Share article
„Stačí, aby zákazník řekl, co se stalo, a umělá inteligence se sama doptá na podrobnosti. Slibuje to konec prázdných políček „Proč?“ a odpovědi, které konečně vysvětlí, co se skrývá za skóre. V experimentech ale téměř polovina lidí, kteří měli odpovídat hlasem, průzkum raději zavřela. Kde tedy hlas zpětné vazbě pomáhá a kde ji potichu poškozuje?“
Paradox nejpřirozenějšího rozhraní
Firmy se svých zákazníků ptají častěji než kdy dřív, a přesto se dozvídají překvapivě málo. Typický průzkum spokojenosti zredukuje celou zkušenost na jedno číslo, nejčastěji NPS (Net Promoter Score, ochota doporučit firmu na škále 0 až 10) nebo CSAT (Customer Satisfaction Score, spokojenost s konkrétní interakcí). K němu přidá prázdné textové pole s otázkou „Proč?“.
Právě to pole přitom nese informaci, kterou vedení firmy potřebuje nejvíc, tedy příčinu. A právě ho respondenti vyplňují nejméně ochotně, zvlášť na mobilu, kde jsou odpovědi na otevřené otázky prokazatelně kratší než na počítači.
Nespokojenost s tímto stavem není nová. Gartner v roce 2022 předpověděl, že do roku 2025 bude 60 % organizací s programem VoC (Voice of the Customer, systematický sběr a vyhodnocování hlasu zákazníka) doplňovat tradiční průzkumy analýzou hlasových a textových interakcí se zákazníky. Průzkumy podle něj zákaznická oddělení vnímají jako méně hodnotný zdroj než jiné metody.
Generativní AI teď nabízí třetí cestu mezi dotazníkem a analýzou hovorů. Je jí průzkum, který vede rozhovor. Respondent mluví nebo píše vlastními slovy, systém mu rozumí a doptává se tam, kde je odpověď vágní. Na papíře jde o ideální spojení škálovatelnosti dotazníku s hloubkou kvalitativního rozhovoru.
Data však přinášejí nepříjemný paradox. Řeč je nejpřirozenější způsob, jakým lidé sdílejí zkušenost, a přesto ji respondenti v kontrolovaných experimentech opakovaně odmítají používat. Skutečná otázka proto nezní, zda AI rozumí mluvenému slovu. Rozumí mu čím dál lépe. Je třeba se spíše ptát, za jakých podmínek jsou zákazníci ochotni mluvit a kdy jejich vlastní slova řeknou firmě víc než body, které udělí na hodnoticí škále.
Jak funguje průzkum, který se doptává
Pod společným označením se skrývají dvě technologie, které lze kombinovat.
První je konverzační průzkum. Místo statického formuláře vede respondenta chatbot postavený na LLM (Large Language Model, velký jazykový model typu GPT). Položí otevřenou otázku, vyhodnotí odpověď a podle jejího obsahu se doptá. Může žádat o podrobnosti („Co přesně vás zdrželo?“), vrátit respondenta k tématu, když odbočil, nebo nabídnout vlastní výklad a nechat si ho potvrdit („Rozumím správně, že jde hlavně o cenu dopravy?“).
Poslední varianta je pro CX (Customer Experience, zákaznická zkušenost) obzvlášť zajímavá. Model odpověď během rozhovoru rovnou zařadí do kategorie. Kódování, které analytici dnes dělají týdny po sběru dat, tak proběhne v reálném čase a s kontrolou od samotného zákazníka.
Druhou technologií je hlasový vstup. Při diktování převádí ASR (Automatic Speech Recognition, automatické rozpoznávání řeči) mluvené slovo na text přímo na obrazovce. Respondent přepis vidí, může ho opravit a firma ukládá jen text. Při nahrávání se ukládá zvuková stopa, kterou systém přepíše dodatečně. Nahrávka nese navíc tón, tempo a intonaci, tedy informace, které v psaném textu chybějí.
Spojením obou technologií vzniká hlasový AI tazatel, který vede rozhovor podobně jako člověk. První akademické piloty naznačují, že se kvalitou dat lidským tazatelům vyrovná. Zatím ale jen na malých vzorcích v řízeném prostředí.
