Bakit mas mahirap kaysa sa tunog nito ang “AI na may boses ng brand ninyo” — at paano ito talaga ginagawa ng magagaling na sistema

Nangangako ang bawat vendor ng AI support na tutunog ito na parang kayo. Sa demo, may lumalabas na sagot sa palakaibigang tono, may nakasingit na pangalan ng kumpanya ninyo. Tumatango ang customer. Napipirmahan ang deal. Pumapasok sa produksyon ang AI.

Makalipas ang anim na buwan, may nag-screenshot ng sagot ng AI na nagsasabing "Naiintindihan ko ang inyong pagkadismaya at pinahahalagahan ko ang inyong pasensiya habang magkasama nating inaayos ito." Napunta ito sa Twitter. Ang kumpanyang ilang taong hinubog ang boses na tuyo pero mahusay ay biglang mukhang isang call center ng suporta sa customer.

Ito ang nangyayari kapag napagkakamalan ng mga sistema ng AI na ang boses ng brand ay pagsingit lang ng pangalan ng brand.

Pino ang tunay na boses ng brand. Kasingdami ng sinasabi ninyo, lumilitaw ito sa hindi ninyo sinasabi. Puwedeng tanggalin ng isang tech-forward na brand ang mga pormalidad tulad ng "please" at "thank you" dahil nagdaragdag ang mga ito ng friction. Puwedeng gawin ng brand na nakatuon sa hospitality ang kabaligtaran. Puwedeng gumamit ng teknikal na jargon ang isang kumpanya ng dev tool dahil iyon ang wikang sinasalita ng mga customer nito. Puwedeng iwasan ito nang mahigpit ng isang consumer brand.

Talagang mahirap itamang ito sa mga sagot ng AI. Karamihan sa mga vendor ay hindi ito naitatama. Karamihan sa mga customer ay hindi ito nalalaman hangga't hindi sila malalim na sa produksyon at nagsisimula nang dumating ang mga reklamo.

Ano ang bumubuo sa boses ng brand

Anim na dimensyon ang nagtatakda kung tunog-brand ninyo ang mga sagot ng AI.

Rehistro ng pormalidad. Gaano kapormal o kakaswal ang wika? "Hey!" o "Hello,"? Pinaikling anyo o buong baybay? May emoji o wala? Unang panauhan o pangalawang panauhan? Magkakaibang-magkakaiba ang kinalalagyan ng mga brand sa aksis na ito.

Senyales ng init. Gaano kinikilala ng sulat ang damdamin? Ang boses ng suporta sa customer na binubuksan ang bawat mensahe ng "Lubos kong naiintindihan" ay parang binasa lang sa script. Ang hindi kailanman kumikilala sa damdamin ay parang malamig. Depende sa brand ang tamang antas.

Pagkadiretso. Dumidiretso ba sa punto ang brand ninyo o dahan-dahan itong papunta roon? Iba ang "Magre-renew ang subscription ninyo sa March 5" sa "Nais ko sanang banggitin ang paparating na pag-renew ng subscription ninyo — mare-renew kayo sa March 5." Parehong impormasyon, magkaibang boses.

Antas ng awtoridad. Ipinapakita ba ng brand ang sarili bilang ekspertong gumagabay sa user, o katapat na tumutulong sa katapat, o mapagkumbabang tagapagsilbi? Lumilitaw ito sa pananalitang tulad ng "Ang pinakamainam na paraan ay..." kumpara sa "Baka gusto ninyong subukan ang..." kumpara sa "Tulungan ko kayong alamin ito."

Katatawanan at pagiging mapaglaro. May mga brand na bagay na maging magaan at paminsan-minsang nakakatawa. May iba namang mali ang datingan kapag ginawa iyon. Ang default ng AI ay karaniwang patag na neutralidad — walang biro sa magkabilang panig — na bahagyang mali ang tunog para sa dalawang dulo ng mga brand.

Paghawak sa masamang balita. Paano ipinapaabot ng brand ninyo ang "hindi" o ang "hindi namin iyan magagawa"? Ang template na sagot ng AI ay binabalot ng empatiya: "Lubos kong naiintindihan na hindi ito ang inaasahan ninyong marinig, ngunit sa kasamaang-palad..." May mga brand na eksaktong ito ang ginagawa. May iba namang basta na lang nagsasabi ng "Hindi namin sinusuportahan iyan" at tumutuloy na.

Ang pare-parehong pagtama sa lahat ng anim ang dahilan kung bakit tunog-koponan ninyo ang mga sagot ng AI. Sapat nang isa ang mamali para maging kakaiba ang dating nila, kahit hindi maipaliwanag ng mga customer kung bakit.

Bakit hindi sapat ang prompt engineering

Ang karaniwang paraan sa boses ng brand sa AI support ay prompt engineering. Sinusulat ninyo ang paglalarawan ng boses ng brand ninyo at inuuna ito sa konteksto ng modelo: "Sumagot sa palakaibigan at propesyonal na tono. Gumamit ng pinaikling anyo. Iwasan ang labis na pormalidad. Panatilihing maikli ang mga sagot."

Umuubra ito sa demo. Bumabagsak ito sa produksyon, dahil sa tatlong dahilan.

Paglihis sa pagkakapare-pareho. Probabilistiko ang mga LLM. Ang parehong prompt na may bahagyang magkaibang tanong ng customer ay nagbubunga ng mga sagot na bahagyang magkaiba ang tono. Minsan mas mainit ang AI kaysa sa gusto ninyo. Minsan mas malamig. Minsan gumagamit ito ng pananalitang bangga sa boses ninyo. Hindi nakikita ang pagkakaiba-ibang ito habang sinusuri, at tuloy-tuloy ito sa produksyon.

