تصور کنید با یک پشتیبان تلفنی صحبت می‌کنید که نه تنها لحنی کاملاً انسانی دارد، بلکه دقیقاً می‌فهمد چه زمانی باید برای شنیدن حرف شما سکوت کند. این دیگر یک سناریوی تخیلی نیست؛ چرا که در یک آزمون کور اخیر، ۹۰٪ شنوندگان نتوانستند تفاوت بین صدای انسان و مدل صوتی Chord را تشخیص دهند. این نتیجه نشان‌دهنده آغاز عصر جدیدی از رابط‌های صوتی هوش مصنوعی است که در آن مرز بین ماشین و انسان از بین رفته است. در حالی که این پیشرفت‌ها تجربه کاربر را بهبود می‌بخشند، چالش‌های امنیتی مانند جعل عمیق صوتی نیز اهمیت یافته‌اند؛ موضوعی که سرمایه‌گذاری‌های اخیر در شرکت Modulate برای شناسایی دقیق‌تر این جعل‌ها را توجیه می‌کند.
طبق اعلام شرکت Decagon، این مدل در ۱ اکتبر ۲۰۲۶ به عنوان بخشی از به‌روزرسانی Voice 3 در جریان رویداد Decagon Dialogues ۲۰۲۶ معرفی شد. جزئیات این عرضه در بیانیه‌ای رسمی توسط جسی ژانگ (Jesse Zhang)، هم‌بنیان‌گذار و مدیرعامل، و اشوین سرینیواس (Ashwin Sreenivas)، هم‌بنیان‌گذار و رئیس شرکت، تشریح شد. آن‌ها تأکید کردند که هدفشان عبور از مدل‌های ساده‌ای است که در ابتدا فقط برای خالی کردن صف‌های انتظار پشتیبانی استفاده می‌شدند.
اکنون صنعت به سمت «کانسیرژهای هوش مصنوعی» حرکت می‌کند؛ یعنی عامل‌هایی که مثل یک پیش‌خدمت هتل خبره، تمام مراحل پذیرش مشتری (Onboarding)، جمع‌آوری پرداخت‌ها و تایید صلاحیت لیدها (Lead Qualification) را مدیریت می‌کنند. این تغییر رویکرد در حالی رخ می‌دهد که کاربران شروع به استقرار عامل‌های شخصی خود کرده‌اند تا به جای آن‌ها با کسب‌وکارها تعامل کنند.
معماری Voice 3 بر پایه یک ساختار دووجهی (Duplex) بنا شده است که در آن دو لایه به صورت موازی اجرا می‌شوند. لایه اول، یک مدل با تأخیر کم (Low-latency) است که مسئولیت اقدامات فوری مانند شنیدن و صحبت کردن را بر عهده دارد. لایه دوم، یک مدل استدلالی (Reasoning Model) قدرتمند است — شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — که وظیفه مدیریت فراخوانی ابزارها (Tool Calling) و رعایت حفاظ‌ها (Guardrails) را بر عهده دارد.
این ساختار اجازه می‌دهد عامل در حین صحبت کردن، ورودی‌های صوتی را هم پردازش کند. به همین دلیل، مدل می‌تواند به یک «اوهوم» یا «بله» کوتاه واکنش نشان دهد اما اگر کاربر واقعاً حرفش را قطع کند، بلافاصله سکوت کرده و حق صحبت را به انسان می‌دهد. همچنین، این سیستم می‌تواند در حین انجام کارهای طولانی، پیشرفت کار را روایت کند و به سوالات تکمیلی پاسخ دهد، به جای اینکه تماس‌گیرنده را در حالت انتظار (Hold) قرار دهد.
