Tekst jest asynchroniczny. Głos nie.

Zastanawiam się ostatnio, co się zmienia, kiedy z agentem rozmawiasz, zamiast do niego pisać. Nie chodzi mi o technologię. Chodzi o relację.

Tekst jest asynchroniczny. To jedno słowo mówi prawie wszystko.

Kiedy wpisuję prompt, piszę list. Nad jednym zdaniem mogę spędzić dwie sekundy. Mogę pięć minut. Mogę zacząć, odejść, zrobić kawę, wrócić, zmienić zdanie, skasować wszystko i zacząć od nowa. Model o tym nie wie. Modelu to nie obchodzi. Dostaje skończoną całość i odpowiada właśnie na nią.

W drugą stronę działa to tak samo. Model może odpowiadać dziesięć sekund. Może trzy minuty. Jeśli musi coś sprawdzić, odpalić jakieś narzędzie, dłużej pomyśleć — proszę bardzo. Poczekam. Między nami nie tyka zegar. Rozmowa toczy się w dwóch osobnych strefach czasowych, które od czasu do czasu wymieniają się pocztą.

To ogromna i niedoceniana zaleta. Asynchroniczność oznacza, że model może być powolny, kiedy musi. Oznacza też, że ja mogę być powolny, kiedy muszę. Żadna ze stron nie musi popisywać się płynnością. Taka rozmowa udźwignie ciężar, którego rozmowa na żywo nie uniesie.

Głos jest synchroniczny. I to słowo też mówi prawie wszystko.

Kiedy rozmawiam z agentem, zegar tyka. Każda sekunda ciszy coś znaczy. Jeśli robię pauzę, żeby pomyśleć, agent musi zdecydować, czy skończyłem, czy tylko zbieram myśli. Jeśli to agent robi pauzę, ja muszę zdecydować, czy pracuje, czy zerwało połączenie. Cisza w kanale głosowym wygląda na awarię. Nie da się przez trzy minuty układać odpowiedzi. Nie da się nawet przez trzydzieści sekund.

To zmienia to, co agentowi wolno.

Agent asynchroniczny może wykonać prawdziwą pracę w trakcie rozmowy. Przeczytać dokument. Puścić zapytanie. Spróbować trzech podejść. Wrócić z porządną odpowiedzią. Ktoś wyszedł na lunch, a kiedy wraca, odpowiedź już na niego czeka.

Agent synchroniczny nie może zrobić nic z tych rzeczy. Ma mniej więcej tyle czasu, ile trwa grzecznościowa pauza. Potem musi już mówić cokolwiek, inaczej rozmowa się rozsypie. Więc praca musi dziać się gdzie indziej.

Agent głosowy musi przekazywać pałeczkę.

Nie w sensie „proszę mnie połączyć z konsultantem”. W tym sensie, że prawdziwa praca — powolna, staranna, taka, która na swoją odpowiedź naprawdę zapracowuje — nie zmieści się w jednej wymianie zdań. Zadaniem agenta głosowego jest przyjąć zlecenie i obiecać, że zostanie wykonane. Sama praca trafia tam, gdzie zegar tyka inaczej.

Dobra rozmowa głosowa zaczyna więc przypominać nie tyle „zadaj agentowi pytanie, dostań odpowiedź”, ile „powiedz agentowi, czego potrzebujesz, a potem wróć po gotowe”. Głos to przyjęcie zamówienia. Asynchroniczność to dostawa. To nie jest ta sama rozmowa i nie powinny udawać, że jest.

Agent tekstowy może być rzemieślnikiem. Może zniknąć na minutę i wrócić z czymś dobrym.

Agent głosowy musi być recepcjonistą. Ciepłym, uważnym, szybkim i bardzo jasno dającym do zrozumienia, że właściwa praca dzieje się w pokoju na końcu korytarza.

Druga rzecz, którą zmienia głos — powiem krótko, bo kiedy już się ją zauważy, jest oczywista — to jakość obecności.

Agenci tekstowi mieszkają w karcie przeglądarki. Otwierasz kartę, kiedy ich potrzebujesz. Zamykasz, kiedy kończysz. Nie mają żadnych praw do Twojej uwagi.

Agenci głosowi są w pokoju. Słyszysz ich. Oni słyszą Ciebie. Kiedy się odzywają, musisz jakoś zareagować, choćby rzucając „chwileczkę”. Z samego założenia mają pewien ciężar towarzyski, na który agent tekstowy musi się sporo napracować.

To dobrze i źle. Dobrze, bo agent staje się uczestnikiem rozmowy, a nie narzędziem. Źle, bo nie każda interakcja powinna przypominać rozmowę z uczestnikiem. Czasem chcesz po prostu narzędzia. Czasem chcesz przez czterdzieści minut stukać w klawiaturę i żeby nikt się do Ciebie nie odzywał.

Błąd, który — jak sądzę — zaraz popełni mnóstwo produktów, to traktowanie głosu jak ulepszenia: „tekst, tylko lepszy, bardziej obecny”. Tak nie jest. To inny tryb, z inną etykietą i dużo mniejszym zapasem na opóźnienia. Dodanie głosu nie sprawia, że coś potrafi więcej. Sprawia, że jest bardziej natychmiastowe — a to czasem jest dokładnie tym, czego chcesz, a czasem ostatnią rzeczą, jakiej potrzebujesz.

Najlepiej myśleć o tym tak: tekst i głos to nie dwa interfejsy tego samego agenta. To dwie różne relacje z tą samą osobą z zespołu.

Raz wysyłasz jej brief mailem. Bierze sobie tyle czasu, ile trzeba. Wraca z gotową robotą.

Innym razem łapiesz ją na korytarzu. Nie zrobi tej roboty na Twoich oczach. Ale usłyszy, o co Ci naprawdę chodzi — szybciej, niż dałoby się to kiedykolwiek zapisać.

Cała sztuka, dla każdego, kto buduje takie rzeczy, polega na tym, żeby wiedzieć, po którą z tych relacji ktoś przyszedł.

Wprowadziliśmy w Saunie rozmowy głosowe w czasie rzeczywistym (Realtime voice) — możesz zacząć z nich korzystać już dziś na app.sauna.ai. Albo po prostu pobaw się nimi chwilę na voicetest.sauna.show.