Karupukan ng prompt. Maliliit na pagbabago sa pananalita ng customer ay nagbubunsod ng ibang pattern ng sagot. Ang customer na kaswal magsulat ay nakakakuha ng kaswal na sagot. Ang pormal magsulat ay nakakakuha ng pormal na sagot. Natural ang pagsasalamin na ito para sa AI pero sinisira nito ang boses ng brand — hindi dapat nagpapalit ng rehistro ang brand ninyo batay sa kung paano sumulat ang customer.

Mga puwang sa saklaw. Sakop ng mga tagubilin sa prompt ang mga sitwasyong naisip ninyo. Sakop ng totoong tanong ng customer ang walang-hanggang espasyo. Nag-iimprobisa ang AI ng boses sa mga sitwasyong hindi ninyo inasahan, at ang improbisasyon ay bumabalik sa neutralidad ng LLM.

Para sa mga brand na may natatanging boses, ang paraang puro prompt ay nagbubunga ng mga sagot na malapit-pero-hindi-pa. Napapansin ito ng mga customer, kahit hindi nila maituro kung ano ang mali.

Ang talagang umuubra: fine-tuning sa datos ninyo

Ang mga sistemang totoong naghahatid ng boses ng brand ay nagfa-fine-tune sa aktuwal ninyong kasaysayan ng suporta. Ganito gumagana ang proseso.

Naglalaman ang kasalukuyan ninyong mga support ticket ng daan-daan o libo-libong halimbawa ng boses ng koponan ninyo. Bawat sagot na isinulat ng mga tagasuporta ninyo ay isang halimbawa sa pagsasanay — tanong ng customer papasok, sagot na tama ang boses palabas.

Ina-update ng fine-tuning ang batayang modelo para maisaloob nito ang mga pattern na ito. Natututo ang modelo hindi lang ng pagpili ng salita kundi ng mga desisyong nasa likod ng ginagawa ng koponan ninyo: kailan gagamit ng "kayo" kumpara sa "ang account ninyo," kailan hihingi ng paumanhin kumpara sa kailan aayusin na lang, kailan magdadagdag ng konteksto kumpara sa kailan magiging maikli.

Pagkatapos ng fine-tuning, nagbubunga ang modelo ng mga sagot na sumasalamin sa mga pattern ninyo, hindi sa default ng LLM. Pare-pareho ang boses sa lahat ng paksa at uri ng tanong. Ang mga bagong tanong ay nakakakuha ng sagot na parang koponan ninyo ang sumulat — dahil natuto ang modelo mula sa sulat ng koponan ninyo.

Totoo ang gastos. Nangangailangan ang fine-tuning ng malinis na datos para sa pagsasanay, imprastraktura sa pagsusuri, at pana-panahong muling pagsasanay habang nagbabago ang boses ninyo. Hindi namumuhunan dito ang karamihan sa mga vendor dahil mahal ito at mahirap ipakita sa isang demo. Pero malaki ang ipinagkaiba nito sa produksyon.

Ang blind test

Ang pinakasimpleng pagsusuri ay ang blind read.

Kumuha ng 20 kamakailang sagot ng AI mula sa kahit anong tool na sinusuri ninyo. Kumuha ng 20 kamakailang sagot ng tao mula sa koponan ninyo. Alisin ang pagkakakilanlan sa dalawang set — walang lagda, walang metadata. Ipakita ang mga ito sa taong may alam sa boses ng brand ninyo.

Pahiwalayin sa kanila ang bawat sagot sa tumpok na "AI" o "tao."

Kung kaya nilang paghiwalayin nang may mataas na katumpakan — sabihin nating 80%+ ang tama — hindi ang boses ng brand ninyo ang ginagawa ng AI. Generic na boses ng AI support ang ginagawa nito, may nakasingit na pangalan ng brand ninyo.

Kung hindi nila mapagkatiwalaang matukoy ang pagkakaiba, talagang natutuhan ng AI ang boses ninyo.

Bumabagsak ang karamihan sa mga vendor sa pagsubok na ito. Ang mga pumapasa ang siyang sulit kausapin nang seryoso.

Ano ang itatanong sa mga vendor

Kung sinusuri ninyo ang mga AI support tool at mahalaga ang boses ng brand, tatlong tanong ang tumatagos sa marketing.

"Paano natututo ang sistema ninyo ng aming tiyak na boses, higit pa sa mga prompt?" Kung ang sagot ay "pinapasulat namin sa inyo ang paglalarawan ng boses," puro prompt lang ito. Kung kasama sa sagot ang fine-tuning o pagsasanay sa kasaysayan ninyo, maghukay pa nang mas malalim.

"Puwede ba akong magpatakbo ng blind test sa kasalukuyan kong mga ticket?" May imprastraktura para dito ang magagaling na vendor. Ipoproseso nila ang sample ng mga ticket ninyo at hahayaan kayong magsuri. Ang mga vendor na nagsasabing "puwede kaming magbahagi ng halimbawang sagot mula sa ibang customer" ay umiiwas.

"Paano ninyo hinahawakan ang pagkakapare-pareho ng boses sa iba't ibang paksa?" Ang tipikal na palya ay tama ang boses ng AI sa simpleng tanong pero lumilihis ito sa mga masalimuot. Dapat may tiyak na sagot ang mga vendor kung paano nila pinananatili ang pagkakapare-pareho sa buong hanay ng mga tanong.

Ang mga sagot ang naghihiwalay sa seryosong vendor mula sa marketing.

Gusto ninyong patakbuhin ang blind test sa sarili ninyong mga ticket? Simulan ang 14-araw na libreng trial — buong feature ng Business, walang kailangang credit card — o mag-book ng 20-minutong demo. Alinman ang piliin, malalaman ninyo sa loob ng isang linggo kung tugma ito.