تعمل معظم أنظمة الذكاء الاصطناعي الصوتي بشكل جيد في العروض التوضيحية المضبوطة.

يطرح العميل سؤالاً. فيستجيب النظام على الفور تقريباً. تتدفق المحادثة بشكل طبيعي، وتُنجز المهمة، ويغادر الجميع الغرفة وهم يعتقدون أن الجزء الأصعب قد انتهى.

ولكن بمجرد دخول العملاء الحقيقيين إلى المشهد، تتغير المحادثة تماماً.

فعلى عكس مستخدمي العروض التوضيحية، يقوم العملاء بالمقاطعة. ويترددون في منتصف الجملة. كما يتحدثون بلهجات مختلفة، ويغيرون الموضوعات بشكل غير متوقع، ونادراً ما يتبعون المسار الذي صُمم النظام من أجله. وتصبح المحادثة غير مرتبة لأن هذه هي الطريقة الطبيعية لتواصل البشر.

هنا يتوقف زمن الاستجابة عن كونه مجرد مقياس تقني، ويبدأ في التحول إلى مشكلة في تجربة العملاء.

نادراً ما يكون التأخير الذي يلاحظه المتصل ناتجاً عن نظام واحد. فالتفاعل الصوتي يمر عبر عدة مراحل قبل سماع الرد؛ حيث يتم تحويل الكلام إلى نص، ثم يُفسَّر الطلب، ويتم إنشاء الرد، وبعد ذلك يُعاد تحويل ذلك الرد إلى كلام منطوق قبل أن يصل أخيراً إلى المتصل عبر شبكة الاتصالات الهاتفية. لا تستغرق كل خطوة سوى جزء من الثانية، لكن هذه الأجزاء تتراكم بسرعة مدهشة.

العملاء لا يرون أي شيء من هذا يحدث. إنهم يلاحظون فقط ما إذا كانت المحادثة تبدو سلسة وتلقائية أم لا.

فإذا جاء الرد متأخراً لثانية واحدة، يبدو الأمر متردداً. وإذا بدأ النظام في التحدث بينما لا يزال العميل يتكلم، فإنه يبدو نافد الصبر. وعندما يتكرر حدوث الأمرين معاً، تتلاشى الثقة قبل وقت طويل من حصول التكنولوجيا على فرصة لإثبات كفاءتها.

وقد لخصت إحدى الملاحظات من محادثتنا هذا التحدي بشكل جيد:

"أنت بحاجة إلى ذلك النوع من البنية التي تمنحك إمكانية الوصول إلى الأفضل في تلك اللحظة بالذات لكل مكالمة من مكالماتك."

يبدو الأمر كنقاش حول النماذج، ولكنه في الحقيقة نقاش حول المرونة. 

لا يمكن للأنظمة المستخدمة في بيئة العمل الفعلية أن تفترض أن أسرع محرك صوتي أو أقوى نموذج لغوي اليوم سيظل الخيار الأفضل بعد عام من الآن. كما تتطلب المحادثات المختلفة أولويات مختلفة؛ فقد يولي تفاعل دعم العملاء أهمية قصوى للسياق والدقة قبل كل شيء، في حين قد تعطي حملة الاتصالات الصادرة التي تتعامل مع آلاف المكالمات أهمية أكبر للسرعة والتكلفة التشغيلية. لذا، فإن التصميم بالاعتماد على مزود خدمة واحد أو منظومة برمجية ثابتة يترك مجالاً ضيقاً للغاية للتكيف عند تغير تلك الأولويات.

ويمثل التوقيت تحدياً آخر يصعب قياسه بدرجة أكبر بكثير.

يقاطع الناس بعضهم البعض باستمرار. نتوقف للتفكير، ونعيد بدء الجمل، ونصحح كلامنا، ونتحدث أحياناً في الوقت نفسه دون أن نلاحظ ذلك حتى. يفهم البشر هذه الإشارات بالغريزة، بينما يتعين على البرمجيات أن تتعلمها.

هل ينبغي للوكيل أن يتوقف عن الحديث لأن المتصل قاطعه؟ هل كانت تلك مقاطعة حقيقية أم مجرد توقف قصير قبل إكمال الجملة؟ إن تم الرد مبكراً جداً، ستبدو المحادثة غير طبيعية. وإن طال الانتظار أكثر من اللازم، يفقد التفاعل انسيابيته وزخمه.

وتصبح هذه القرارات أكثر صعوبة مع توسع نطاق العمليات. فقد تدعم المنصة نفسها خدمة العملاء في الصباح، وحجز المواعيد في فترة ما بعد الظهر، وعمليات التحصيل أو المبيعات بحلول المساء. لكل سير عمل توقعات مختلفة، لكن العميل يحكم عليها جميعاً باستخدام المعيار نفسه: هل بدت المحادثة طبيعية؟

لهذا السبب نادراً ما يُحل زمن الاستجابة بجعل نموذج واحد أسرع. بل يُحل من خلال تصميم نظام متكامل قادر على الاستجابة بثبات وموثوقية في ظل ظروف العالم الحقيقي. وبمجرد وصول الذكاء الاصطناعي الصوتي إلى بيئة الإنتاج الفعلي، لم تعد أجزاء الألف من الثانية مجرد قياسات هندسية، بل تصبح جزءاً أساسياً من تجربة العميل نفسها.