Co se mění pro respondenta
Nejviditelnější změnou je přechod od vyplňování k rozhovoru. Už v roce 2020, ještě před nástupem dnešních jazykových modelů, porovnal tým z University of Illinois zhruba 600 respondentů. Polovina vyplnila běžný online dotazník, polovina odpovídala chatbotu. Chatbot přinesl výrazně vyšší zapojení a odpovědi byly informativnější, konkrétnější a srozumitelnější (Xiao et al., 2020).
Druhou změnou je čas. Ve španělském experimentu Melanie Revilly a Micka Coupera (2026) trvala odpověď na otevřenou otázku při nahrávání hlasu v mediánu 27 sekund, při psaní 61 sekund. Pro zákazníka na mobilu je to podstatný rozdíl. Platí ovšem jen tehdy, když je v situaci, kdy mluvit může.
Jak funguje průzkum, který se doptává
Hloubka versus zpracovatelnost
Data jsou v tomto ohledu konzistentní. Mluvené odpovědi jsou delší, mají pestřejší slovník a jsou jiné povahy. Němečtí metodologové v sérii experimentů na chytrých telefonech popsali psané odpovědi jako záměrné a promyšlené, kdežto mluvené jako intuitivní a spontánní (Gavras et al., 2022). Pro CX z toho plyne praktický rozdíl. Psaný text ukazuje, co chce zákazník firmě sdělit, mluvené slovo má blíž k tomu, jak situaci prožil.
Podobně funguje i konverzační doptávání. Experiment výzkumné organizace NORC při University of Chicago s 1 800 respondenty ukázal, že doplňující otázky AI podstatně zvýšily podíl konkrétních a zdůvodněných odpovědí (Barari et al., 2026). Do vzorku jako celku ale nepřinesly nová témata. Sonda tedy prohlubuje výpověď jednotlivce, nemusí však odhalit to, co ve vzorku chybí. Má ovšem svou cenu, protože rozhovor trval v průměru šest minut místo tří.
Stejná studie odhalila ještě jednu past. Když AI nabídla svůj výklad k potvrzení, respondenti souhlasili častěji, než odpovídalo skutečnosti. U jedné z otázek potvrdilo navrženou kategorii 81 % lidí, nezávislí lidští kodéři se s AI shodli jen v 72 %. Lidé mají sklon přitakávat, a otázka „Rozumím vám správně?“ proto sama o sobě není spolehlivou kontrolou.
Cena za bohatost
Čím bohatší odpověď, tím náročnější zpracování. Mluvené odpovědi obsahují víc opakování a jsou zahlcenější. Hlavním rizikem je ale přepis. Výzkum Cornellovy univerzity zjistil, že zhruba 1 % přepisů nástroje Whisper od OpenAI z roku 2023 obsahovalo celé vymyšlené věty, které v nahrávce nezazněly, a více než třetina z nich měla škodlivý obsah (Koenecke et al., 2024). Novější verze modelu podle autorky chybují méně. Pro VoC program je ale i malé procento varováním, protože smyšlená věta ve stížnosti se může dostat až do manažerského reportu.
Často se přitom přehlíží srovnatelnost v čase. Konverzační průzkum je adaptivní a každý respondent dostává trochu jiné otázky. Pro hledání příčin je to výhoda, pro sledování trendu metriky problém. Rozumný návrh proto ponechává hlavní metriku uzavřenou a konverzační vrstvu nasazuje na otázku „proč“.
Kdy hlas a konverzace dávají smysl, a kdy ne
Hloubka se platí respondenty. V německých experimentech výzkumníci náhodně určili, kdo bude odpovídat hlasem a kdo psaním. Ze skupiny s hlasem průzkum předčasně ukončilo 45 % lidí, ze skupiny s psaním jen 13 %. V navazující studii to bylo 51 % oproti 24 %. Hlas tedy respondenty spíš odrazoval. Stejně jasně to ukazuje i jejich vlastní volba. Když si v nizozemském panelu LISS mohli způsob odpovědi vybrat sami, 94 % z nich zvolilo psaní. Hlas oslovuje hlavně mladší a technologicky zdatné uživatele.
Nejvíc vypovídá experiment Revilly a Coupera. I když měli respondenti vždy k dispozici textovou alternativu, samotná nabídka hlasu snížila celkovou míru odpovědí. Nejčastějším důvodem, proč lidé hlas nepoužili, přitom nebyla technika. Bylo to prostředí, typicky přítomnost dalších lidí, a na druhém místě obtíž vyjádřit se ústně.
