بارث دوندييال · مدير تسويق المنتجات، Avaya

الاستنتاجات الرئيسية

كشف استبيان Avaya Consumer SurveyAvaya Consumer Survey (N=509 مستهلكين أمريكيين، أبريل 2026) أن جودة بنية الصوت، وليس تعقيد الخوارزمية، هو العامل الأساسي في دقة الذكاء الاصطناعي في تطبيقات المؤسسات المدعومة بالصوت. عندما يفسر نظام الذكاء الاصطناعي المعلومات بشكل خاطئ بسبب صوت ضعيف، يلوم 95٪ من المستهلكين الذكاء الاصطناعي أو المؤسسة بدلاً من الاتصال. نشر الذكاء الاصطناعي المتقدم على بنية صوت متدهورة يخلق دورة ذاتية التدمير من الأخطاء، والاستثمار المفقود، وتآكل الثقة.

  • 38٪ من المستهلكين يلومون الذكاء الاصطناعي، و35٪ يلومون المؤسسة عندما يسبب الصوت السيئ أخطاءً — فقط 5٪ يلومون أنفسهم.
  • 37٪ من المتصلين يعترفون بتضخيم الأعراض الطبية عندما لا يثقون في الاتصال الصوتي.
  • 76٪ يقولون إنه من الضروري أن يسمع المجيبون الطارئ المشاعر الدقيقة في صوت المتصل.
  • 89٪ يقولون أن فشل الاتصال الوحيد يقوض ثقتهم في المنظمة.
  • 75٪ يقولون إن جودة الصوت تشكل تصورهم العام عن الأعمال.

قضت صناعة AI مئات المليارات في جعل النماذج أكثر ذكاءً. لا أحد يسأل ما يحدث عندما يتلقى نموذج ذكي إشارة صوتية متدهورة.

هناك سؤال استهلك غرف الاجتماعات، مكالمات المستثمرين، ومؤتمرات التكنولوجيا على مدى ثلاث سنوات تقريباً: كيف نجعل الذكاء الاصطناعي أكثر ذكاءً؟

كانت الإجابات مذهلة. نماذج أكبر. بيانات تدريب أفضل. هياكل أكثر تعقيدًا. التعلم التعزيزي من الملاحظات البشرية. توليد معزز بالاسترجاع. التفكير الوكيل. استثمرت الصناعة مئات المليارات من الدولارات لجعل أنظمة الذكاء الاصطناعي أكثر قدرة، وأكثر دقة، وأكثر موثوقية. وبحسب معظم المقاييس، الاستثمار يعمل. تتحسن النماذج.

لكن هناك سؤال ثانٍ لا يسألها أحد تقريبًا، والإجابة عليه تهدد بتقويض فرضية الذكاء الاصطناعي المؤسسية بأكملها. السؤال هو: ماذا يحدث عندما يتلقى أفضل نظام ذكاء اصطناعي في العالم مدخلًا سيئًا؟

الإجابة، بالطبع، هي أنها تنتج مخرجات سيئة. لا يعرف الخوارزمية أن الإدخال سيئ. إنها تعالج ما تتلقاه. وفي أقسام أسرع نمو في نشر الذكاء الاصطناعي المؤسسي، تطبيقات الصوت في الرعاية الصحية، الخدمات المالية، والاستجابة للطوارئ، يتم تحديد جودة الإدخال ليس بواسطة نموذج الذكاء الاصطناعي، ولا بواسطة بيانات التدريب، ولا بواسطة هندسة الموجه، بل بشيء أكثر عاديًا.

نظام الهاتف.

النتيجة التي تمثل خمسة بالمئة

في أبريل 2026، أجرت Avaya مسحًا وطنيًا للمستهلكين الأمريكيين وطرحت سؤالًا كان يجب أن يرسل ارتعاشًا عبر كل خارطة طريق نشر الذكاء الاصطناعي في البلاد.

السيناريو: نظام ذكاء اصطناعي آلي في مزود الرعاية الصحية أو البنك يفسّر معلوماتك بشكل خاطئ—يُخطئ في جرعة الدواء أو رقم الحساب—لأن اتصال الهاتف كان ضعيفًا. من المسؤول أكثر؟

سبعة وثلاثون في المائة أقروا أن التكنولوجيا الذكاء الاصطناعي نفسها. خمسة وثلاثون في المائة أقروا المؤسسة التي أطلقتها. اثنان وعشرون في المائة أقروا شركة الهاتف. وخمسة في المائة أقروا أنفسهم.