به گزارش این شرکت، مدل Chord به طور خاص برای مکالمات مشتریان آموزش‌های تکمیلی (Post-trained) دیده است. این مدل به صورت پویا سرعت بیان خود را تنظیم می‌کند؛ مثلاً برای جزئیات حیاتی مانند کدهای تایید یا شماره تلفن‌ها، سرعت صحبت کردن را کاهش می‌دهد تا دقت انتقال اطلاعات بالا برود. این سیستم از بیش از ۷۰ زبان پشتیبانی می‌کند و می‌تواند در میانه‌ی یک جمله زبان را تغییر دهد، در حالی که هر زبان توسط گویشوران بومی (Native) اعتبارسنجی شده است. کریستین نیدووروک، مدیر ارتباطات خدمات دیجیتال در Deutsche Telekom، اشاره کرد که این صدا واقعاً حس «گوش دادن» را منتقل می‌کند و جریان گفتگو را زنده نگه می‌دارد.
برای حفظ هویت برندها، Decagon کنترل‌های دقیقی را اعمال کرده است تا هویت بصری و شنیداری برندها دست‌نخورده باقی بماند. این کنترل‌ها شامل موارد زیر است:
- انتخاب صدا و تنظیم دقیق نحوه تحویل پیام (Delivery Tuning).
- تلفظ سفارشی برای اصطلاحات خاص هر کسب‌وکار.
- آموزش بر اساس داده‌های دارای لایسنس و استعدادهای صوتی که رضایت داده‌اند؛ این امر تضمین می‌کند که داده‌های متعلق به مشتریان هرگز برای آموزش مدل‌ها استفاده نشود.
اما چالش بزرگ‌تر، مدیریت «اقتصاد عامل-به-عامل» است. Decagon خود را برای دنیایی آماده می‌کند که در آن عامل‌های شخصی کاربران (مانند Muse متا، dots اوپن‌ای‌آی یا Instinct) مستقیماً با کسب‌وکارها تماس می‌گیرند. برای مدیریت این وضعیت، آن‌ها Personal Agent Gateway را معرفی کردند. این درگاه با استفاده از سیگنال‌های دریافتی از کسب‌وکار و پلتفرم، مشخص می‌کند که درخواست‌دهنده یک انسان است یا یک هوش مصنوعی.
این درگاه از رویه‌های عملیاتی عامل (AOPs) مجزا استفاده می‌کند تا جریان‌های کاری متفاوتی را برای انسان‌ها در مقابل ربات‌ها اجرا کند. برای مثال، یک عامل هواپیمایی ممکن است گزینه‌های پرواز را به یک AI شخصی نشان دهد، اما از تغییر رزرو پرواز تا زمانی که مالک انسانی تاییدیه صریح ارائه ندهد، خودداری کند. کسب‌وکارها محدوده (Scope) دسترسی‌های مجاز برای هر عامل را تعریف می‌کنند و بخش‌هایی که نیاز به مجوزهای خاص دارند، هرگز در معرض عامل‌های غیرمجاز قرار نمی‌گیرند.
برای استانداردسازی این اعتماد، Decagon پروتکل PACT (Personal Agent Consent & Trust) را منتشر کرد. این پروتکل که بر پایه OAuth 2.0 و پروتکل Agent2Agent بنا شده است، به یک عامل شخصی اجازه می‌دهد ثابت کند نماینده چه کسی است و دقیقاً چه مجوزهایی از کاربر دریافت کرده است. در حال حاضر، Decagon با مشتریان سازمانی و ارائه‌دهندگان عامل‌های شخصی در حال همکاری است تا این مشخصات فنی را نهایی کند.
در بخش عملیاتی، Agent Modules برای مدیریت کامل سفرهای مشتری در حوزه‌های خدمات مالی، سفر، هتلداری، سلامت، خرده‌فروشی و مخابرات عرضه شده‌اند. این ماژول‌ها به تیم‌ها اجازه می‌دهند منطق کسب‌وکار را برای مواردی مثل وصول مطالبات یا پذیرش مشتری تعریف کنند و سیستم سپس این منطق را با استفاده از SOPها و سیاست‌های شرکت به رفتار تبدیل می‌کند.
