Puhe-AI ja multimodaalisuus — puhe, teksti ja kuva yhdessä

Puhe-AI on tähän asti nähty usein puhelimena, joka osaa puhua takaisin. Multimodaalisuus muuttaa asetelman. Asiakas ei aina halua selittää kaikkea ääneen. Hän voi lähettää kuvan, täyttää lomakkeen, jatkaa chatissa, saada tekstiviestin ja palata myöhemmin puheluun. Hyvä AI ei pakota tätä kaikkea erillisiksi saariksi. Se ymmärtää saman asian eri muodoissa.

Multimodaalinen AI tarkoittaa, että järjestelmä käsittelee useita tiedon muotoja: puhetta, tekstiä, kuvaa, dokumentteja ja joskus videota. Asiakaspalvelussa tämä ei ole teknologiaesittely. Se on käytännön kysymys: miten asiakkaan asia saadaan hoidettua ilman, että hän joutuu aloittamaan alusta jokaisessa kanavassa.

Miksi pelkkä puhe ei aina riitä

Puhelu on hyvä silloin, kun asia on kiireellinen, epäselvä tai asiakkaalla on tunne päällä. Se on huono silloin, kun tarvitaan tarkkoja numeroita, kuvia, liitteitä tai pitkiä ehtoja. Kukaan ei halua tavata tilausnumeroa ääneen kolme kertaa vain siksi, että järjestelmä ei osaa lukea linkkiä.

Multimodaalisessa mallissa AI voi aloittaa puhelussa ja pyytää asiakkaalta kuvan, dokumentin tai tekstivahvistuksen. Esimerkiksi:

• kiinteistöhuolto saa kuvan vuodosta ja puhelussa kuvatun kiireellisyyden
• verkkokauppa näkee palautettavan tuotteen kuvan ja asiakkaan tilausnumeron
• autohuolto saa rekisterinumeron kuvasta ja varaa ajan puhelussa
• terveydenhuollon ajanvaraus saa lomakkeen esitiedot ennen soittoa
• myynti saa liidin verkkolomakkeen ja täydentää tiedot puhelussa

Tämä on asiakkaalle yksinkertaista. Yritykselle se vaatii arkkitehtuuria. Jokainen kanava ei saa rakentaa omaa totuuttaan.

Kuva ei ole koriste, vaan todiste

Kuva on asiakaspalvelussa usein paras tapa kuvata ongelma. Rikkoutunut tuote, vuotava hana, lommo autossa, väärä toimitus, sähkökaapin virhekoodi. Puheella tästä tulee pitkä selitys. Kuvalla se näkyy sekunnissa.

AI voi käyttää kuvaa kolmella tavalla. Ensinnäkin se voi tunnistaa aiheen: onko kyse vauriosta, dokumentista vai tuotteesta. Toiseksi se voi poimia tietoa, kuten numeron, päivämäärän tai virhekoodin. Kolmanneksi se voi liittää kuvan oikeaan tikettiin, jotta ihminen näkee saman tilanteen myöhemmin.

Tässä on myös riski. Kuvissa voi olla henkilötietoja, osoitteita, rekisterinumeroita tai muuta arkaluonteista. Siksi multimodaalinen palvelu tarvitsee samat rajat kuin puhe-AI: mitä saa käsitellä, mihin tieto tallennetaan, kuinka kauan sitä säilytetään ja kuka näkee sen.

Kanavien yhdistäminen vaatii yhteisen asiakastapauksen

Todellinen hyöty syntyy vasta, kun puhelu, chat, kuva ja lomake kiinnittyvät samaan asiakastapaukseen. Muuten yrityksellä on vain enemmän materiaalia ja enemmän sotkua.

Käytännössä tarvitaan:

• yhteinen asiakas- tai tapaustunniste
• päätös siitä, mikä järjestelmä on totuuden lähde
• selkeä sääntö, mitä AI saa lukea ja kirjoittaa
• suostumus- ja tunnistusmalli
• lokitus siitä, mistä tieto tuli
• ihmiseen siirron malli, jossa kaikki konteksti siirtyy mukana

Jos nämä puuttuvat, multimodaalisuus muuttuu helposti monikanavaiseksi sekavuudeksi. Se on sama vanha ongelma paremmalla sanalla.

Missä multimodaalinen puhe-AI kannattaa aloittaa?

Hyvä ensimmäinen käyttötapaus on sellainen, jossa yksi lisäkanava ratkaisee oikean kitkan. Älä aloita kaikesta. Aloita yhdestä prosessista, jossa puheeseen yhdistyy kuva tai lomake.

Esimerkkejä hyvistä piloteista:

• reklamaatio, jossa asiakas lähettää kuvan tuotteesta
• huoltopyyntö, jossa kuva nopeuttaa kiireellisyyden arviointia
• ajanvaraus, jossa lomake täyttää esitiedot
• vakuutus- tai vahinkoilmoitus, jossa dokumentit kerätään ennen ihmiskäsittelyä
• B2B-liidi, jossa verkkolomake ja puhelu yhdistetään samaan CRM-merkintään

Huono alku on yleinen lupaus siitä, että AI ymmärtää kaiken kaikissa kanavissa. Ei ymmärrä. Tai jos ymmärtää, se ymmärtää sen hallitsemattomasti.

Mitä ostajan pitää kysyä toimittajalta?

Multimodaalisessa AI:ssa ostajan kannattaa kysyä vähemmän demosta ja enemmän työnkulusta.

Kysy ainakin:

• mihin kuvat, dokumentit ja transkriptiot tallennetaan
• miten tieto yhdistyy samaan asiakastapaukseen
• mitä AI saa päätellä kuvasta ja mitä ei
• voiko asiakas jatkaa puhelusta chattiin ilman alusta aloittamista
• miten ihminen näkee AI:n käyttämät lähteet
• miten henkilötiedot poistetaan eri kanavista
• miten virheellinen kuvatulkinta korjataan

Hyvä vastaus on prosessikuva, ei pelkkä lause “tuemme multimodaalisuutta”. Se lause on halpa. Toimiva toteutus ei ole.

Yhteenveto

Multimodaalinen puhe-AI ei tarkoita, että puhelimeen lisätään kuvaominaisuus ja toivotaan parasta. Se tarkoittaa asiakasprosessia, jossa puhe, teksti, kuva ja dokumentit palvelevat samaa asiaa. Asiakkaalle se näkyy vähempänä selittämisenä. Yritykselle se näkyy parempana kontekstina ja vähemmän väärin kirjattuina tiketteinä.

Aisteri rakentaa puhe-AI-ratkaisut käyttötapauksen ympärille. Jos haluat selvittää, missä kohtaa kuvat, lomakkeet tai chat kannattaisi yhdistää puhelinpalveluun, aloita konfiguraattorista tai kysy suoraan: visa.valkonen@aisteri.fi.