DecagonのVoice 3とPACT、顧客対応を「電話の向こう側にいるエージェント」に備えさせる

--- title: DecagonのVoice 3とPACT、顧客対応を「電話の向こう側にいるエージェント」に備えさせる meta_title: 顧客がエージェントであるとき、サポートは適応しなければならない meta_description: Decagonは音声モデルChordを搭載したVoice 3と、個人のAIエージェントが企業に連絡する際の委任認証プロトコルPACTを発表した。 ---

ほとんどのカスタマーサポートソフトウェアは、会話の相手が人間であることを前提としている。Decagonの10月1日のリリースは、それがますます当てはまらなくなっていると想定し、2つの方向で同時に備えている。

同社はDecagon Dialoguesイベントで4つの製品を発表した。新しい音声モデルChordを搭載したVoice 3、Personal Agent Gateway、Agent Modules、そしてDuet Apprenticeのベータ版だ。

Voice 3とChordモデル

Voice 3には、Decagon Labs初の音声モデルであるChordが搭載されており、カスタマー会話に特化して事後学習されている。Decagonによると、このモデルはフレーズごとに発話を形作り、電話番号や確認コードなどの詳細では速度を落とし、その後は会話のペースに戻る。

アーキテクチャはデュプレックスで、2つの層が並行して動作する。低遅延の会話モデルが聞き取りと発話を担い、より強力なモデルが会話の背後で推論、ツール呼び出し、ガードレールの適用を管理する。エージェントは発話しながら受信音声を処理するため、軽い相づちで応答しつつ、相手が本当に遮ったときには話し被せたり黙り込んだりせず、譲ることができる。

Decagonは、3組の録音を用いたブラインドテストで、各組が実在の人物と同じ音声をChordに通したものを比較したところ、平均して約90%の聞き手が人間を特定できなかったと報告した。同社によると、Chordはライセンス許諾を受けたデータと同意を得た声優の音声で学習され、顧客所有のデータでは決して学習されていない。また、自動検出と文中での切り替えに対応し、70以上の言語をサポートする。

この90%という数字は企業が報告したブラインドテストの結果であり、諸刃の剣でもある。品質を示す指標としては印象的だが、開示の観点では居心地が悪い。なぜなら、自分が機械と話していると分からない発信者には、尋ねる機会がないからだ。

より重大なのはPersonal Agent Gatewayというアイデア

Decagonの発表によると、イベント前の1か月でMetaはMuseを立ち上げ、OpenAIはdotsを発表し、Instinctはユーザーのために電話をかけ始めた。同社はこれらを、所有者に代わって予約し、購入し、キャンセルし、交渉するパーソナルエージェントと表現し、それらがすでにカスタマーサポートに連絡していると述べている。

まさにその変化に対応するために設計されたのが、このゲートウェイだ。それは2つの部分からなる。

パーソナルエージェント検出は、企業側とプラットフォーム側の両方からのシグナルを用いて、チャットと音声の両方でパーソナルエージェントの可能性が高いものにフラグを立てる。次に何が起こるか、それらのエージェントが何にアクセスできるかは、各企業が決める。

専用のパーソナルエージェントチャネルは、チャット、メール、音声と並んで設置され、別個のAgent Operating Proceduresを持つ。したがって、同じリクエストでも、人間が尋ねているのかエージェントが尋ねているのかによって、異なるワークフローをたどることができる。

権限はそれらの手順の中に存在する。企業はエージェントが要求できるスコープを定義し、どのセクションがどのスコープを必要とするかをマークし、必要なスコープを持たないエージェントにはそれらのセクションが決して公開されないようにする。

Decagonの例は航空会社だ。旅行者のパーソナルエージェントがフライトの閲覧と再予約の許可を要求し、旅行者は閲覧のみを承認する。航空会社のエージェントはより早いフライトの選択肢を共有するが、再予約が別途承認されるまで変更はできない。

PACTと、認可にプロトコルが必要な理由

Decagonはまた、PACT（Personal Agent Consent and Trust）を発表した。これは、サービスが定義し、本人が付与する権限の下で、個人のエージェントが本人に代わって行動できるようにするプロトコルだ。

PACTは、エージェント同士が互いを見つけ、メッセージを交換する方法を扱うAgent2Agentプロトコルを基盤とし、OAuth 2.0に基づく委任認可を追加する。これにより、エージェントは自分が誰を代表しているのか、その人物が自分に何を許可したのかを証明できる。

その理由は、口にすれば単純明快だ。企業がエージェントからリクエストを受け取った場合、行動する前に3つの問いに答える必要がある。エージェントの背後にいるのはどの人間か、その人間は何を認可したか、そしてエージェントはそれを証明できるか。Agent2Agentだけでは発見とメッセージングをカバーするが、認可は曖昧なままになる。そこにOAuth 2.0を組み込むことで、委任に検証可能な連鎖が生まれる。