خمسة بالمئة.

هذا الرقم يستحق أن يُكرر، لأنه يدحض فرضية تُؤسس لمعظم استراتيجيات نشر الذكاء الاصطناعي في المؤسسات. الفرضية هي أن المستهلكين يفهمون حدود التقنية، ويعترفون بدورهم في التفاعل، ويأخذون في الاعتبار عوامل البيئة مثل جودة الاتصال. الفرضية خاطئة.

رفض 95٪ من المستهلكين قبول أي مسؤولية شخصية عن خطأ ذكاء اصطناعي ناتج عن جودة صوت ضعيفة. لا يفكرون، "كان اتصالي سيئاً، لذا أخطأ الذكاء الاصطناعي في سمعي." يفكرون، "نظام البنك أخطأ في معلوماتي، ويجب أن يجيب أحد عن ذلك."

إن الانقسام القريب بين إلقاء اللوم على الذكاء الاصطناعي (38٪) وإلقاء اللوم على المؤسسة (35٪) يخلق شكلًا خاصًا من التعرض السمعة. يعني ذلك أن نشر الذكاء الاصطناعي على بنية تحتية صوتية ضعيفة لا ينتج فقط أخطاء؛ بل ينتج أخطاءً تضر في الوقت نفسه بمصداقية الذكاء الاصطناعي وسمعة المؤسسة. لا يميز المستهلك بين التكنولوجيا والمؤسسة التي اختارت نشرها. يُحكم على الكليهما معًا. يُجدّد كلاهما معًا. ولا يحصل أي منهما على مصلحة الشك.

مشكلة الإدخال

لصناعة الذكاء الاصطناعي مصطلح لما يحدث عندما تدخل بيانات سيئة إلى نظام وتنتج نتائج سيئة. إنه مثل قديم في علوم الكمبيوتر ينطبق بقوة خاصة على الذكاء الاصطناعي المدعوم بالصوت: "القمامة في، القمامة خارج."

لكن العبارة، المألوفة كما هي، تخفي الآلية المحددة التي تعمل. في تطبيقات الذكاء الاصطناعي المدعومة بالصوت، "القمامة" ليست ضوضاء عشوائية أو ملفات بيانات تالفة. إنها الصوت البشري، يتدهور بواسطة البنية التحتية التي تنقله. ولا يقتصر التدهور على تقليل قدرة الذكاء الاصطناعي على سماع الكلمات. بل يفسد أساسياً المعلومات التي تتدفق إلى كل نظام لاحق.

قامت مسح Avaya بتحديد هذه الفساد بدقة مذهلة. عندما سُئلوا عما يحدث عندما يُجبرون على نقل معلومات طبية أو أمان عبر خط مشوش، قال 51٪ من المستهلكين إنهم سيشكون من ما إذا كانوا قد سمعوا التعليمات بشكل صحيح. وقال 45٪ إن الاتصال السيئ سيعيق قدرتهم على نقل الحقائق بدقة. وأقر 37٪ أنهم سيبالغون في أعراضهم للحصول على اهتمام أسرع.

هذا الاكتشاف الأخير هو الذي يجب أن يبقي مهندسي الذكاء الاصطناعي مستيقظين ليلاً. يواجه سبعة وثلاثين بالمئة من المتصلين، عند مواجهتهم لاتصال صوتي لا يثقون به، تضخم عرضهم الطبي عمدًا للتعويض. سيخبرون النظام أن ألمهم أسوأ مما هو عليه، وأن تنفسهم أكثر صعوبة، وأن أعراضهم أكثر حدة. إنهم لا يكذبون. إنهم يتكيفون. لقد تعلموا، من خلال التجربة، أن الاتصال المبعثر يهدد بفقدان كلماتهم، لذا يضخمون الإشارة للبقاء على قيد الحياة في الضوضاء.

لكن الذكاء الاصطناعي في الطرف الآخر لا يعرف أي من هذا. محرك النسخ faithfully يسجل الأعراض المبالغ فيها. نظام تحليل المشاعر يسجل ارتفاع القلق. خوارزمية الترشيد تعطي درجة شدة أعلى. تدفق العمل السريري يوجه الحالة بأولوية أكبر مما تستحقه الحالة الفعلية. تُستغل الموارد. تُشوه التقييمات التشخيصية. وكل نظام downstream من إدخال الصوت قد تضرّ—ليس بسبب خطأ برمجي، وليس بسبب فشل خوارزمية، بل بسبب اتصال هاتف ضغط صوت المتصل إلى حد ينهك الثقة في القناة.

