Automatisk telefonpasning: hvad virker, og hvad er hype

Det første, der afslører en maskine i telefonen, er ikke stemmen. Det er pausen. Da et forskerhold i 2009 målte turtagning i ti sprog, lå det hyppigste mellemrum mellem to taleture på nul, og gennemsnittet på tværs af sprogene var godt 200 millisekunder. Vi begynder at svare næsten i samme øjeblik, den anden slutter, fordi vi hele tiden gætter, hvor sætningen er på vej hen.

Dansk var med i den undersøgelse, og dansk var det langsomste af de ti sprog: i gennemsnit 469 millisekunder. Det er den eneste gode nyhed i teksten her. Vi tåler naturligt en længere pause end de fleste, og det giver en dansk taleagent en smule mere luft, end en engelsk har.

Luften er til gengæld ikke stor. To forsøg fra 2015 satte tal på, hvad en pause betyder. Det ene fandt, at først fra omkring 700 millisekunder begynder tilhøreren at læse tøven som et nej. Det andet målte hjerneaktivitet og viste, at det samme ord bliver forstået forskelligt alt efter hvornår det kommer: et afslag efter 300 millisekunder overraskede folk, mens det samme afslag efter et sekund var forventet. Pausen er ikke bare irriterende. Den bærer betydning, og en maskine, der altid holder den samme pause, siger altså hele tiden noget, den ikke mener.

En maskine skal først høre, at der blev tiet stille, så forstå, så finde på noget, så sige det. Den forsinkelse er den tekniske kerne i hele emnet. Alt det, der er blevet bedre de sidste par år, handler i sidste ende om at gøre den kortere, og alt det, der stadig er svært, sker i det hul.

Det, der virker

Vi driver selv Ringback, en dansk AI-receptionist, så det følgende er både observation og egeninteresse. Læs det derefter. En talende AI klarer i dag det, en telefonsvarer aldrig kunne: den tager telefonen med det samme, hører hvad opkaldet drejer sig om, stiller et opklarende spørgsmål og giver besked videre. På afgrænsede opgaver, hvor samtalen har en form, fungerer det.

• At tage imod og videregive: navn, nummer, ærinde, hastende eller ej. Den er robust, fordi resultatet kan læses igennem bagefter.
• At svare på det samme spørgsmål for hundrede og tiende gang, uden at det høres.
• At være der klokken 19.40 og om søndagen, hvor alternativet ikke er en dårligere samtale, men ingen samtale.
• At skrive samtalen ned, så den kan slås op igen. Det er ofte den del, der bliver mest brugt.

Det, der stadig går galt

Telefoni er dårlig lyd. Et almindeligt opkald bliver kodet ned til et smalt frekvensbånd, og talegenkendelse, der ser flot ud på en podcast-optagelse, får det mærkbart sværere dér. Læg dertil at folk ringer fra en bil, en byggeplads eller et supermarked.

Afbrydelser er den anden. Når kunden begynder at tale midt i systemets sætning, skal systemet holde op med at tale, kassere det, den var i gang med, og lytte. Det hedder barge-in, og det er den funktion, vi oftest ser gøre den største forskel på, om en samtale føles til at holde ud.

Og så er der dansk. Her findes der faktisk tal, og de er nyttige, netop fordi de ikke er pæne. Det danske CoRal-projekt har målt de bedste offentligt tilgængelige modeller på dansk. På oplæst tekst laver den bedste omkring 16 procent forkerte ord. På almindelig, spontan samtale bliver det til omkring 34 procent. Whisper i sin største udgave går fra 28 til 57 procent. Sagt lige ud: på fri dansk tale rammer selv den bedste offentlige model kun cirka to ud af tre ord.

Dialekt flytter det yderligere. Den samme model laver 7,5 procent fejl på nordjysk og 25,4 procent på sønderjysk. En løsning, der er afprøvet i hovedstaden, kan altså opføre sig helt anderledes i Aabenraa.

