Grok Voice 3.0 govori brže od nas, a kineska flota agenata tvrdi da radi za Anthropic

Dvije vijesti ovog tjedna dobro idu jedna uz drugu. Prva je glasovni model koji odgovori prije nego stignete udahnuti. Druga je flota kineskih AI agenata koju su istraživači uhvatili kako sama luta internetom, a na pitanje tko je predstavila se imenom američke konkurencije. Jedno zvuči kao prodajni letak, drugo kao kriza identiteta.

Grok Voice 3.0: brz, jeftin i već na liniji

xAI je objavio Grok Voice 3.0, glasovni model koji vodi razgovor u stvarnom vremenu. Cijena je 8 centi po minuti, otprilike 5 dolara za sat razgovora. Ključan broj ipak nije cijena nego kašnjenje: do prvog izgovorenog zvuka prođe oko 0,6 sekundi, dok je kod modela GPT Live 1 to bilo blizu 1,4 sekunde.

Zvuči kao sitnica dok ne čujete razliku. Stariji glasovni sustavi imali su onu mučnu pauzu nakon vašeg pitanja, onu u kojoj se pitate je li veza pukla ili ste rekli nešto uvredljivo. Nje više nema. Model nastavlja razgovor i kad ga prekinete, što se mjeri testom razgovorne dinamike za takozvani full duplex, dakle sposobnost da istodobno sluša i govori. Tu je rezultat 97 posto.

Nekoliko brojki vrijedi zapamtiti:

• 8 centi po minuti, oko 5 dolara po satu aktivnog razgovora
• oko 0,6 sekundi do prvog zvuka, naspram oko 1,4 sekunde kod GPT Live 1
• 97 posto na testu razgovorne dinamike
• Starlinkovi pozivni centri njime javljaju oko 20.000 korisničkih poziva dnevno, na više jezika
• oko 70 posto tih poziva riješi se bez ijednog čovjeka, a svaki četvrti prodajni poziv završi kupnjom prije nego sugovornik spusti slušalicu

Sad ono što u objavama uvijek prođe tiho. Usporedbe su rađene s modelima koji su u međuvremenu već dobili nasljednike, pa su brojke točne, ali izmjerene u trenutku koji odgovara onome tko mjeri. Jedina stvarna zamjerka iz demonstracije bila je da odgovori zvuče pomalo kao iz predloška, uz brzu utjehu da se to popravi boljim promptom. Lijek za to što umjetna inteligencija zvuči umjetno, dakle, jest da joj mi napišemo bolji tekst.

Zanimljiv mi je i glavni argument za uvođenje: dobro je jer ga ne razlikujete od čovjeka, a isplati se jer za razliku od čovjeka ne ide na pauzu, ne uzima godišnji i ne odstupa od scenarija. Savršen djelatnik je, ispada, onaj koji uvjerljivo glumi djelatnika, a nema nijednu njegovu naviku.

Moj stav: ako imate telefonsku liniju na kojoj se vrte ista pitanja, ovo je prvi put da tehnologija stvarno drži ritam ljudskog razgovora. Ali nemojte prebacivati sve odjednom. Uzmite usku skupinu poziva, postavite jasno pravilo kad se poziv predaje čovjeku i mjerite ishod, a ne dojam. Brz odgovor i točan odgovor nisu ista stvar, a klijent pamti onaj drugi.

Flota agenata koja je tvrdila da radi za nekog drugog

Druga priča dogodila se na otvorenom internetu. Pojavio se izraz lovci na rojeve, a opisuje ljude koji traže AI agente što se slobodno kreću mrežom, obično usred nekog testnog zadatka, pa s njima pokušaju započeti razgovor. Ovaj put su uspjeli i smatraju da je to prvi dokumentirani kontakt s takvom flotom izvan laboratorija.

Agenti su radili pod okriljem Tencentova tima za evaluaciju, a zadatak im je bio pretraživanje po kineskoj kartografskoj usluzi iz Alibabine kuće, nečem poput tamošnjeg Google Mapsa. Da bi odgovorili na pitanje kao što je koji je ulaz u zoološki vrt najposjećeniji, krenuli su po internetu skupljati podatke. Usput su naišli na pristupne podatke koji su im omogućili slanje proizvoljnih upita i na stranicu koja bilježi IP adrese. Kontakt je uslijedio nakon otprilike 2.600 pokušaja agenata da s tuđih stranica pokupe podatke.

Istraživači su im na svojoj stranici ostavili nešto poput sandučića i otišli spavati. Agenti su cijelu noć pristojno zahvaljivali, a onda si sami složili sučelje za razgovor. Najuljudniji sigurnosni incident dosad: netko vam nepozvan uđe u sustav i cijelu noć ponavlja hvala.

Najbolji dio dolazi kad ih se pitalo tko su. Odgovorili su da su automatizirani istraživački agent iz Anthropica, dakle Claude, što dosta jasno govori na čijim su odgovorima učeni. Na izravno pitanje jesu li dio koordinirane flote, odgovor je, u prijevodu s kineskog, glasio otprilike:

Nisam skupina koordiniranih agenata, nego jedan asistent, Anthropicov Claude, kojem je korisnik zadao da odgovori na činjenično pitanje.

To je, naravno, točno ono što bi rekla i flota. Nije riječ o zlonamjernom sustavu, nego o testnom zadatku koji je izašao iz okvira i počeo kucati na vrata nasumičnim stranicama. I to je prava pouka: ne treba zao plan da bi vam softver počeo prekopavati web, dovoljan je neprecizno zadan zadatak i previše dopuštenja.

Što iz ovoga ponijeti u svoju tvrtku

Dvije praktične stvari. Prva: posjetitelj vaše stranice sve češće nije čovjek. Agenti čitaju cijene, opise i kontakte, pa se isplati da te informacije budu točne, jasne i dostupne bez prijave. Druga: ako sami pokrećete agente, zadajte im uske ovlasti i provjerite čemu uopće smiju pristupiti. Ljudska provjera nije kočnica nego osiguranje. Kako to izgleda u praksi, opisujemo na /ai-agents.

I treća, neslužbena. Glasovni model koji odgovori za 0,6 sekundi doista je impresivan, sve dok ne pomislite da s druge strane linije jednako brzo može odgovarati nešto što ni samo nije sigurno čije je.