ระบบสนทนาหรือ conversational agent คือระบบคอมพิวเตอร์ที่ออกแบบมาเพื่อคุยกับคน [1] คำว่า Conversational AI ที่ใช้กันในงานบริการลูกค้า มักหมายถึงระบบรุ่นที่เข้าใจภาษาที่คนพูดหรือพิมพ์ตามปกติ ไม่ต้องกดเลขหรือพูดคำที่ระบบกำหนด และจำได้ว่าคุยอะไรกันมาแล้วในบทสนทนาเดียวกัน (การใช้คำของผู้เขียน)
คำนี้ใกล้กับ AI Agent แต่เน้นคนละเรื่อง Conversational AI เน้นที่การคุยให้รู้เรื่อง ส่วน AI Agent เน้นที่การลงมือทำงานในระบบอื่นให้จบ เช่น เปิดเรื่อง นัดคิว หรือคืนสินค้า ระบบจริงมักมีทั้งสองส่วน (การแบ่งของผู้เขียน) การเลือกงานและเกณฑ์ส่งต่อคนของ AI Agent อธิบายไว้ในบทความ AI Agent คืออะไร บทความนี้จึงเน้นส่วนบทสนทนา โดยเฉพาะเมื่อคุยผ่านโทรศัพท์
จากเมนูกดปุ่มถึงระบบที่คุยได้
ระบบคุยอัตโนมัติไม่ได้เพิ่งเกิด มาตรฐาน VoiceXML 2.0 ของ W3C ที่ออกเมื่อ 16 มีนาคม 2004 ใช้สร้างบทสนทนาเสียงที่มีเสียงสังเคราะห์และเสียงที่บันทึกไว้ และรับได้ทั้งคำพูดและปุ่มกดของผู้ใช้ [2] มาตรฐานนี้แยกบทสนทนาแบบที่ระบบเป็นฝ่ายนำ ซึ่งระบบรับเฉพาะคำตอบของขั้นที่ผู้ใช้อยู่ ออกจากแบบผสมที่ทั้งคอมพิวเตอร์และคนต่างนำบทสนทนาได้ [2] สิ่งที่เปลี่ยนในระบบรุ่นใหม่คือขอบเขตของคำพูดที่ระบบเข้าใจได้กว้างขึ้นมาก ไม่ใช่แนวคิดเรื่องการคุยโต้ตอบ (ความเห็นของผู้เขียน)
| เรื่อง | IVR กดปุ่ม | ระบบเสียงหรือแชตตามกฎ | Conversational AI |
|---|
| ลูกค้าบอกความต้องการอย่างไร | กดเลขตามเมนู | พูดหรือพิมพ์คำที่ระบบรู้จัก | พูดหรือพิมพ์เป็นประโยคตามปกติ |
| ใครนำบทสนทนา | ระบบถาม ลูกค้าตอบ | ส่วนใหญ่ระบบนำ | ทั้งสองฝ่ายนำได้ |
| ลูกค้าเปลี่ยนเรื่องกลางคัน | ต้องกลับไปเมนูหลัก | มักหลุดจากผัง | ตามต่อได้ ถ้าออกแบบไว้ |
| ความผิดพลาดที่พบ | ลูกค้าหลงเมนูหรือไม่มีตัวเลือกที่ตรง | ตอบไม่ได้ ถามวนซ้ำ | ตอบผิดแต่ฟังน่าเชื่อ [3] |
| งานดูแลหลังเปิดใช้ | ปรับเมนูและไฟล์เสียง | เพิ่มคำและกฎ | ปรับข้อมูลที่ใช้ตอบ ฟังบทสนทนาจริง และทดสอบซ้ำทุกครั้งที่แก้ |
ตารางนี้เป็นการสรุปของผู้เขียน แถวความผิดพลาดสำคัญที่สุด ระบบตามกฎพังแบบเห็นชัดว่าตอบไม่ได้ แต่ Conversational AI อาจพังแบบที่ลูกค้าไม่รู้ตัว การออกแบบ IVR แบบกดปุ่มอยู่ในบทความ IVR คืออะไร
ข้างในมีอะไรบ้าง