仕様は公開されており、Decagonはパーソナルエージェント提供企業やエンタープライズ顧客と協力してそれを形作っていると述べている。PACTが標準になるのか、それとも1社のアプローチにとどまるのかは、他のプラットフォームが採用するかどうかにかかっている。これは単一の作者を持つプロトコルにとって、いつもの試金石だ。

Agent Modulesと徒弟モデル

Agent Modulesは、サポートを超えたカスタマージャーニー向けに、インフラストラクチャ、分析、キャンペーンオーケストレーションを組み合わせる。対象には、リードの選別、オンボーディング、回収が含まれ、金融サービス、旅行、ホスピタリティ、ヘルスケア、小売、通信業界にまたがる。

顧客のチームがビジネスロジックを定義し、Duetは企業の標準業務手順、ポリシー、統合、ナレッジソースを活用して、プロセスをエージェントの行動に変換する。たとえば回収では、チームは開示文言、承認済みの支払いプラン階層、人間への引き継ぎが必要な条件を設定する。ローンチ前に、シミュレーションによって、さまざまな意図を持つペルソナに対してエージェントの行動をテストする。

Duet Apprenticeはベータ版であり、その位置づけが重要だ。自律的なオペレーターではなく徒弟として位置づけられており、段階的な信頼モデルを示唆している。エージェントは監督のもとで業務手順を学び、その後で単独でケースを処理する。これは、エンタープライズ導入が実際に進む姿を、よくあるローンチ時の文言よりも正直に説明している。

これが示すサポートの方向性

際立つ点が2つある。

第一に、音声品質はもはや差別化要因ではない。ブラインドテストの90%で人間と区別がつかない音声モデルは、重要な意味で解決済みの問題だ。つまり競争は、エージェントが何を知っているか、何を許可されているか、それをどう証明するかに移る。Deutsche Telekomでデジタルサービスコミュニケーションを率いるChristian Niedworok氏は、発表の中でVoice 3について、実際に聞いているように感じられ、作業中に黙り込むのではなく会話を進め続けると述べた。これは音色ではなく、遅延とターンテイキングに関するコメントであり、残る品質ギャップはそこにある。

第二に、相手方が変化している。サポートシステムは何十年もかけて人間の行動をモデル化してきた。何が人を混乱させるか、何が電話を切らせるか、どうルーティングするか。今や、入ってくるリクエストの一部は人間のために行動する機械であり、システムはそれらを検出し、認証し、アクセス範囲を定めなければならない。それは別のエンジニアリングプログラムであり、Decagonはそれに真っ向から狙いを定めた製品を出荷した最初の主要ベンダーだ。

検出問題には、考慮に値する独特の形がある。誰かに代わってサポートに連絡するパーソナルエージェントは、必ずしも悪意があるわけではない。顧客が認可した正当な委任かもしれない。エージェントのトラフィックを悪用として扱えば、まもなく一般的になるユースケースを壊してしまう。それを通常のトラフィックとして扱えば、人間の詐欺が決して到達しなかった規模の自動化された悪用への扉を開く。検出がブロックを引き起こすのではなくルーティングに情報を与えるというゲートウェイのアプローチは、妥当な中庸の道であり、検出が正確であることに依存している。

注目すべき点

PACTがDecagon自身の顧客以外にも採用されるかどうか。もし採用されれば、委任認可はエージェントトラフィックを受け取るあらゆる企業にとって必須条件になる。もし採用されなければ、各プラットフォームが独自の答えを持つことになり、混乱によって実際に害を受けるのは、自分のエージェントの後ろで答えを待つ人間たちだ。

検出精度が敵対的な圧力の下でも持ちこたえるかどうか。トラフィックを分類するあらゆるシグナルは、ゲーム化を招く。そしてパーソナルエージェント検出は、サポートワークフローを大規模に自動化しようとする者にとって、ゲーム化する価値のあるシグナルだ。

多言語対応の主張が重層化に耐えるかどうか。Voice 3は自動検出と文中切り替えに対応し、70以上の言語をサポートしており、Decagonによれば、すべての言語は出荷前にネイティブスピーカーによって検証される。一貫したアイデンティティを保ちながら文中で言語を切り替えることは、境界で切り替えるよりも難しい問題であり、独立したテストが役立つだろう。

このリリースの方向性は明確であり、それは1社の製品ラインを超えて広い。カスタマーサポートは何十年もの間、人間と話していることを前提としてきた。その前提は失効しつつあり、移行のためのツールを出荷する企業が、今後数年間の自動化された顧客インタラクションの姿を形作るだろう。