هذا هو سلسلة الأثر السريري، ولا يوجد إصلاح برمجي. لا يمكن لأي مستوى من التعقيد الخوارزمي تعويض حقيقة أن 37٪ من المتصلين يزودون النظام ببيانات مبالغ فيها لأن الصوت تحت الذكاء الاصطناعي لم يكن كافيًا لنقل الحقيقة.

فجوة الأمانة

هناك بُعد لجودة الصوت يفوته معظم تقييمات الذكاء الاصطناعي تمامًا. ليس الأمر حول ما إذا كان النظام يستطيع سماع الكلمات. بل حول ما إذا كان النظام يستطيع سماع ما لا تقول الكلمات.

76٪ من المستهلكين قالوا في استطلاع Avaya إن من الضروري أن يسمع المجيبون للطوارئ المشاعر الدقيقة في أصواتهم. ليس المحتوى الحرفي. الزفر. التردد. التنفس المتقطع الذي يخبر ممرضة التقييم أن المريض في حالة مزيد من الضيق مما يقرره. إشارات التحكم المسموعة للمنسق أن شخصًا ما يختبئ. الاهتزاز الذي ينقل الخوف لا يمكن لمفردات أي لغة أن تعادلها.

هذه إشارات غير لفظية. توجد في نطاقات التردد، الإيقاعات، والتغيرات الدقيقة في النغمة والتوقيت التي تحمل المحتوى العاطفي. وهي بالضبط الإشارات التي يزيلها الصوت منخفض البتات المضغوط.

هذا يهم الوكلاء البشر، الذين يستخدمون هذه الإشارات لتعديل ردودهم، واكتشاف الخداع، وإدراك الشدة التي لا يستطيع أو لا يرغب المتصل في التعبير عنها. لكنه يهم أكثر للأنظمة الذكاء الاصطناعي التي تُنشر بشكل متزايد لأداء هذه الوظائف بالضبط. تحليل المشاعر الصوتي، اكتشاف العواطف اللحظي، اكتشاف الكلمات المفتاحية، وتوثيق المتحدث: كل واحدة من هذه القدرات تعتمد على وفاء إشارة الصوت التي تغذيها.

يستقبل نظام تحليل المشاعر بالذكاء الاصطناعي الذي يعالج الصوت عالي الدقة على نطاق واسع إشارة غنية: ليس فقط الكلمات، بل النفس بينهما، والاهتزاز الصوتي تحتها، وتغيرات الإيقاع التي تشير إلى تصاعد الضيق. نفس النظام الذي يعالج الصوت المضغوط منخفض البت يتلقى إشارة مختزلة: الكلمات تبقى، لكن المحتوى العاطفي قد تم قطعه.

الذكاء الاصطناعي لا يعرف ما يفتقده. يعالج الإدخال ويعيد درجة الثقة. تبدو درجة الثقة معقولة. تبدو لوحة المعلومات خضراء. لكن التقييم خاطئ—ليس لأن الخوارزمية فشلت، بل لأن البنية التحتية أزالت البيانات التي احتاجتها الخوارزمية قبل أن ترى الخوارزمية أي شيء.

هذا هو فجوة الدقة. إنها المسافة بين ما قاله المتصل، بأكمل معنى كلمة "قال"، وما استلمه نظام الذكاء الاصطناعي فعليًا. ويحدد ذلك بالكامل بنية الصوت تحت طبقة الذكاء الاصطناعي.

اللوم الذي يتبع

نتائج فجوة الأمانة ليست مجرد مفاهيم مجردة. تظهر في طرق محددة وقابلة للقياس: مكالمات التقييم غير المصنفة بشكل صحيح، فشل التوثيق الصوتي، درجات المشاعر غير الدقيقة، وفي النهاية تجارب المستهلك تتراوح من الإحباط إلى الخطورة. وعندما تظهر هذه العواقب، لا يحقق المستهلك السبب الجذري. يـيُسند المستهلك المسؤولية.

أنماط نسب المسؤولية في الاستطلاع تخلق حلقة مفرغة للمؤسسات التي تنشر الذكاء الاصطناعي على بنية صوتية غير كافية. أنتج الذكاء الاصطناعي خطأً لأن الصوت تدهور. يلوم المستهلك الذكاء الاصطناعي (38٪) أو المؤسسة (35٪). تواجه المؤسسة ضررًا سمويًا، وتستثمر في تحسين نموذج الذكاء الاصطناعي عن طريق إعادة تدريب الخوارزمية وتعديل المطالبات. لكن جودة الصوت لم تتغير. لذلك ينتج الاتصال التالي على اتصال متدهور خطأً آخر. المزيد من اللوم. المزيد من الضرر السموي. المزيد من الاستثمار في طبقة خاطئة من السلسلة.

يستمر حلقة الدمار لأن التشخيص خاطئ. المنظمة تتعامل مع مشكلة بنية تحتية كمشكلة خوارزمية. إنها ضبط المحرك بينما خط الوقود مسدود. وكل تكرار للدورة يكلف المال، والمصداقية، والموارد الوحيدة التي يصعب استعادتها: ثقة المستهلك.

ثمان وتسعين بالمائة من المستهلكين الذين يقولون إن فشل الاتصال الوحيد يقوض ثقتهم لا يقدّرون جودة الهاتف فقط. إنهم يقدّرون كفاءة المؤسسة بشكل شامل. وفي عصر يصبح الذكاء الاصطناعي أكثر ظهورًا في تلك المؤسسة، ففشل الذكاء الاصطناعي هو فشل المؤسسة، وبنية المؤسسة هي أساس الذكاء الاصطناعي أو عكسه.

التسلسل الذي يهم

هناك مبدأ بسيط يُظهره البيانات، وهو واحد يملكه معظم خرائط طريق الذكاء الاصطناعي المؤسسية إلى الوراء.

المبدأ هو هذا: أصلح بنية الصوت أولاً، ثم نشر الذكاء الاصطناعي.

ليس العكس. ليس في آن واحد. ليس "سوف نحدث التحديث الصوتي لاحقًا بمجرد أن يثبت الذكاء الاصطناعي قيمته." أولاً، لأن كل قدرة ذكاء اصطناعي تعتمد على إدخال الصوت (القائمة تتزايد بسرعة: النسخ، تحليل المشاعر، المصادقة الصوتية، اكتشاف الكلمات المفتاحية في الوقت الحقيقي، التعرف على العواطف، التقييم الآلي، التوجيه الذكي) دقيقة فقط بقدر دقة إشارة الصوت التي تغذيها. نشر ذكاء اصطناعي متقدم على بنية صوتية متدهورة ليس فقط غير فعال؛ إنه أيضًا خطير. إنه يفسد نفسه. سيُنتج الذكاء الاصطناعي أخطاء. سيُعزى المستهلك إلى المؤسسة. ستحاول المؤسسة إصلاح الذكاء الاصطناعي. وما زال الصوت سيظل سيئًا.

الأهمية تكمن في أن الاستثمار في الذكاء الاصطناعي كبير ويزداد. تلتزم المؤسسات بموارد كبيرة لتطبيقات الذكاء الاصطناعي المدعومة بالصوت التي تعد بتحويل تجربة العميل، سير العمل السريري، والكفاءة التشغيلية. هذه الوعود حقيقية. القدرات حقيقية. لكنها تستند إلى فرضية نادراً ما يُذكر أو يُختبر: أن الصوت الذي يغذي الذكاء الاصطناعي نظيف بما يكفي لأداء عمله.

تشير دراسة Avaya إلى أن هذا الافتراض خاطئ للعديد من المؤسسات. يقول 75٪ من المستهلكين إن جودة الصوت تشكل تصورهم عن الأعمال. يفتقد 74٪ الثقة في المحترفين عندما تُستخدم مقاطع صوتية. يقلق 88٪ من أن المؤسسات ستستبدل أنظمة الهاتف المخصصة ببرامج التعاون الصوتية. يوضح المستهلك لنا، بأرقام لا تترك مجالاً للغموض، أن بنية الصوت التي تخدمهم غالباً لا تفي بتوقعاتهم للتفاعل البشري. فكرة أن هذه البنية نفسها تلبي المتطلبات الأكثر تطلباً لنظام ذكاء اصطناعي يعالج الإشارات غير اللفظية، والتغيرات الدقيقة في النبرة، وأنماط الإيقاع العاطفي، هي في أفضل الأحوال متفائلة.

الأساس تحت الذكاء

قضى قطاع التكنولوجيا السنوات الأخيرة في حالة حماس مبررة حول ما يمكن للـ AI فعله. القدرات استثنائية. وتيرة التحسن غير مسبوقة. الإمكانية لتحويل الرعاية الصحية، الخدمات المالية، الاستجابة الطارئة، وكل قطاع آخر تقريبًا حقيقية وتسرع.

لكن هناك ميل، في لحظات الحماس التكنولوجي، للتركيز على الطبقة الأكثر وضوحًا في السلسلة وتجاهل الطبقات التي تحته. يحصل نموذج الذكاء الاصطناعي على الانتباه. لا يحصل بنية الصوت على ذلك. يحصل الخوارزمية على الاستثمار. لا يحصل جودة الصوت على ذلك. يحصل الدردشة الآلية على البيان الصحفي. يحصل نظام الهاتف على جدول الشراء.

الاستطلاع الخاص بـ Avaya هو، من بين أمور أخرى، تذكير بأن الأساس يهم أكثر من المبنى فوقه. ليس لأن الذكاء الاصطناعي غير مهم. إنه مهم. لكن لأن أهمية الذكاء الاصطناعي تجعل الأساس أكثر حرجاً، وليس أقل. كلما اعتمدت أكثر على الذكاء الاصطناعي المدعوم بالصوت، كلما اعتمدت أكثر على الصوت الذي يغذيها. كلما أصبحت تحليلات المشاعر أكثر تعقيداً، كلما احتجت إلى صوت عالي الدقة ليعطيها ما يمكن تحليله. كلما استثمرت أكثر في التقييم التلقائي، كلما احتجت إلى المتصلين الذين يثقون بالاتصال بما يكفي للإبلاغ عن أعراضهم بدقة، بدلاً من تكبيرها.

5٪ من المستهلكين سيعذرون أنفسهم عندما يخطئ الذكاء الاصطناعي في معلوماتهم بسبب اتصال سيئ. ستعذرك المئة والتسعين في المائة الأخرى. وسيكونون على حق. ليس لأنك اخترت AI خاطئًا. بل لأنك بنيت الذكاء على أساس لا يمكنه حمل الحقيقة.

تعرف على كيف يقدّم Avaya البنية التحتية للاتصالات الحرجة التي يطلبها الموظفون والمستهلكون اليوم

يستند هذا المنشور إلى نتائج من Avaya U.S. Consumer Survey، أبريل 2026 (N=509 مستهلكين أمريكيين، موزون حسب السنسس، موظفون بدوام كامل).

الأسئلة المتداولة

لماذا جودة بنية تحتية الصوت مهمة لدقة الذكاء الاصطناعي المؤسسي؟

لأن كل قدرة ذكاء اصطناعي مدعومة بالصوت—التحويل، تحليل المشاعر، التوثيق الصوتي، اكتشاف العواطف، التصنيف الآلي—تتعامل مع إشارة الصوت التي يتلقاها، وليس إشارة الصوت التي يهدف المتصل إلى إرسالها. عند الضغط، يزيل الصوت منخفض البتات الإشارات غير اللفظية مثل ارتعاش الصوت، وتيرة التنفس، والتغيرات الدقيقة في النغمة، وتفقد نظام الذكاء الاصطناعي البيانات العاطفية والسريرية التي يحتاجها لإجراء تقييمات دقيقة. وفقًا لاستطلاع مستهلكي Avaya Nexus (N=509، أبريل 2026)، يقول 76٪ من المستهلكين إن من الضروري أن يتمكن المجيبون الطارئون من اكتشاف عواطف دقيقة في صوت المتصل. تحتاج أنظمة الذكاء الاصطناعي المكلفة بهذه الوظائف نفسها إلى جودة صوت متساوية أو أكبر. نشر ذكاء اصطناعي متقدم على بنية صوتية متدهورة لا يقلل فقط الدقة—بل ينتج مخرجات خاطئة بثقة لأن النظام لا يعرف ما الذي أزله البنية قبل وصول الإشارة.

