電話AIを作る時間と、任せられる範囲
音声エージェントは、会話が自然なだけでは業務を完了できない。知識を引き、注文を照会し、必要なら人へ引き継ぐ仕組みまでが求められる。7月1日発表のVoice Agent Builderは、Grok Voiceを用いるノーコードの構築環境として、この周辺機能をまとめた。
公式発表はベータ版として、電話、知識検索、外部ツール、ガードレール、監視を一つの環境で扱うと説明する。「約二分で動くエージェントへ」という案内は提供側の初期設定に関する説明であり、顧客の本人確認や社内ルールの試験まで二分で完了する保証ではない。イノベトピアの報道を起点に、構築後に必要な仕事まで考える。
音声の往復と、業務システムの接続
従来型の構成では、音声認識、言語モデル、音声合成を別々につなぐことが多い。公式説明は、これを音声から音声への経路にまとめる利点を掲げる。接続先が減れば遅延や故障箇所を抑えられる可能性があるが、実際の待ち時間は回線、ツール、問い合わせ内容によっても変わる。
Builderでは、会話の方針を自然言語で記述し、知識となる文書をコレクションへまとめる。資料をプロンプトへすべて貼る代わりに、会話中に必要な内容を取得する設計だ。同じ規程を複数のエージェントへ接続できるため、案内内容を統一する運用にも関わる。
既存の電話番号をSIPでつなぐ経路や、独自クライアントのWebSocket接続も説明されている。ツールは自社APIやMCPサーバーなどと連携し、照会だけでなく予定登録や記録変更を実行し得る。音声が返ることと、外部システムへの処理が成功することは、別々に確認しなければならない。
知識を読む権限と、操作する権限
業務知識には商品案内、返品条件、内部手順など異なる公開範囲がある。資料を一つに集めれば便利でも、電話の相手に伝えてよい内容まで自動で判別できるとは限らない。公開FAQと顧客別の取引情報では、取得前の確認条件を変える必要がある。
以下は当サイトの実務上の考察である。初期導入では案内と照会に対象を絞り、返金や契約変更などの操作は別の認証と承認へ分けたい。声が似ていることや、会話中に名前を答えられることだけで、取引権限を認めない設計が必要だ。
ツールへの指示はモデルが生成しても、実行側で対象、金額、回数、認証状態を検査する。会話の指示文に禁止事項を書くだけでは、外部システムの権限制御を代替できない。特に共有の認証情報で多くの操作ができる構成では、エージェントごとに必要な範囲を分けることが重要になる。
元報道時と異なる料金を確認
10月31日の確認時点で、公式発表ページの料金欄は音声一分当たり0.08ドル、提供された電話番号の電話利用は追加0.01ドルと表示されていた。元報道にある0.05ドルを現在の値として案内しない。この二つの課金がともに10分発生する単純計算なら0.90ドルとなるが、税、為替、接続先サービスなどを含む日本円の総額ではない。
価格の比較では、通話中の失敗、再電話、転送後の人の対応も見る必要がある。初回の応答だけが安くても、解決できず同じ説明を繰り返すなら、顧客と担当者の負担は減らない。見積もり時には、適用されるプラン、課金時間、電話接続、外部サービスを利用環境ごとに確認したい。
公式ページに掲載される音声ベンチマークも、特定の試験条件における比較である。順位が高いことから、自社の日本語、固有名詞、高齢の利用者、雑音のある回線での成功を推定しない。開発者向け音声資料と、実際に接続する環境での試験を合わせて判断する必要がある。
転送した後までを、一つの体験として試す
公式説明には、人への転送と、録音・文字起こし・使用ツールを振り返る機能がある。運用側は、誰が記録を見られるか、何を保存するか、顧客へどう伝えるかを決める必要がある。記録が存在することだけで、適切な管理が完了するわけではない。
試験では、説明が曖昧な依頼、本人確認の失敗、商品名の聞き違い、接続先の障害、転送先が応答しない場面を含めたい。AIが処理を保留したのか、受け付けたのか、取引が完了したのかを、利用者に区別して伝える。ツールの応答が不明な場合に同じ操作を繰り返して、二重登録を生まないことも確認する。
人が引き継ぐ際には、利用者に同じ事情を最初から言い直させないよう、要点と未確認事項を渡す。一方、会話中に推定した内容を確定情報として記録しない。滑らかな会話と信頼できる業務処理を結びつけるには、この区別が欠かせない。当サイト運営のRO合同会社では、音声AIを含む問い合わせ業務と人への引き継ぎ設計について相談を受け付けている。
PR
ElevenLabs →
