音声はすでに顧客とブランドの関わり方を変えつつあります。実店舗からウェブサイト、アプリへと移行した人々は、今や購入先企業と直接話すことを期待しており、同じ変化はサプライヤー、ドライバー、現場チームにも及んでいます。しかし、これまでの企業AIへの投資は主に内向きで、従業員向けアシスタントに集中してきました。より大きな機会は、企業が顧客やパートナーと日々交わす会話にあります。これらの会話は今、リアルタイムで捉え、理解し、行動に移すことができます。
どのチームでも会話する音声エージェントを構築できますが、価値が生まれるのはエージェントが発信者のコンテキストを把握したときだけです。そこから、その人に適応し、設定されたルール内に留まり、通話ごとに改善できます。Databricks上では、エージェントの脳はガバナンスされたデータの隣に位置します。コンテキストとオントロジーがすべての回答の根拠となり、高速AI意思決定が各ターンを調整し、すべての通話が学習ループにフィードバックされます。
なぜ音声で、なぜ今なのか。消費者ビジネスで毎日発生する3つの瞬間を考えてみましょう。午前6時、配送時間に遅れているドライバーがドックの予約を変更するためにディスパッチに電話します。ハンドルを握っているため、アプリは選択肢になりません。すでに3人のドライバーが待機しており、待つ1分ごとに次の配送が危険にさらされます。正午、ドライブスルーに4台の車が並び、1人の従業員がヘッドセットを着けて注文を受け、支払いも処理し、商品も渡しています。客は話すことでしか注文できないため、列の進み具合は1人の従業員が注文を処理できる速度に依存します。夕方、嵐でフライトが欠航し、足止めされた旅行者がホテルに電話して部屋を確保し、到着を延期します。両手に荷物を持ってゲートに立つ旅行者にとって、電話はウェブサイトより簡単で速いです。予約チームは2人しかいないのに、40件の電話が押し寄せます。これらの各瞬間において、音声は顧客がビジネスに連絡する最速または唯一の手段です。
長年、音声は正しく実現するのが難しすぎるという答えでした。それはもはや真実ではありません。合成音声は自然に聞こえ、会話は発信者がまだ電話に出ている間にテキスト化して行動できます。今日の音声エージェントは、会話で人が互いに応答する通常約200ミリ秒のペースに追いつくことができます。追いついていないのは、ほとんどの企業の考え方です。企業AI投資は主に内向きで、従業員向けアシスタントに向けられてきましたが、より大きな機会は顧客やパートナーとの日々の会話にあります。米国の大手ファストフードブランドの一つは、客が話すだけでカートに商品を追加し、注文を変更し、チェックアウトできる音声エージェントをすでに構築しています。
これらの通話は、ドライバーがドック予約を変更する場合でも、旅行者が嵐の後に部屋を確保する場合でも、音声を理解するだけでは不十分です。役立つためには、エージェントは最高の従業員が持つ同じコンテキストを必要とします。誰が電話しているのか、その人に何が進行中か、そしてそれについて何が許可されているかです。
ほとんどの音声エージェントのパイロットは、エージェントが会話を保持できることを証明しますが、実際の顧客を任せられることを証明するものはほとんどありません。コンテキストがそのギャップを埋めます。コンテキストがあれば、エージェントは各発信者に適応し、見たり言ったりできることに関するルール内に留まり、通話ごとに改善できます。コンテキストがなければ、どんなに自然な声でも一般的な回答しかできません。
1つの通話を考えてみましょう。忠実な顧客が遅延注文について電話します。エージェントはすでに誰であるか、何を注文したか、荷物がどこにあるかを知っています。謝罪し、権限のあるロイヤルティクレジットを提供し、代替品を手配します。顧客がまだ不満なら、エージェントはその場で察知し、数分の1秒で次に利用可能な人に通話を回す決定をします。その人は完全なコンテキストで応答するため、顧客は待つことも繰り返すこともありません。同じパターンは、患者が予約を変更する場合や、加入者が身に覚えのない請求の後にログインできない場合にも当てはまります。いずれの場合も、顧客がアプリやウェブサイトから離れてすぐに答えを必要とするときにエージェントが引き継ぎ、通話が終わると同じジャーニーに戻します。
ライブ通話でそのコンテキストをまとめることが本当の課題です。それは多くのシステムに分散しており、エージェントは数分の1秒でそれを必要とし、その間ずっとガバナンスを維持する必要があります。そこでDatabricksの出番です。
音声エージェントには2つの部分があります。1つ目は会話レイヤーで、通話自体を処理します。音声を運び、音声をテキストに変換し、返答を話します。専門パートナーがこれをうまく行います。私たちのプロトタイプでは、LiveKitが通話を運び、Deepgramが音声テキスト変換とデフォルト音声を担当し、ElevenLabsが表現豊かな声を追加します。Twilioなどの電話会社が通常の電話回線を提供できます。2つ目は脳で、Databricksが提供します。通話の各ターンで、発信者のコンテキストを調べ、ビジネスルールを適用し、次のステップを選択します。質問に答える、オファーを出す、人間に通話を回すなどです。また、各決定を記録し、チームが後で確認できるようにします。会話レイヤーはエージェントの聞こえ方を形作り、脳は正しい答えを出せるかどうかを決めます。
