Mengapa “AI dengan suara jenama anda” lebih sukar daripada bunyinya — dan bagaimana sistem yang baik benar-benar melakukannya

Setiap vendor sokongan AI berjanji akan berbunyi seperti anda. Demo memaparkan satu balasan bernada mesra dengan nama syarikat anda diselitkan. Pelanggan mengangguk. Perjanjian ditandatangani. AI masuk ke produksi.

Enam bulan kemudian, seseorang menangkap skrin balasan AI yang berbunyi “Saya faham kekecewaan anda dan menghargai kesabaran anda sementara kita menyelesaikannya bersama-sama.” Ia naik ke Twitter. Syarikat yang bertahun-tahun membina suara yang ringkas dan cekap kini kelihatan seperti pusat panggilan sokongan pelanggan.

Inilah yang berlaku apabila sistem AI menyangka suara jenama sama dengan menyelitkan nama jenama.

Suara jenama sebenar itu halus. Ia terpancar pada apa yang anda tidak katakan sebanyak pada apa yang anda katakan. Jenama yang berpaksikan teknologi mungkin membuang basa-basi seperti “tolong” dan “terima kasih” kerana ia menambah geseran. Jenama yang berpaksikan hospitaliti mungkin melakukan sebaliknya. Syarikat alat pembangun mungkin menggunakan jargon teknikal kerana itulah bahasa pelanggannya. Jenama pengguna pula mungkin mengelaknya bersungguh-sungguh.

Mendapatkan hal ini betul dalam balasan AI benar-benar sukar. Kebanyakan vendor tidak berjaya. Kebanyakan pelanggan pula tidak menyedarinya sehinggalah mereka sudah jauh dalam produksi dan aduan mula masuk.

Apa sebenarnya yang membentuk suara jenama

Enam dimensi menentukan sama ada balasan AI berbunyi seperti jenama anda.

Daftar keformalan. Seformal atau sesantai mana bahasanya? “Hai!” atau “Salam sejahtera,”? Bentuk singkat seperti “tak” atau bentuk penuh “tidak”? Emoji atau tidak? Kata ganti diri pertama atau kedua? Jenama yang berbeza duduk pada titik yang sangat berbeza pada paksi ini.

Isyarat kemesraan. Sebanyak mana tulisan itu mengiktiraf emosi? Suara sokongan pelanggan yang membuka setiap mesej dengan “Saya benar-benar faham” terbaca seperti skrip. Yang tidak pernah mengiktiraf perasaan pula terbaca sebagai dingin. Aras yang betul berbeza mengikut jenama.

Keterusterangan. Adakah jenama anda terus kepada intinya atau membina jalan ke arahnya? “Langganan anda diperbaharui pada 5 Mac” berbeza daripada “Saya ingin menghubungi anda tentang pembaharuan langganan yang akan datang — anda akan diperbaharui pada 5 Mac.” Maklumat yang sama, suara yang berbeza.

Aras autoriti. Adakah jenama itu tampil sebagai pakar yang membimbing pengguna, rakan setara yang membantu rakan setara, atau pelayan yang merendah diri? Ia terpancar dalam ungkapan seperti “Pendekatan terbaik ialah...” berbanding “Anda mungkin mahu mencuba...” berbanding “Biar saya bantu anda mencari jalannya.”

Jenaka dan keceriaan. Ada jenama yang sesuai bersikap ringan dan sesekali melucu. Ada yang akan berbunyi janggal jika berbuat begitu. Tetapan lalai AI biasanya neutral rata — tiada jenaka ke mana-mana arah — dan itu berbunyi agak sumbang bagi kedua-dua hujung jenama.

Cara menyampaikan berita buruk. Bagaimana jenama anda menyampaikan “tidak” atau “kami tidak boleh buat begitu”? Balasan AI acuan sedia ada sentiasa berbantalkan empati: “Saya benar-benar faham ini bukan yang anda harapkan, tetapi malangnya...” Ada jenama yang memang berbuat begitu. Ada yang sekadar berkata “Itu bukan sesuatu yang kami sokong” lalu meneruskan urusan.

Mendapatkan kesemua enam ini betul secara konsisten itulah yang membuatkan balasan AI berbunyi seperti datang daripada pasukan anda. Salah satu sahaja tersasar, balasan itu terasa janggal — walaupun pelanggan tidak dapat menyatakan puncanya.

Mengapa kejuruteraan prompt tidak memadai

Pendekatan lalai kepada suara jenama dalam sokongan AI ialah kejuruteraan prompt. Anda menulis penerangan tentang suara jenama anda dan meletakkannya di hadapan konteks model: “Balas dengan nada mesra dan profesional. Gunakan bentuk singkat. Elakkan keformalan berlebihan. Pastikan balasan ringkas.”

Ini berkesan untuk demo. Ia gagal dalam produksi, atas tiga sebab.

Hanyutan konsistensi. LLM bersifat kebarangkalian. Prompt yang sama dengan soalan pelanggan yang berbeza sedikit menghasilkan balasan yang bernada berbeza sedikit. Kadangkala AI lebih mesra daripada yang anda mahu. Kadangkala lebih dingin. Kadangkala ia menggunakan ungkapan yang bergeser dengan suara anda. Variasi ini tidak kelihatan semasa penilaian dan berterusan dalam produksi.

