tento ilustrační příklad ukazuje, proč u hlasové AI potřebuješ hodnotit i to, co se děje po rozpoznání řeči.

TechCrunch 11. října přinesl vyjádření Shawna Wena, technického ředitele PolyAI, a Alexe Gaye, marketingového ředitele Otter. Oba pojmenovávají překážky, které přetrvávají i s přirozenějším hlasem: rychlost odpovědi, správné zachycení významu a důvěru účastníků rozhovoru. Pro malý tým z toho plyne konkrétní otázka: zvládne nástroj převést rozhovor ve správný další krok?

Mluvit a poslouchat současně nestačí

Wen upozorňuje, že už existují modely schopné zároveň mluvit a poslouchat, označované jako full-duplex. Za další výzvu považuje rychlejší uvažování: agent musí dostatečně rychle získat odpověď, aby rozhovor působil přirozeně.

U zákaznické podpory podle něj záleží také na tom, zda volající získá důvěru, že agent jeho problém vyřeší. Přirozený hlas může pomoci udržet člověka v rozhovoru, ale o užitečnosti rozhoduje vyřešený požadavek.

Při ukázce hlasového agenta si proto nech předvést celou úlohu. Pokud má odpovídat na dotazy k objednávkám, sleduj nejen jeho první větu, ale i dohledání údajů, reakci na upřesnění a konečnou odpověď. Jde o doporučení pro výběr nástroje, nikoli o doložený výsledek testu PolyAI.

Chyba v přepisu se přenese do dalších kroků

Wen zmiňuje, že rozpoznávání řeči může minout důležitá klíčová slova, a tím ztratit kontext. Gay popisuje důsledek pro zápisy ze schůzek: pokud není přesný výchozí přepis, chybné mohou být i navazující akce. Jakmile nástroj podle chyby začne jednat, uživatel ztrácí důvěru.

Pro automatizaci je podle Gaye důležité také určit, kdo mluví, zachytit jeho záměr a propojit ho s firemními znalostmi. Samotný čitelný souhrn tedy neukazuje, zda nástroj správně pochopil, kdo se k čemu zavázal.

Pokud vybíráš nástroj na porady, porovnej na vlastním zkušebním rozhovoru tři věci:

• Význam: zůstaly správně zachované termíny, částky, názvy a zápory?
• Odpovědnost: přiřadil nástroj závazek správnému člověku a odlišil návrh od rozhodnutí?
• Další akci: odpovídá připravený úkol tomu, co skutečně zaznělo?

Pro český tým má smysl použít češtinu i vlastní oborové výrazy. Zpráva neposkytuje srovnání přesnosti v češtině, podle kterého by šlo vybrat konkrétní produkt. Než ověříš kvalitu na své práci, nech si navazující zprávy a změny připravovat ke schválení.

Účastník má vědět, že mluví s AI

Oba zástupci firem zdůrazňují transparentnost. Wen považuje za důležité, aby volající věděl, že komunikuje s AI. Otter podle Gaye zvažuje například upozornění v chatu na nahrávání schůzky i tehdy, když v ní není přítomný bot.

Při výběru si nech ukázat, jak se účastník dozví o AI a nahrávání. U podpory ověř také způsob předání hovoru odpovědné osobě, když agent požadavku nerozumí. Plynulost rozhovoru a srozumitelné předání mají společný cíl: člověk se musí dostat k řešení.

Vyjádření PolyAI a Otter popisují pohled dodavatelů, nikoli nezávislé srovnání jejich produktů. Užitečným prvním krokem je proto krátká zkouška jedné skutečné pracovní situace. Vyber rozhovor, jehož správný výsledek znáš, a zkontroluj cestu od vysloveného požadavku až po navrženou akci. Právě tam zjistíš, kolik kontroly bude nástroj při tvé práci potřebovat.

Zdroj

Ivan Mehta, TechCrunch: These execs think voice AI hasn’t reached its ChatGPT moment yet, 11. října 2026