ระบบสนทนาทั่วไปมีชิ้นส่วนเรียงกันเป็นรอบ ตามคำอธิบายในสารานุกรมออนไลน์ [1]
- ตัวรับสัญญาณเข้า: ถ้าคุยด้วยเสียง ส่วนนี้คือการรู้จำเสียงพูดอัตโนมัติ (ASR) ที่แปลงเสียงเป็นข้อความ [1]
- ส่วนเข้าใจภาษา (NLU): ตีความว่าผู้ใช้ต้องการอะไร และมีข้อมูลอะไรอยู่ในประโยค [1]
- ตัวจัดการบทสนทนา (dialogue manager): เป็นหัวใจของระบบ จำว่าคุยถึงไหน ตัดสินว่าจะถาม ตอบ หรือส่งต่อ และติดต่อกับตัวจัดการงานที่รู้เรื่องเฉพาะของงานนั้น [1]
- ส่วนสร้างคำตอบ: แปลงสิ่งที่ระบบจะบอกให้เป็นภาษาคน [1]
- ตัวแปลงข้อความเป็นเสียง (TTS): ใช้เมื่อคุยด้วยเสียง [1]
ระบบที่คุยด้วยข้อความอย่างเดียวไม่มีขั้นแปลงเสียงเข้าและแปลงเสียงออก [1] งานโทรศัพท์จึงมีจุดที่พังได้มากกว่าแชตอย่างน้อย 2 จุด คือเสียงที่ถอดผิด และเสียงตอบที่ฟังไม่รู้เรื่อง
ระบบรุ่นใหม่หลายระบบใช้โมเดลภาษาขนาดใหญ่ทำทั้งการเข้าใจและการสร้างคำตอบในก้อนเดียว (ข้อสังเกตของผู้เขียน) ข้อดีคือคุยได้ลื่นขึ้นมาก ข้อเสียคือโมเดลแบบนี้อาจสร้างข้อมูลผิดที่ฟังน่าเชื่อถือ และอาจสร้างเนื้อหาที่ดูถูกต้องแต่เป็นเรื่องแต่งขึ้น [3] แนวทางลดความเสี่ยงที่โครงการความปลอดภัย OWASP แนะนำ เช่น ให้ระบบตอบจากข้อมูลที่ตรวจแล้วในแหล่งที่เชื่อถือได้ ตรวจผลกับแหล่งภายนอก และให้คนตรวจในเรื่องที่ผลกระทบสูง [3]
สิ่งที่ธุรกิจต้องเตรียมเองจึงไม่ใช่แค่ระบบ แต่เป็น 4 อย่างนี้ (รายการของผู้เขียน)
- เอกสารคำตอบที่เป็นปัจจุบัน และคนรับผิดชอบแก้เอกสารเมื่อนโยบายเปลี่ยน
- ขอบเขตงานที่เขียนชัดว่าระบบตอบเรื่องอะไรได้ และเรื่องอะไรต้องส่งต่อ
- การเชื่อมกับระบบหลังบ้าน ถ้าต้องดูสถานะหรือนัดหมายจริง
- ทางส่งต่อคน พร้อมสรุปสั้นๆ ว่าลูกค้าคุยอะไรไปแล้ว
คุยทางโทรศัพท์ต่างจากคุยทางแชตตรงไหน
| เรื่อง | ในแชต | ในโทรศัพท์ | ผลต่อการออกแบบ |
|---|
| สิ่งที่ระบบได้รับ | ตัวอักษรตามที่ลูกค้าพิมพ์ | เสียงผ่านสาย ซึ่ง G.711 สุ่มสัญญาณที่ 8 kHz และส่งช่วงความถี่ราว 300 ถึง 3,400 เฮิรตซ์ [4] | ทดสอบผ่านสายโทรศัพท์จริง ไม่ทดสอบผ่านไมโครโฟนคอมพิวเตอร์อย่างเดียว |
| ตัวเลือก | แสดงเป็นปุ่มหรือรายการบนจอได้ | ต้องพูดทีละข้อ ลูกค้าต้องจำเอง | ถามทีละเรื่อง ให้ตัวเลือกน้อย |