Kerapuhan prompt. Perubahan kecil pada susunan kata pelanggan mencetuskan corak balasan yang berbeza. Pelanggan yang menulis secara santai mendapat balasan santai. Yang menulis secara formal mendapat balasan formal. Pencerminan ini terasa semula jadi bagi AI tetapi merosakkan suara jenama — jenama anda tidak sepatutnya bertukar daftar bahasa mengikut cara pelanggan menulis.

Jurang liputan. Arahan dalam prompt hanya merangkumi situasi yang terlintas di fikiran anda. Soalan pelanggan sebenar merangkumi ruang yang tidak terhingga. AI berimprovisasi suara dalam situasi yang anda tidak jangka, dan improvisasi itu jatuh semula kepada neutraliti LLM.

Bagi jenama yang mempunyai suara tersendiri, pendekatan berasaskan prompt semata-mata menghasilkan balasan yang hampir — tetapi tidak tepat. Pelanggan perasan, walaupun mereka tidak dapat menyatakan apa yang janggal.

Apa yang benar-benar berkesan: penalaan halus pada data anda

Sistem yang benar-benar menepati suara jenama melakukan penalaan halus (fine-tuning) pada sejarah sokongan sebenar anda. Beginilah prosesnya berjalan.

Tiket sokongan sedia ada anda mengandungi ratusan atau ribuan contoh suara pasukan anda. Setiap balasan yang pernah ditulis oleh kakitangan sokongan anda ialah satu contoh latihan — soalan pelanggan masuk, balasan yang menepati suara keluar.

Penalaan halus mengemas kini model asas supaya menghayati corak ini. Model itu belajar bukan sekadar pilihan perkataan, tetapi keputusan asas yang dibuat oleh pasukan anda: bila menggunakan “anda” berbanding “akaun anda”, bila meminta maaf berbanding bila terus membetulkan, bila menambah konteks berbanding bila memadai dengan ringkas.

Selepas penalaan halus, model menghasilkan balasan yang mencerminkan corak anda, bukan tetapan lalai LLM. Suaranya konsisten merentas topik dan jenis soalan. Soalan baharu mendapat balasan yang berbunyi seperti ditulis oleh pasukan anda — kerana model itu memang belajar daripada tulisan pasukan anda.

Kosnya nyata. Penalaan halus memerlukan data latihan yang bersih, infrastruktur penilaian, dan latihan semula secara berkala apabila suara anda berkembang. Kebanyakan vendor tidak melabur dalam hal ini kerana ia mahal dan sukar ditunjukkan dalam demo. Namun bezanya dalam produksi amat besar.

Ujian buta

Penilaian yang paling mudah ialah bacaan buta.

Ambil 20 balasan AI terkini daripada mana-mana alat yang sedang anda nilai. Ambil 20 balasan manusia terkini daripada pasukan anda. Tanggalkan identiti daripada kedua-dua set — tiada tandatangan, tiada metadata. Tunjukkan kepada seseorang yang mengenali suara jenama anda.

Minta dia mengasingkan setiap balasan ke dalam longgokan “AI” atau “manusia”.

Jika dia dapat mengasingkannya dengan ketepatan tinggi — katakan 80%+ betul — AI itu tidak menghasilkan suara jenama anda. Ia menghasilkan suara sokongan AI generik dengan nama jenama anda diselitkan.

Jika dia tidak dapat membezakannya secara konsisten, barulah AI itu benar-benar mempelajari suara anda.

Kebanyakan vendor gagal ujian ini. Yang lulus itulah yang berbaloi dibawa berbincang secara serius.

Apa yang perlu ditanya kepada vendor

Jika anda sedang menilai alat sokongan AI dan suara jenama itu penting, tiga soalan ini menembusi lapisan pemasaran.

“Bagaimana sistem anda mempelajari suara khusus kami, selain daripada prompt?” Jika jawapannya “kami benarkan anda menulis penerangan suara”, itu prompt semata-mata. Jika jawapannya melibatkan penalaan halus atau latihan pada sejarah anda, gali lebih dalam.

“Bolehkah saya jalankan ujian buta pada tiket sedia ada saya?” Vendor yang baik mempunyai infrastruktur untuk ini. Mereka akan memproses sampel tiket anda dan membiarkan anda menilainya sendiri. Vendor yang menjawab “kami boleh kongsikan contoh balasan daripada pelanggan lain” sedang mengelak.

“Bagaimana anda mengekalkan konsistensi suara merentas topik?” Mod kegagalannya ialah AI menepati suara pada soalan mudah tetapi hanyut pada soalan rumit. Vendor sepatutnya mempunyai jawapan khusus tentang cara mereka mengekalkan konsistensi merentas seluruh julat soalan.

Jawapan mereka memisahkan vendor yang serius daripada sekadar pemasaran.

Mahu menjalankan ujian buta pada tiket anda sendiri? Mulakan percubaan percuma 14 hari — ciri Business penuh, tiada kad kredit diperlukan — atau tempah demo 20 minit. Apa pun pilihannya, dalam masa seminggu anda akan tahu sama ada ia sesuai.