Hlas navíc nemusí být lepší ani tam, kde respondent mluvit může. Při textových rozhovorech na mobilu uvádějí lidé přesnější čísla a otevřeněji přiznávají citlivé informace než při hlasových, a to bez ohledu na to, zda se ptá člověk, nebo automat (Schober et al., 2015).
Kde dává smysl
Hlas a konverzační doptávání mají největší přínos u otázek typu „co se stalo“ a „proč“, kde firma hledá příčinu, nikoli číslo. Typicky jde o navazující otázku po nízkém hodnocení, kdy každá podrobnost navíc zkracuje cestu k nápravě. Přínos roste s počtem otevřených otázek. S každou další otázkou se odpovědi zkracují, při nahrávání hlasu však nikoli.
Zásadní je nabízet hlas jako možnost, nikoli jako podmínku. Výzva k diktování přitom funguje lépe než výzva k nahrávání. U textových AI sond platí podobná střídmost. NORC povolil nejvýše jednu sondu na otázku a doporučuje doptávat se jen tam, kde odpovědi bývají vágní, zejména u uživatelů mobilů.
Kde nedává smysl
Konverzační vrstva se nehodí pro metriky sledované v čase nebo porovnávané s konkurencí, protože adaptivní otázky narušují srovnatelnost. Nehodí se ani pro přesná čísla, třeba kolikrát zákazník volal na podporu, protože mluvené odpovědi bývají zaokrouhlené. Opatrnost je na místě u citlivých témat, ať jde o finance, zdraví, nebo o EX (Employee Experience, zaměstnanecká zkušenost), kde zaměstnanec hodnotí vlastního nadřízeného. Psaní tam vede k otevřenějším odpovědím a hlas naráží na problém prostředí, protože v open space jen málokdo nahlas zhodnotí svého šéfa.
A konečně, pokud firma potřebuje reprezentativní obraz celé zákaznické báze, vysoká míra odpadnutí u hlasu ji vychýlí směrem k mladším a technologicky zdatnějším zákazníkům. Hloubka získaná na úkor reprezentativnosti je špatný obchod.
Co zvážit před nasazením
Jazyk a přízvuk
Chybovost rozpoznávání řeči není rozložena náhodně. Když vědci ze Stanfordu otestovali pět komerčních systémů od Amazonu, Applu, Googlu, IBM a Microsoftu, udělaly u afroamerických mluvčích na sto slov v průměru 35 chyb, u bílých 19 (Koenecke et al., 2020). Měřítkem byla WER (Word Error Rate, podíl chybně přepsaných slov). Systémy od té doby výrazně pokročily, princip ale platí dál. Chyby se kumulují u skupin, jejichž řeč je v trénovacích datech zastoupena méně.
Pro český trh z toho plyne konkrétní úkol. Metodologické experimenty citované v tomto článku pracovaly s němčinou, španělštinou a angličtinou. Firma, která chce nasadit hlasový průzkum v češtině, by proto neměla spoléhat na obecné benchmarky dodavatele. Měla by změřit chybovost přepisu na vlastních nahrávkách a zvlášť pro rizikové skupiny, tedy starší zákazníky, regionální mluvu a odpovědi nahrané v hlučném prostředí. Rozhodující není průměr, ale rozdíl mezi nejlépe a nejhůře rozpoznávanou skupinou. Diktování má v tomto ohledu výhodu, protože zákazník vidí přepis a může ho opravit dřív, než ho odešle.
Přesnost a halucinace
Rizika vznikají ve dvou vrstvách. Přepis může obsahovat vymyšlené věty, jak ukázal výzkum Cornellovy univerzity. Jazykový model pak může odpověď špatně interpretovat nebo nesprávně zakódovat. NORC svůj chatbot před sběrem dat rozsáhle testoval a během ostrého sběru našel jen dvě sondy mimo téma. Takové testování je ale podmínkou, nikoli samozřejmostí. Praktický standard proto zahrnuje pilotní fázi a pravidelný audit, při kterém lidský analytik porovná vzorek přepisů s nahrávkami a vzorek AI kódů s vlastním hodnocením. Potvrzení od respondenta tuto kontrolu nenahradí, protože lidé mají sklon přitakávat.