Alle de tal er målt på rene optagelser i studiekvalitet. Telefoni giver dårligere lyd, og der findes så vidt vi kan se ingen offentliggjort dansk måling på telefonbånd. Vi bruger derfor ikke et tal for det, og vi vil fraråde at tro på nogen, der gør.

Der er en fejltype til, som er værd at kende, fordi den ikke ligner en fejl. Et forskerhold gennemgik i 2024 godt 13.000 lydklip, der var skrevet ud med Whisper. 1,4 procent af udskrifterne indeholdt sætninger, der aldrig var blevet sagt. Af dem indeholdt 38 procent noget direkte skadeligt, og 13 procent opfandt navne, steder, relationer eller helbredsoplysninger. Det, der udløste det, var ikke svær tale. Det var stilhed og baggrundsstøj. Undersøgelsen er lavet på engelsk og fandt ikke det samme hos de konkurrerende tjenester, men mekanismen, altså pauser og støj, er præcis hvad et telefonopkald består af.

Tallene er det svære, ikke sætningerne

Den mest udbredte misforståelse er, at det svære er at forstå meningen. Det er det ikke. Det svære er at høre et registreringsnummer rigtigt, eller et telefonnummer, eller et navn, der staves anderledes end det udtales. En sætning kan gættes ud fra sammenhængen. Et ciffer kan ikke.

Derfor er det eneste rigtige design at læse tilbage. Systemet gentager nummeret, kunden bekræfter, og først dér er det data. Enhver løsning, der tager imod cifre uden at læse dem op igen, kommer til at sende forkerte oplysninger videre, og det bliver opdaget af en kunde, ikke af jer.

Hvad vi mener er hype

At agenten kan afslutte sagen selv. I langt de fleste henvendelser til en lille virksomhed er der et skøn indblandet: kan vi nå det, hvad koster det i det her tilfælde, er det os, der skal lave det. Et system, der lover at klare hele opkaldet, klarer i praksis den lette halvdel og gør resten værre.

At stemmen skal lyde som et menneske. Den skal lyde ordentlig og tale klart. Folk finder alligevel ud af det efter to sætninger, og en stemme, der forsøger at snyde, giver et dårligere indtryk end en, der ikke gør. Siden 2. august i år gælder AI-forordningens artikel 50 desuden, og den går i den modsatte retning: den, der stiller systemet til rådighed, skal sikre, at folk får at vide, at de taler med et AI-system, senest ved den første kontakt. Undtagelsen er, når det er indlysende, og en dansk stemme i røret er ikke indlysende. Systemer, der allerede var i drift før 2. august, har en overgangsperiode til december. Bemærk desuden, at ingen dansk myndighed endnu er udpeget til at føre tilsyn med netop den bestemmelse; Digitaliseringsstyrelsen skriver selv, at det er uafklaret. Hvad der ellers er trådt i kraft, står i AI-modellernes tilstand, august 2026.

At demoen siger noget om hverdagen. En demo bliver kørt på god lyd, med en person der ved, hvad der skal siges. Det er en prøve, hvor alle kender spørgsmålene på forhånd.

Og så millisekunderne i markedsføringen. Når en udbyder skriver 75 millisekunder, er det som regel modellens egen regnetid, ikke tiden fra kunden holder op med at tale, til der kommer lyd i røret. ElevenLabs skriver det selv i deres dokumentation: den tid, brugeren oplever, er næsten altid større, og ofte betydeligt større. Læg dertil, at en taleagent typisk venter et halvt sekund for at være sikker på, at kunden er færdig, og at der ligger en afspilningsbuffer i samme størrelsesorden. De to alene overstiger hele det menneskelige gennemsnit på godt 200 millisekunder. Det ene tal, der betyder noget, er tiden fra kunden tier til den første lyd kommer tilbage, og det er det, I selv skal måle.