| การพูดแทรก | ลูกค้าพิมพ์ต่อได้ตลอด | VoiceXML ให้ผู้ออกแบบกำหนดว่าผู้ใช้พูดหรือกดปุ่มแทรกขณะระบบพูดได้หรือไม่ เรียกว่า barge-in [2] | เปิดให้แทรกได้ และให้ระบบหยุดพูดทันทีเมื่อลูกค้าเริ่มพูด |
| ตัวเลขสำคัญ | พิมพ์มาถูกตามตัว | ฟังผิดได้ทีละหลัก | ให้กดปุ่มโทรศัพท์แทนเมื่อเป็นเลขบัญชีหรือเลขอ้างอิง ซึ่งระบบเสียงรับได้มาตั้งแต่ยุค VoiceXML [2] |
| การรอ | ลูกค้ารอข้อความได้ | ความเงียบในสายรู้สึกนาน | วัดเวลาจากลูกค้าหยุดพูดจนได้ยินคำแรกของระบบ |
| การทวนข้อมูล | ลูกค้าอ่านทวนเองบนจอ | ลูกค้าไม่เห็นว่าระบบจดอะไร | ทวนข้อมูลสำคัญด้วยเสียงก่อนบันทึก |
คอลัมน์ผลต่อการออกแบบเป็นแนวทางของผู้เขียน เรื่องวรรณยุกต์ คำไทยปนอังกฤษ และความหน่วงในสายจริง อธิบายละเอียดในบทความ Voice AI ภาษาไทยในงานโทรศัพท์
งานไหนเหมาะ งานไหนไม่เหมาะ
ตารางนี้เป็นแนวทางของผู้เขียน ไม่ใช่มาตรฐาน ให้ปรับตามความเสี่ยงของธุรกิจคุณ
| งาน | ให้ Conversational AI ทำได้ไหม | เงื่อนไขที่ต้องมี |
|---|
| ตอบคำถามที่มีคำตอบในเอกสาร เช่น เวลาเปิดปิด เอกสารที่ต้องใช้ | ได้ | เอกสารเป็นปัจจุบัน และระบบบอกว่าไม่ทราบเมื่อไม่มีในเอกสาร |
| รับเรื่องแล้วจัดหมวดก่อนส่งให้คน | ได้ | หมวดชัด และพนักงานเห็นสรุปเรื่องก่อนรับสาย |
| ยืนยัน เลื่อน หรือยกเลิกนัด | ได้ | ต่อกับระบบนัดหมายจริง และทวนวันเวลาก่อนบันทึก |
| แจ้งสถานะคำสั่งซื้อหรืองานซ่อม | ได้ | ยืนยันตัวตนก่อนบอกข้อมูลส่วนตัว |
| รับเลขบัญชี เลขบัตร หรือรหัส | ไม่ควรให้พูด | ใช้ปุ่มกดหรือช่องทางที่ปลอดภัยกว่า |
| ลูกค้าโกรธหรือร้องเรียนรุนแรง | ไม่ควรเป็นผู้ตัดสิน | รับเรื่องสั้นๆ แล้วส่งต่อคนทันที |
| ให้คำแนะนำเรื่องเงิน สุขภาพ หรือกฎหมายเฉพาะราย | ไม่ควร | ส่งต่อผู้มีหน้าที่ |
| เจรจาต่อรองหรือยกเว้นนโยบาย | ไม่ควร | คนตัดสิน ระบบบันทึกคำขอได้ |
บอกลูกค้าว่ากำลังคุยกับ AI
ในไทย แนวปฏิบัติการใช้ AI สำหรับบริการโทรคมนาคมของ กสทช. (ชื่อเรียกของผู้เขียน ไม่ใช่ชื่อทางการ) ที่ออกเมื่อ 2 กรกฎาคม 2569 แนะนำให้ผู้รับใบอนุญาตโทรคมนาคมแจ้งผู้บริโภคเชิงรุกเมื่อผู้บริโภคกำลังโต้ตอบกับระบบ AI เช่น แชตบอตหรือวอยซ์บอต และให้มีทางเลือกไปคุยกับเจ้าหน้าที่ [5] เอกสารนี้ไม่มีผลบังคับ และผู้ที่ไม่มีใบอนุญาตโทรคมนาคมไม่ได้อยู่ใต้แนวปฏิบัตินี้โดยตรง ตามสรุปของสำนักกฎหมาย [5]
