Voicebot AI odbierający telefon w firmie po polsku (i gdzie jest granica, o której mało kto mówi wprost)

Zanim ktokolwiek zapyta mnie, czy voicebot może "obdzwonić bazę klientów i przypomnieć o płatności", odpowiadam to samo: nie, i nie dlatego, że technologia tego nie potrafi. Bot potrafi zadzwonić do tysiąca osób w godzinę. Problem w tym, że w Polsce automatyczne połączenia marketingowe do ludzi, którzy o to nie prosili, są prawnie zabronione. Więc zanim przejdziemy do tego, co voicebot faktycznie robi dobrze, trzeba jasno powiedzieć, czego nie robimy w ogóle: nie dzwonimy botem do ludzi. Bot tylko odbiera.

Zanim wdrożysz voicebota, ustal jedno: on odbiera, nie dzwoni

To pierwsza rozmowa, jaką odbywam z każdą firmą pytającą o voicebota. Ktoś słyszał o "asystencie AI, który obdzwoni klientów", zobaczył demo na LinkedIn i chce dokładnie tego samego. Muszę wtedy zahamować entuzjazm, bo Prawo komunikacji elektronicznej w Polsce wprost zabrania cold-callingu, czyli automatycznych połączeń marketingowych wychodzących do osób, które nie wyraziły na to zgody. Nie ma znaczenia, czy dzwoni człowiek z call center, czy bot z syntetycznym głosem. Jeśli to niechciane połączenie marketingowe, jest nielegalne.

Dlatego wszystko, co robimy, dotyczy wyłącznie połączeń przychodzących. Klient dzwoni do firmy, bo ma pytanie, chce umówić wizytę albo sprawdzić status zamówienia. To zupełnie inna sytuacja prawnie i biznesowo, bo inicjatywa jest po stronie dzwoniącego. On chce rozmawiać. Zadaniem bota jest zrobić to sprawnie, a nie przekonywać kogoś, żeby w ogóle podniósł słuchawkę.

Jak to działa technicznie: STT, LLM i TTS w trzy sekundy

Pod spodem voicebot to trzy elementy działające w pętli, praktycznie bez opóźnienia zauważalnego dla rozmówcy. Najpierw rozpoznawanie mowy (speech-to-text, np. na bazie Whisper) zamienia to, co mówi klient, na tekst. Potem model językowy analizuje ten tekst w kontekście całej rozmowy i wcześniej zdefiniowanego scenariusza, decyduje, co odpowiedzieć albo jaką akcję wykonać, na przykład sprawdzić kalendarz. Na końcu synteza mowy (text-to-speech) zamienia odpowiedź z powrotem na naturalnie brzmiący głos.

Brzmi prosto, ale diabeł tkwi w szczegółach, których nikt nie pokazuje w marketingowych filmikach. Polska mowa telefoniczna to nie jest czyste nagranie studyjne: szum w tle, akcent, ktoś mówi przez zestaw głośnomówiący w samochodzie, dziecko krzyczy w tle. Model musi sobie z tym poradzić w czasie rzeczywistym, bo pauza dłuższa niż półtorej sekundy już brzmi nienaturalnie i klient zaczyna się rozłączać albo krzyczeć "halo, halo?". Dlatego dobór modelu STT i strojenie progu ciszy to nie jest kosmetyka, tylko realna różnica między botem, który brzmi jak automat z lat dziewięćdziesiątych, a takim, z którym da się normalnie porozmawiać.

Co bot ogarnia sam, a co zawsze idzie do człowieka

Tu pojawia się pytanie, które słyszę najczęściej: "czy to zastąpi recepcję albo infolinię?". Nie zastąpi, i szczerze mówiąc, nie próbowalibyśmy tego obiecywać. Zadaniem voicebota jest odciążyć pierwszą linię, przejąć te 60-70% połączeń, które są powtarzalne i nie wymagają oceny sytuacji, a nie zająć miejsce całego zespołu.

To rozróżnienie nie jest teoretyczne, to konkretny zapis w scenariuszu bota: jeśli intencja rozmówcy nie pasuje do żadnej z obsłużonych ścieżek z pewnością powyżej ustalonego progu, bot mówi wprost, że przełącza do konsultanta, i przekazuje kontekst rozmowy dalej. Klient nie zaczyna od zera, opowiadając wszystko drugi raz, bo to najszybszy sposób, żeby zniechęcić go na dobre.

Human handoff to nie opcja, tylko warunek konieczny

Wiele wdrożeń, które widziałem u innych dostawców, traktuje przekazanie do człowieka jako funkcję dodatkową, coś w rodzaju przycisku awaryjnego. My traktujemy to jako fundament projektu, bez którego nie ma sensu zaczynać. Bot, który próbuje "za wszelką cenę" załatwić sprawę, wchodząc w spekulacje albo zgadując, co klient miał na myśli, robi więcej szkody niż pożytku. Dzwoniący traci cierpliwość, a firma traci wiarygodność.

Próg, przy którym bot się poddaje, ustala się indywidualnie, w zależności od branży. W biurze rachunkowym w sezonie rozliczeniowym ten próg jest niski, bo pytania klientów bywają nietypowe i lepiej przekazać sprawę szybciej, niż ryzykować błędną informację podatkową. Przy prostej recepcji handlowej próg może być wyższy, bo większość pytań faktycznie mieści się w kilku powtarzalnych schematach.