در زمینه وصول مطالبات، تیم‌ها می‌توانند متون افشای قانونی خاص، سطوح تایید شده برای طرح‌های پرداخت و شرایطی که منجر به انتقال مکالمه به یک نماینده انسانی می‌شود را تعیین کنند.
برای تضمین قابلیت اطمینان، پلتفرم از سه مکانیسم استفاده می‌کند:
- شبیه‌سازی‌ها (Simulations): تست رفتار عامل در برابر شخصیت‌های مختلف با اهداف متفاوت (مثلاً مشتری‌ای که در مورد موجودی حسابش اعتراض می‌کند).
- تحلیل‌های اختصاصی ماژول: رصد نتایج واقعی سفر مشتری (مانند میزان پرداخت‌های بازیابی شده) به جای تکیه بر نرخ‌های ساده‌ی حل مسئله.
- Campaign Composer: ترتیب‌بندی نقاط تماس در قالب پیامک و تماس‌های صوتی بر اساس تاریخچه تعاملات کاربر.
در نهایت، نسخه بتای Duet Apprentice به هوش مصنوعی اجازه می‌دهد مستقیماً از پایگاه دانش داخلی شرکت یاد بگیرد. این سیستم اسناد موجود در Notion، Confluence، SharePoint و Google Drive را بدون نیاز به انتقال داده‌ها می‌خواند. این رویکرد در راستای استراتژی‌های گسترده‌تر شرکت برای حذف کپی داده‌ها به منظور افزایش امنیت و حاکمیت بر عامل‌های هوش مصنوعی است. همچنین، رشته‌گفتگوهای Slack و Microsoft Teams را رصد می‌کند تا با تکامل سیاست‌های شرکت در لحظه، پیش‌نویس‌های به‌روزرسانی AOP را تهیه کند. Decagon تصریح کرد که هر آنچه Duet می‌آموزد در فضای کاری مشتری باقی می‌ماند و برای آموزش مدل‌های خارجی استفاده نمی‌شود.
رهبران صنعت نتایج این سیستم را مشاهده کرده‌اند. آن یانگ، مدیر ارشد AI و اتوماسیون فرآیند در Questrade، اظهار داشت که آن‌ها اکنون با اطمینان کامل ویژگی‌های جدید را به صورت هفتگی عرضه می‌کنند. جن پالک-کوگلی، رئیس CX و عملیات کاربر در Perplexity، اشاره کرد که Duet به تیم او اجازه می‌دهد بدون درگیر کردن منابع نقشه راه (Roadmap)، منطق عامل‌های خود را تکرار و اصلاح کنند.
این تحول، عامل AI را از یک چت‌بات واکنشی به یک اپراتور فعال تجاری تبدیل می‌کند. Decagon با حل «شکاف مجوزدهی» از طریق PACT، خود را به عنوان رابط اصلی برای اقتصاد آتی عامل-به-عامل معرفی می‌کند. برای رهبران کسب‌وکار، این بدان معناست که مزیت رقابتی از «داشتن بهترین چت‌بات» به «داشتن روان‌ترین لایه تعامل‌پذیری عامل‌ها» تغییر یافته است. اگر کسب‌وکار شما نتواند با عامل AI مشتری ارتباط برقرار کند، ریسک از دست دادن کامل آن مشتری را می‌پذیرید.
در آینده باید منتظر عرضه عمومی Duet Apprentice و نرخ پذیرش پروتکل PACT توسط سایر ارائه‌دهندگان عامل‌های شخصی باشید.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا جریان‌های کاری شما برای تعامل با «عامل‌های شخصی» مشتریان آماده است یا خیر.
- مدل‌های صوتی جدید را با معیار «تأخیر در پاسخ» (Latency) بسنجید تا تجربه کاربر از حالت رباتیک خارج شود.
- استراتژی‌های دسترسی به داده‌های داخلی (مثل Notion) را برای آموزش مدل‌های محلی بازبینی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو