Å snakke med en KI mens den arbeider: problemet ligger i stillheten

Jeg er ikke fornøyd med stemmeløsningene jeg bruker. Jeg vil kunne snakke med agentene mine, også fra mobilen, mens de arbeider med ulike oppgaver og prosjekter. Én ting er å svare på et enkelt spørsmål. Noe annet er å håndtere en forespørsel som krever at systemet henter frem sammenhengen, undersøker informasjon og tenker, mens vi fortsetter å snakke.

Det er da stillheten oppstår. Og frasene som forsøker å fylle den: «et øyeblikk», «med en gang», «jeg jobber med saken». Det holder ikke for meg at stemmen høres naturlig ut. Jeg vil at samtalen fortsatt skal være nyttig når systemet har arbeid som gjenstår, og at det lytter når jeg trenger å korrigere det.

Når jeg snakker med Hermes på datamaskinen, fungerer det bra. Jeg sikter til Hermes Agent fra Nous Research.[24] Men hvis jeg bytter økt, fungerer byttet noen ganger og andre ganger ikke. Slik jeg bruker løsningen, fungerer samtalen bare foran datamaskinen, ikke på mobilen. For å koble den til mobilen bruker jeg Hermes Conduit, en gratis klient med åpen kildekode for iPhone og iPad som kobler seg til din egen Hermes-installasjon.[25] Jeg opplever mange feil når jeg bruker den: Noen ganger sender den ikke meldingen, forbindelsen brytes, eller den kobler seg ikke til. Dette er min erfaring med dette oppsettet, ikke en generell vurdering av produktene.

Tiden mellom to setninger

En menneskelig samtale har en krevende rytme. En studie av spørsmål og svar på ti språk fant et gjennomsnittlig opphold på 208 millisekunder mellom taleturene: omtrent to tideler av et sekund. Det er en beskrivende referanse, med variasjoner mellom kulturer og etter hva slags svar som gis; det er ikke et krav om å besvare ethvert spørsmål på så kort tid.[1]

KI-en må håndtere flere ting før den svarer. Først må den motta lyden. Deretter må den avgjøre om vi er ferdige. En pause for å lete etter et ord kan ligne på slutten av en setning. Venter den for lenge, virker den treg; er den for rask, avbryter den oss.

I mange systemer følger så en kjede med tre trinn: å transkribere talen, utforme et svar med en språkmodell og gjøre svaret om til lyd igjen. Noe av arbeidet kan gjøres mens vi snakker. Men nettverket, behandlingen og avspillingen tar fortsatt tid.[2]

Modeller som behandler tale direkte, reduserer skillet mellom disse delene. For Moshi, som Kyutai presenterte i 2024, ble det oppgitt en praktisk forsinkelse på 200 millisekunder under deres forsøksbetingelser. Det betyr ikke at modellen kan behandle en sak eller fullføre et søk på to tideler av et sekund.[3]

For å vurdere om dette er nyttig for meg, må jeg skille mellom tre tidspunkter: når maskinen bekrefter at den har mottatt forespørselen, når den gir den første nyttige informasjonen, og når den fullfører oppgaven. Et umiddelbart «jeg ser på det» forbedrer det første. De to andre gjenstår.

En tilgjengelig stemme mens en annen komponent arbeider

Ideen om en resepsjonist og en som utfører arbeidet, gjør det lettere å forstå en løsning som allerede finnes. Én komponent lytter, avklarer og samtaler; en annen tar seg av det som krever mer tid. Det trenger ikke å være to leverandører eller to personligheter: Det holder å skille ansvarsområdene.

OpenAI dokumenterer denne arbeidsdelingen i GPT-Live, som har vært allment tilgjengelig i selskapets API siden september 2026. Samtalen kan fortsette mens en modell eller agent i bakgrunnen bruker verktøy. Applikasjonen avgjør om dette arbeidet fortsetter når brukeren avbryter.[4][5]

LiveKit publiserer også et mønster for delegering til en underagent. Dokumentasjonen peker på helt konkrete farer: at samtalepartneren improviserer et svar før resultatet er kommet, eller at den senere ikke formidler resultatet korrekt.[6]

Resepsjonisten må vite hva som skjer. Hvis den utførende komponenten fortsatt arbeider med den forrige oppgaven og vi bytter prosjekt, kan svaret som kommer, være riktig for et spørsmål vi ikke lenger stiller.