من يلوم المستهلكون عندما يخطئ AI في معلوماتهم بسبب اتصال سيئ؟

ليست ذاتها. وجدت مسح Avaya أن 95٪ من المستهلكين يرفضون تحمل المسؤولية الشخصية عندما يفسر نظام الذكاء الاصطناعي معلوماتهم بشكل خاطئ بسبب جودة الصوت الرديئة. يلوم 38٪ التكنولوجيا الذكاء الاصطناعي نفسها، و35٪ يلومون المؤسسة التي أطلقتها، و22٪ يلومون شركة الهاتف. فقط 5٪ يربطون الخطأ باتصالهم أو بيئتهم الخاصة. هذا التقسيم القريب من المتساوي بين لوم الذكاء الاصطناعي والمؤسسة يعني أن أخطاء الذكاء الاصطناعي المدعوم بالصوت تضر في الوقت نفسه بمصداقية التكنولوجيا وسمعة المنظمة. لا يميز المستهلك بين الخوارزمية والمؤسسة التي اختارت نشرها.

كيف يخلط ضعف جودة الصوت البيانات التي تغذي أنظمة الرعاية الصحية بالذكاء الاصطناعي؟

يُفسد الإدخال بثلاثة طرق قابلة للقياس. وجدت مسح Avaya أن 51٪ من المستهلكين يشككون في ما إذا كانوا قد سمعوا التعليمات الطبية بشكل صحيح عبر اتصال مشوش، 45٪ يقولون إن الصوت السيئ يعيق قدرتهم على نقل الحقائق بدقة، و37٪ يعترفون بأنهم سيضخمون أعراضهم للحصول على اهتمام أسرع عندما لا يثقون بالاتصال. هذه النتيجة الأخيرة ضارة بشكل خاص للترشيح المدعوم بالذكاء الاصطناعي: يتعمد المتصلون تضخيم عرضهم الطبي، وتُسجّل محرك النسخ الصوتي الأعراض المبالغ فيها بدقة، ويعالج كل نظام لاحق—تحليل المشاعر، تقييم الشدة، التوجيه السريري—البيانات المفسدة. لا يوجد إصلاح برمجي لهذا. إنه مشكلة بنية تحتية تُنتج عرضةً متشكلة على شكل خوارزمية.

ما هو "فجوة الأمانة" في الذكاء الاصطناعي المدعوم بالصوت؟

فجوة الأمانة هي المسافة بين ما يقدمه المتصل فعليًا—بما في ذلك النبرة، التردد، التنفس، اهتزاز الصوت، والإيقاع العاطفي—وما يتلقاه نظام الذكاء الاصطناعي بعد معالجة البنية التحتية الصوتية وضغط الإشارة. الصوت عالي النطاق والعالي الدقة يحافظ على الإشارات غير اللفظية التي تحمل المحتوى العاطفي. الصوت المضغوط منخفض البت يحافظ على الكلمات لكنه يزيل البيانات التي تعتمد عليها تحليل المشاعر، اكتشاف العواطف، وأنظمة التوثيق الصوتي. يقوم الذكاء الاصطناعي بمعالجة الإشارة المزالة، ويعيد درجة ثقة معقولة، ويولد تقييمًا خاطئًا—ليس لأن الخوارزمية فشلت، بل لأن البنية التحتية أزالت المعلومات التي احتاجتها الخوارزمية.

هل يجب على المؤسسات نشر الذكاء الاصطناعي قبل أو بعد ترقية بنية صوتها التحتية؟

بعد ذلك. تشير بيانات مسح Avaya إلى مبدأ تسلسل واضح: إصلاح بنية الصوت أولاً، ثم نشر الذكاء الاصطناعي. المنظمات التي تعكس هذا التسلسل تدخل حلقة كارثة حيث ينتج الذكاء الاصطناعي أخطاء بسبب انخفاض جودة الصوت، ويعطي المستهلكون اللوم للمؤسسة (35٪) أو للذكاء الاصطناعي (38٪)، وتستثمر المنظمة في إعادة تدريب النموذج أو ضبط الإشارات. بالمقابل، السبب الجذري الفعلي—جودة الصوت—يظل غير معالج. مع 89٪ من المستهلكين الذين يقولون إن فشل الاتصال الوحيد يقوض ثقتهم، و88٪ يعبرون عن قلقهم بشأن استبدال المؤسسات أنظمة الهاتف المخصصة بمنصات الصوت التعاونية، فإن الأساس تحت طبقة الذكاء الاصطناعي ليس فكرة لاحقة. إنه الشرط المسبق الذي يحدد ما إذا كان استثمار الذكاء الاصطناعي يحقق قيمة أم يزيد من مخاطر السمعة.

عرض المزيد عرض القليل