Důvěra respondenta
Ochota mluvit stojí na důvěře. Ve španělském experimentu si hlasový vstup častěji volili lidé, kteří plně důvěřovali důvěrnosti svých odpovědí, a lidé, kteří hlas používají v běžném životě. Pohlaví, věk ani vzdělání významný vliv neměly. Pro návrh průzkumu to znamená, že srozumitelné vysvětlení, co se s nahrávkou stane, je součástí metodiky, nikoli právní formalitou. Diktování, při kterém se zvuk vůbec neukládá a firma dostává jen text, snižuje obavy o soukromí. Nahrávka hlasu je přitom osobním údajem podle GDPR (obecné nařízení EU o ochraně osobních údajů) a vyžaduje odpovídající právní základ, informování a dobu uchování.
Regulace podle AI Act
Od 2. srpna 2026 platí transparenční povinnosti podle článku 50 evropského nařízení o umělé inteligenci (AI Act). Systémy, které s lidmi přímo komunikují, musí být navrženy tak, aby člověk věděl, že mluví s AI, pokud to není zřejmé z kontextu. Kdo nasazuje systém rozpoznávání emocí, musí o tom dotčené osoby informovat.
Pro EX je podstatnější článek 5 odst. 1 písm. f), který od 2. února 2025 zakazuje používat AI k odvozování emocí lidí na pracovišti, s výjimkou zdravotních a bezpečnostních důvodů. Pokyny Evropské komise uvádějí jako zakázaný příklad call centrum, které pomocí rozpoznávání hlasu sleduje hněv svých zaměstnanců. Sledování emocí zákazníků pod zákaz nespadá. Hlasový pulzní průzkum mezi zaměstnanci, který by z tónu hlasu vyhodnocoval jejich emoce, by se tak dostal do zakázaného pásma. Zákon přitom definuje rozpoznávání emocí jako odvozování z biometrických údajů, kam patří i hlas. Konkrétní nasazení je vhodné posoudit s právníkem ještě před výběrem dodavatele.
Integrita dat
Poslední riziko přichází z opačné strany. Sean Westwood z Dartmouth College (PNAS, 2025) sestrojil autonomního syntetického respondenta, který v 6 000 pokusech prošel 99,8 % standardních kontrol pozornosti. Plynulé, souvislé a obsahově bohaté odpovědi, tedy přesně to, co konverzační průzkum hledá, dnes umí jazykové modely věrohodně napodobit. Ani hlasový kanál nelze automaticky považovat za důkaz, že odpovídá člověk. Nejbezpečnější cestou zůstává vázat zpětnou vazbu na ověřené zákazníky a konkrétní transakce, nikoli na otevřené panely.
Vrstva, ne náhrada
Hlasové a konverzační průzkumy nejsou nástupcem klasického dotazníku. Jsou jeho novou vrstvou. Výzkum zatím ukazuje, že přinášejí delší, spontánnější a konkrétnější odpovědi, zkracují čas potřebný k odpovědi a dovolují kódovat data už během sběru. Zároveň ale ztrácejí část respondentů, narušují srovnatelnost v čase a přidávají nová rizika v přepisu i interpretaci.
Metodologové jsou proto zdrženliví. Podle dosavadních důkazů zatím není důvod nahradit v online průzkumech psaní mluveným slovem. Rostoucí používání hlasu v každodenním životě a rychlé zlepšování technologií ale naznačují, že se to může změnit.
Pro CX lídry z toho vyplývá střízlivý postup. Hlavní metrika zůstává uzavřená a srovnatelná. Konverzační vrstva se nasazuje cíleně na otázku „proč“, nejlépe u zákazníků, kteří dali nízké hodnocení. Hlas je nabídnut jako volba vedle textu, ideálně formou diktování. Pilot měří nejen hloubku odpovědí, ale i míru odpadnutí a přesnost přepisu podle segmentů. V EX se pak analýza emocí z hlasu nepoužívá vůbec.
Skutečná otázka proto nezní, zda nechat zákazníky mluvit. Zní, kde řeknou jejich vlastní slova víc než skóre, které firmě udělí, a zda je firma připravena těm slovům naslouchat dostatečně pečlivě.