På et advokatkontor er dette lett å forstå. Den som tar telefonen, kan holde klienten orientert mens en annen undersøker saken. Men vedkommende må skille mellom «jeg har bedt om det», «de undersøker det» og «det er nå kontrollert». KI-en trenger den samme disiplinen.

«Et øyeblikk» hjelper, inntil det ikke lenger gjør det

Fyllfrasene er ikke tilfeldige. ElevenLabs lar utvikleren konfigurere en frase som brukes når svaret lar vente på seg. Den 15. oktober varslet OpenAI flere korte uttrykk under søk i stemmemodusen.[7][8]

Forskningen gir et nyansert svar. En studie fra 2025 med 54 deltakere og agenter i virtuell virkelighet fant at kombinasjonen av gester og muntlige uttrykk forbedret opplevelsen av ventetiden, uten statistisk signifikante forbedringer i de øvrige overordnede målene som ble undersøkt. Studien isolerte ikke effekten av stemmen alene.[9]

Det nyttige skillet går mellom å holde brukeren orientert og å skape et inntrykk. «Vi venter fortsatt på svar på forespørselen» beskriver en situasjon, hvis systemet kjenner den. «Det er nesten ferdig» forutsetter at det vet at det faktisk er lite som gjenstår. Ventemusikk eller lyden av et tastatur dokumenterer ingen aktivitet.

Vi bør heller ikke forveksle det å «tenke høyt» med å gi innsyn i det som foregår inne i modellen. I arbeid er en kort forklaring av neste steg og hindringen som er oppstått, ofte mer nyttig enn en løpende fortelling om antatte tanker.

Å avbryte stemmen stanser ikke alltid handlingen

«Ja, jeg følger med» og «nei, stopp» kan begge bli sagt mens KI-en snakker, men de har ulike funksjoner. Det første følger opp samtalen; det andre forsøker å endre det som skjer. En detektor som bare reagerer på lyd, kan forveksle dem.

Derfor kombineres taledeteksjon, tolkning av når en taletur er over, og systemer som kan lytte mens de snakker. Den siste evnen kalles full-duplex. Det er et viktig fremskritt, men det garanterer ikke at hver pause eller korrigering blir forstått riktig.[3][10]

Det er dessuten flere ting som kan måtte stanses: lyden som ennå ikke er spilt av, svaret som er under generering, og det eksterne arbeidet. Deepgram advarer uttrykkelig om at det å forkaste et svar ikke omgjør en operasjon som det eksterne systemet allerede har utført.[11]

Tenk deg en beskjed om å sende noe, fulgt av «vent, ikke til den mottakeren». At KI-en tier, viser ikke at sendingen er avbrutt. Det riktige svaret avhenger av den faktiske statusen: stanset i tide, allerede utført eller ennå ikke bekreftet.

Kriteriet mitt er enkelt: Først skal den tie og lytte. Deretter skal den, ut fra det jeg sier, stanse oppgaven eller fortsette. Å avbryte en forklaring for å legge til en opplysning er ikke det samme som å kansellere oppdraget. Jeg vil heller ikke måtte vente til den er ferdig med å snakke, før jeg kan avklare det.

For å følge dette kriteriet må systemet kjenne statusen til hver oppgave: ventende, under utførelse, fullført eller med et resultat som ennå ikke er bekreftet. Denne informasjonen må nå frem til den som fører samtalen. Som advarselen fra Deepgram viser, kan den ikke svare «kansellert» bare fordi den har sluttet å snakke; den må kontrollere hva som kunne stanses, og hva som allerede skjedde.[11]

Hva produktene allerede tilbyr

I oktober 2026 går tilbudet langt utover å diktere og høre et svar. ChatGPT dokumenterer samtidig samtale og delegering; Google presenterer Gemini 3.8 Live med resonnering og verktøybruk i parallell. Claude tilbyr stemme med verktøy på nett, datamaskin og mobil, fortsatt i beta.[8][10][12][13]

Alexa+ retter seg mot samtaler og hverdagshandlinger; Amazon tilbyr fortsatt tidlig tilgang i Spania. Siri AI kom i beta i september, med venteliste og begrensninger etter enhet, region og språk. Kunngjøringer om utvidelser må ikke forveksles med funksjoner som er tilgjengelige for alle.[14][15]

OpenAI dokumenterer også anrop til sine Dots: Man kan snakke med agenten om arbeidet dens og legge på uten at arbeidet dermed må stanse.[16]

Etter min erfaring fungerer Dot i ChatGPT bedre. Men jeg finner få stemmer å velge mellom, jeg må ringe, og ofte svarer den ikke. Og dessuten er det ChatGPT: Det er ikke mine agenter. Den forskjellen betyr noe for det jeg er ute etter. Jeg vil snakke med botene jeg har gitt ulike oppgaver og prosjekter, ikke bare vurdere om en enkelt samtale er behagelig.

Det jeg forteller om Hermes, forbindelsen til mobilen og Dot, er min erfaring som bruker. Egenskapene produsentene beskriver, gir innsikt i tilbudet, men gjør ikke erfaringen min til en objektiv sammenligning. Det ville kreve testing med de samme oppgavene, det samme språket, den samme forbindelsen og de samme avbrytelsene. En behagelig demonstrasjon dokumenterer heller ikke at systemet håndterer flere prosjekter godt eller formidler alle resultatene sine.

Samtalen har også juridiske rammer

Jo mer menneskelig en stemme høres ut, desto viktigere blir det å vite hvem som svarer. I EU pålegger artikkel 50 i KI-forordningen leverandøren å utforme slike systemer slik at brukeren får vite at vedkommende samhandler med KI, med unntak for tilfeller der dette er åpenbart i den sammenhengen bestemmelsen beskriver. Informasjonen skal gis senest når samhandlingen begynner. Denne plikten gjelder fra 2. august 2026.[17][18]

For Norge trengs en presisering. I august arbeidet regjeringen fortsatt med å innlemme forordningen og tok sikte på å fremme loven våren 2027. Denne intensjonen dokumenterer ikke at regelverket har trådt i kraft i Norge. Den utelukker heller ikke at visse aktiviteter i et norsk selskap kan falle inn under det europeiske regelverkets geografiske virkeområde.[19][20]

Å opplyse om at det er en KI som snakker, gir ikke automatisk adgang til å gjøre opptak. Etter personvernforordningen må behandlingsgrunnlaget, formålet, informasjonen til den registrerte og lagringstiden avklares. Samtykke kan være nødvendig etter omstendighetene; det er ikke det eneste mulige grunnlaget for enhver behandling av stemmedata.[21]

Opptaket kan inneholde personopplysninger og avsløre opplysninger med særskilt vern. Det betyr ikke at ethvert opptak omfattes av særreglene for biometriske opplysninger: Det avgjørende er om stemmen gjennomgår en særskilt teknisk behandling med sikte på entydig å identifisere eller autentisere en person.[21][22]

På et advokatkontor kommer taushetsplikten i tillegg. Man må vite hvem som mottar lyd og transkripsjoner, hva de lagrer, hvilke tredjeparter de bruker, og hvilke garantier som gjelder. CCBE understreker i sin tekniske veileder behovet for å undersøke disse dataflytene og avtalene. «Vi bruker ikke dataene dine til trening» besvarer ikke alene alle disse spørsmålene.[23]

Det som gjenstår å løse

Derfor lager jeg min egen løsning: en intern app som kobler seg til datamaskinen, slik at jeg kan snakke med de fem viktigste botene mine. Hver av dem har en bestemt stemme og personlighet og tar seg av ulike oppgaver og prosjekter. Det er dette systemet jeg bygger; jeg sier ikke at problemene med forbindelse, ventetid eller avbrytelser allerede er løst.

Det jeg krever av løsningen, er å kunne fullføre en setning, fortsette samtalen mens arbeid gjenstår, og få korrekt informasjon om dette arbeidet. Hvis jeg avbryter, skal den først tie og lytte; deretter skal den, ut fra det jeg sier, avgjøre om den skal stanse eller fortsette. For å gjøre det må den skille mellom det den allerede har gjort, og det den bare har forsøkt.

Undersøkelsen bidrar til å presisere disse kravene. Den garanterer ikke at appen min vil oppfylle dem bedre. Men den gjør det tydelig hva jeg vil kontrollere: at jeg kan snakke med agentene mine, beholde kontrollen over oppgavene og forstå hva som skjer når svaret lar vente på seg.