Nagrania rozmów i RODO: co trzeba mieć poukładane

Voicebot z natury przetwarza dane osobowe, bo rozmowa telefoniczna to głos, czasem numer telefonu, czasem dane identyfikacyjne podawane w trakcie rozmowy. Nagrywanie takich połączeń wymaga zgody rozmówcy, dokładnie tak samo jak przy zwykłej infolinii z komunikatem "rozmowa może być nagrywana w celu poprawy jakości obsługi". Różnica jest taka, że w przypadku bota trzeba dodatkowo pomyśleć o tym, gdzie i jak długo przechowywane są transkrypcje, kto ma do nich dostęp i czy dane trafiają poza Europejski Obszar Gospodarczy przez dostawcę modelu językowego.

W praktyce oznacza to konkretne decyzje projektowe: retencja nagrań ograniczona do niezbędnego minimum, transkrypcje anonimizowane tam, gdzie to możliwe, jasny komunikat na starcie rozmowy informujący, że rozmówca rozmawia z asystentem głosowym. Ukrywanie tego faktu przed klientem nie tylko psuje zaufanie, ale bywa też prawnie ryzykowne. Wolimy powiedzieć wprost "dzień dobry, mówi asystent głosowy firmy X" i pozwolić klientowi zdecydować, czy chce kontynuować, czy woli od razu połączenie z człowiekiem.

Gdzie to się opłaca, a gdzie jeszcze nie

Nie każda firma potrzebuje voicebota i mówię to wprost, bo widziałem projekty, które nie powinny w ogóle wystartować. Jeśli firma odbiera 15 telefonów dziennie i każdy jest inny, wdrożenie bota nie zwróci się w rozsądnym czasie, a koszt utrzymania scenariuszy przewyższy oszczędność czasu recepcji. Voicebot ma sens tam, gdzie wolumen połączeń jest wysoki i powtarzalny: gabinety medyczne z umawianiem wizyt, biura rachunkowe w okresach szczytowych, sklepy internetowe z pytaniami o status zamówienia, firmy usługowe z infolinią pierwszego kontaktu.

W biurach rachunkowych szczególnie widać efekt sezonowości. W marcu i kwietniu telefon dzwoni nieprzerwanie, a większość pytań to "czy mój PIT jest już gotowy" albo "do kiedy mam czas na dopłatę podatku". To dokładnie ten typ pytań, który bot obsłuży bez angażowania księgowej. Więcej o tym, jak wygląda takie odciążenie zespołu w praktyce, piszemy przy okazji automatyzacji biura rachunkowego. Podobnie w obsłudze klienta ogólnie: jeśli pierwsza linia tonie w powtarzalnych pytaniach, warto zajrzeć do naszego podejścia do automatyzacji obsługi klienta, gdzie voicebot to jeden z kilku kanałów, obok czatu i maila.

Jak wygląda wdrożenie krok po kroku

Zaczynamy od nagrań albo transkrypcji rzeczywistych rozmów z ostatnich kilku tygodni, jeśli firma je ma. To pozwala zobaczyć, jakie pytania faktycznie się powtarzają, zamiast zgadywać na podstawie wyobrażeń zarządu o tym, o co pytają klienci. Zwykle okazuje się, że 5-8 typów zapytań pokrywa większość ruchu telefonicznego, co jest dobrą wiadomością, bo oznacza, że scenariusz nie musi być rozbudowany od pierwszego dnia.

Następnie budujemy scenariusz rozmowy z jasno zdefiniowanymi ścieżkami i punktami decyzyjnymi, w których bot ma przekazać rozmowę dalej. Testujemy to na realnych numerach wewnętrznie, słuchając, gdzie bot się gubi albo źle rozpoznaje intencję. Dopiero po tej fazie bot trafia na produkcję, zwykle najpierw równolegle z istniejącą infolinią, żeby zespół mógł porównać jakość obsługi, zanim przejmie pełny ruch.

Po uruchomieniu monitorujemy dwa wskaźniki, które mówią więcej niż cała reszta: odsetek rozmów zakończonych przez bota bez przekazania do człowieka oraz odsetek rozmów, w których klient próbował przerwać bota i połączyć się z konsultantem od razu. Ten drugi wskaźnik jest sygnałem ostrzegawczym, jeśli rośnie, oznacza że scenariusz nie pasuje do rzeczywistych potrzeb dzwoniących i trzeba go poprawić, a nie że klienci "po prostu nie lubią botów".

Czego nie obiecujemy

Voicebot nie zastąpi całego zespołu obsługi i nie rozwiąże problemu źle zaprojektowanego procesu wewnętrznego. Jeśli firma nie ma spójnego cennika albo aktualnego kalendarza dostępności, bot odziedziczy ten bałagan i będzie podawał błędne informacje równie sprawnie, jak wcześniej robił to człowiek bez dostępu do aktualnych danych. Automatyzacja telefonu ma sens dopiero wtedy, gdy dane, na których bot się opiera, są uporządkowane. To zresztą zasada, która dotyczy każdego projektu automatyzacji, nie tylko voicebota, widać ją równie wyraźnie przy automatyzacji faktur, gdzie system też jest tak dobry, jak dane wejściowe, które dostaje.