Sådan tester I det selv

1. Ring fra en mobil udenfor, gerne mens der kører biler forbi. Det er den lyd, jeres kunder ringer med.
2. Sig et efternavn og en vej fra jeres eget område, og se om det bliver stavet rigtigt i resuméet.
3. Afbryd midt i en sætning. Holder systemet op med at tale?
4. Stil et spørgsmål, som systemet ikke kan svare på, og se hvad der sker. Det er dér, forskellen ligger: erkender den det, eller finder den på noget?
5. Bed om at blive stillet videre til et menneske. Det skal virke hver gang, og det skal virke hurtigt.

Punkt fire er det vigtigste, og det er også det, folk springer over, fordi det er ubehageligt at gøre ved en demo, mens sælgeren kigger på.

Det juridiske, kort fortalt

Optager I samtalerne, behandler I personoplysninger. Datatilsynet justerede sin praksis i april 2024, og vejledningen er konkret nok til at bruge som tjekliste. Et samtykke skal gives ved en aktiv handling, for eksempel et tastetryk; tavshed tæller ikke. Optagelse uden samtykke til dokumentation forudsætter, at behovet reelt ikke kan dækkes på anden måde. Til oplæring kan der optages uden samtykke, hvis der er en reel mulighed for at sige fra. Tilsynet anbefaler tre måneders opbevaring og skriver desuden en sætning, der rammer de fleste opsætninger: der bør ikke være samtaler, som optages, men ikke bruges.

Selve oplysningen skal være konkret: en henvisning til virksomhedens generelle privatlivspolitik er typisk ikke nok, og vejledningen indeholder færdige forslag til, hvad der kan siges ved opkaldets start. Straffelovens regel om aflytning rammer derimod ikke det her, for den handler om at optage samtaler, man ikke selv deltager i. At noget er straffrit gør det dog ikke lovligt efter databeskyttelsesreglerne. Rammerne har vi beskrevet i AI og GDPR: det skal I have styr på først.

Til gengæld findes der ingen dansk regel om, at et automatisk telefonsystem skal kunne stille videre til et menneske. Vi mener stadig, det skal kunne. Men det er et kvalitetskrav, ikke et lovkrav, og køb ikke efter et krav, der ikke findes.

Kilder

• Turtagning og dansk som det langsomste af de ti sprog: T. Stivers m.fl., Universals and cultural variation in turn-taking in conversation, PNAS 2009, bind 106, side 10587.
• Hvad en pause betyder: K.H. Kendrick og F. Torreira, The timing and construction of preference, Discourse Processes 2015 (700 millisekunder-tærsklen), og S. Bögels m.fl., Never say no, how the brain interprets the pregnant pause in conversation, PLoS ONE 2015.
• Dansk talegenkendelse: CoRal-projektets modelkort med målinger på oplæst tale, samtale og dialekt, Røst v2 og Røst v1. Bemærk at CoRal endnu ikke har udgivet et fagfællebedømt studie.
• Opdigtede sætninger i udskrifter: A. Koenecke m.fl., Careless Whisper: Speech-to-Text Hallucination Harms, ACM FAccT 2024.
• Om latens i markedsføringen: ElevenLabs' egen dokumentation om latens, som skelner mellem modellens regnetid og den tid, brugeren oplever, og LiveKits dokumentation om turtagning, hvor standardventetiden før et svar er et halvt sekund.
• Optagelse af samtaler: Datatilsynets vejledning Optagelse af telefonsamtaler, april 2024, og justeringen af praksis samme måned.
• Åbenhed om AI: AI-forordningens artikel 50 i den danske udgave i EU-Tidende, og Digitaliseringsstyrelsens spørgsmål og svar, hvor det fremgår, at tilsynet endnu ikke er placeret.
• Vores eget grundlag: drift af Ringback, som er en dansk AI-receptionist. Det er både vores erfaringskilde og vores interessekonflikt.