脳はDatabricks上ですでに共存する3つの基盤の上に成り立っています。コンテキストはエージェントがその瞬間に必要とするデータです。電話に出ている人に属する顧客、注文、製品、ポリシーのデータです。オントロジーはそのデータがどのようにつながるかです。ビジネスが運営する定義と関係を捉えます。例えば、何がロイヤルティメンバーにするのか、注文がどの店舗に属するのか、どのポリシーがどの製品に適用されるのかを捉え、エージェントが従業員のようにビジネスを推論できるようにします。ガバナンスは誰が何を見られるかを決めます。Databricksでは、AIエージェントは従業員がすでに従っているエンタープライズデータカタログの同じアクセスルールに従います。Databricksのお客様にとって、新しいプラットフォームを立ち上げる必要はありません。エージェントはデータがすでに存在する場所で実行され、注文、ロイヤルティ、CRMなどすでに運用しているシステムに、承認された読み取り専用のルックアップを通じて接続します。
柱1：すべての回答をビジネスに根拠づける。顧客とのやり取りの間、エージェントはコンテキストとオントロジーを使用して、この人の注文、ポリシー、製品情報を調べ、すべての回答がインターネットの一般知識ではなくビジネスを反映するようにします。エージェントは発信者に属する記録のみを見て、発信者の言葉を信じるのではなくシステムをチェックして本人確認を行います。ビジネスは、エージェントが提供できるオファー、付与できるクレジットの額、人間が引き継ぐポイントを決定します。エージェントがデータで答えを見つけられない場合、推測せずに発信者にその旨を伝え、人間に転送します。与えるすべての回答は、その出所の記録まで追跡できます。医療、財務、安全などの敏感なトピックは、設計上人間にルーティングされ、エージェントは医療アドバイスを決して提供しないように構築されています。会話のみが音声パートナーを通過し、顧客データはガバナンスされたプラットフォームに留まります。
柱2：高速AI意思決定で各会話を調整する。音声エージェントには2種類の思考が必要です。一部の決定は、ドックの問題を抱えるドライバーや動揺した発信者を今すぐ人間に回すかどうかなど、数分の1秒で行う必要があります。他は、遅延注文の正しい修正を考えるなど、慎重な推論が必要です。研究者はこれを速い思考と遅い思考、つまりシステム1とシステム2と呼び、AIも同じように構築されつつあります。大規模言語モデル（システム2）が慎重な推論を行い、TypeSafe AIのJevのような新しいクラスの高速意思決定モデル（システム1）が素早い判断を処理します。Databricksはai_decideでシステム1の意思決定をガバナンスされたデータにもたらし、エージェントが素早く判断し、その確信度を示せるようにします。音声エージェントでは、2つが会話の各ターンで並行して機能します。忠実なメンバーやリピーターには、最も能力の高いモデルに支えられた完全な履歴と資格のあるオファーを提供し、定型の質問には低コストで迅速かつ正確な回答を提供します。動揺した発信者は、注文や予約、過去の苦情、すでに提供されたオファーとともに人間に渡されます。言語を切り替える発信者には、エージェントも切り替えて応答します。身に覚えのない請求を見てログインできない加入者は、記録に対して検証され、一般の待ち行列ではなくアカウント回復に直接進みます。解約のために電話した加入者は、まだ気持ちを変えられる瞬間に、実際に資格のある保存オファーを聞きます。症状が深刻かどうかを尋ねる患者は、完全な記録とともに看護師に転送されます。ドックインシデントを報告するドライバーは、出荷に損失をもたらす前に即座にエスカレーションされます。これにより、顧客に本当に違いをもたらす場所で最も能力の高いモデルを使用し、それ以外のすべてにはより高速で低コストのモデルを使用できます。
柱3：すべての通話で学習ループを作成する。これらの決定はすべて記録されます。電話レイヤーで発信者の同意と録音の開示が処理されると、各通話は1つのガバナンスされた場所で捉えられます。何が言われ、何が調べられ、どのモデルが答え、なぜ各決定がなされたかです。チームは、データの残りをすでにガバナンスしている同じポリシーを使用して、これらの記録に誰がアクセスできるか、どれだけ保持するかを制御します。エージェントは、Databricks Trust Centerで説明されているHIPAAやSOC 2 Type IIオプションを含む、Databricksプラットフォームのセキュリティとコンプライアンスプログラムを継承します。音声パートナーは独自の認証を持ち、展開の一環としてレビューする必要があります。その記録がエージェントの改善を可能にします。各通話は自動的に品質を採点でき、コンタクトセンターや顧客体験のリーダーは、先週火曜日に返金リクエストが急増した理由など、通話について自然言語で質問できます。これらの洞察は、より良いプロンプトとモデルにフィードバックされ、音声エージェントの有効性をさらに向上させます。
Databricksでの音声エージェントの始め方。始めるのに大規模なプログラムは必要ありません。構成要素は今日利用可能で、GitHubでオープンソースのDatabricks Intelligent Voice Agents（DIVA）ブループリントがチームに実用的な出発点を提供します。音声は既存システムの上に新しいチャネルとして加わります。音声エージェントは、注文状況、補充、再予約など、待ち行列を埋める定型通話を引き受け、スタッフは人間が必要な会話に集中できます。動揺した顧客、複雑なリクエスト、または単に人と話したい発信者です。スタッフが応答すると、完全な履歴がすでに画面に表示されており、何か問題が発生した場合、通話は人間に移ります。