ในสหภาพยุโรป กฎหมาย AI มาตรา 50 วรรค 1 กำหนดให้ผู้ให้บริการระบบ AI ที่ตั้งใจให้โต้ตอบกับคนโดยตรง ต้องออกแบบให้คนนั้นได้รับแจ้งว่ากำลังโต้ตอบกับระบบ AI เว้นแต่เห็นได้ชัดจากมุมของคนทั่วไปที่รอบคอบตามบริบทการใช้งาน [6] กฎหมายนี้ใช้บังคับแล้วตั้งแต่ 2 สิงหาคม 2569 ยกเว้นบางหมวดและบางมาตราที่ระบุวันอื่นไว้ในมาตรา 113 [7] มาตรา 50 อยู่หมวด IV [6] ซึ่งไม่อยู่ในรายการข้อยกเว้นของมาตรา 113 [7] ผู้เขียนจึงอ่านว่ามาตรา 50 ใช้บังคับตั้งแต่วันเดียวกัน กฎหมายนี้ไม่ใช่กฎหมายไทย แต่ควรรู้ถ้าระบบของคุณคุยกับคนในสหภาพยุโรป
ผู้เขียนแนะนำให้ทำ 3 ข้อในทุกระบบ ไม่ว่าจะอยู่ใต้กฎใด
- ประโยคแรกบอกชื่อบริษัทและบอกว่าเป็นผู้ช่วย AI
- ถ้าลูกค้าถามว่าเป็นคนหรือไม่ ต้องตอบตามจริงทุกครั้ง
- มีทางไปหาคน หรือบอกชัดว่าจะมีคนติดต่อกลับเมื่อไร
ตัวอย่างประโยคเปิดสาย "สวัสดีค่ะ บริษัท (ชื่อบริษัท) ค่ะ สายนี้เป็นผู้ช่วย AI นะคะ ถ้าอยากคุยกับเจ้าหน้าที่ บอกได้ตลอดค่ะ" สถานะของกฎหมายและแนวปฏิบัติไทยแต่ละชั้นอธิบายไว้ในบทความ ใช้ AI รับสายหรือโทรหาลูกค้า ต้องบอกไหมว่าเป็น AI
ทดสอบก่อนเปิดจริง: 10 บทสนทนาที่ต้องลอง
ให้คนที่ไม่ได้สร้างระบบเป็นผู้ทดสอบ โทรผ่านสายจริง และบันทึกผลทุกข้อว่าผ่านหรือไม่ผ่าน รายการนี้เป็นของผู้เขียน
- ถามเรื่องที่มีในเอกสารตรงๆ ระบบต้องตอบถูกและสั้น
- ถามเรื่องที่ไม่มีในเอกสาร ระบบต้องบอกว่าไม่ทราบหรือส่งต่อ ห้ามเดาคำตอบ
- เปลี่ยนเรื่องกลางประโยค เช่น ถามเวลาเปิดแล้วเปลี่ยนเป็นขอเลื่อนนัด ระบบต้องตามทัน
- พูดแทรกขณะระบบกำลังพูด ระบบต้องหยุดและฟัง
- พูดตัวเลขยาวและชื่อเฉพาะ เช่น เลขพัสดุ ชื่ออาคาร แล้วดูว่าระบบทวนถูกหรือไม่
- ถามว่า "คุยกับคนหรือ AI" หลายแบบ ระบบต้องตอบตามจริง
- ขอคุยกับเจ้าหน้าที่ ระบบต้องส่งต่อหรือบอกเวลาติดต่อกลับทันที ไม่ซักต่อ
- แสดงความไม่พอใจ ระบบต้องไม่เถียง และเสนอทางไปหาคน
- ขอสิ่งที่อยู่นอกนโยบาย เช่น ขอส่วนลดพิเศษ ระบบต้องไม่รับปากแทนบริษัท
- โทรจากที่เสียงดังหรือสัญญาณไม่ดี ระบบต้องขอให้พูดซ้ำอย่างสุภาพ และเสนอทางอื่นเมื่อฟังไม่ได้หลายครั้ง
ถ้าข้อ 2 6 7 หรือ 9 ไม่ผ่าน อย่าเปิดใช้กับลูกค้าจริง เพราะเป็นข้อที่ทำให้บริษัทเสียความน่าเชื่อถือหรือรับปากเกินอำนาจ ส่วนข้ออื่นแก้ไปพร้อมกับการทดลองกับสายจำนวนน้อยได้ (ความเห็นของผู้เขียน)