Sierra、音声・テキスト・ビジュアルを1つの会話に統合する「マルチモーダルエージェント」を発表
概要
Sierra AI, Inc. が、音声・テキスト・ビジュアルを1つの会話の中で組み合わせて使える「マルチモーダルエージェント」を発表しました。会話の内容に応じて、エージェントが音声での説明や比較表の表示、フォーム入力などの提示方法を自動的に切り替えます。表示するビジュアル部品は、各社が独自のMCP UI統合の仕組みを使って設計・ホストできるとしています。
何が起きたか
Sierra AI, Inc. は、音声・テキスト・ビジュアルを1つの会話の中で統合して使える「マルチモーダルエージェント」機能を発表しました。フライトの代替便を一覧で比較したり、座席表をタップで選んだりといった場面を例に、会話の流れに応じてエージェントが自動的に最適な提示方法へ切り替えると説明しています。表示するカードや比較表、フォームなどの視覚コンポーネントは、同社のMCP UI統合の仕組みを使って各社が独自に設計・ホストでき、一度作れば全チャネルで使い回せるとしています。
選定にとっての意味
これまで音声対応のAIエージェントは、座席表や比較一覧のように『見て選ぶ』作業には不向きで、電話中心にするかチャット中心にするかは選定時の実質的な分岐点になっていました。Sierraはこの分岐点そのものを、単一の会話の中で音声とビジュアルを行き来する形に統合すると発表しています。電話中心の業務でも画面表示を併用する運用が現実的になるかどうかは、音声特化・チャット特化で製品を選び分けてきた企業にとって、比較軸を見直す材料になります。
見るべき点
表示する視覚コンポーネントを各社が自前で設計・ホストする必要がある点が、導入の実質的なハードルになります。どの業種・チャネルで先行して使われるか、また音声からビジュアルへの切り替えが実際の通話でどれだけ自然に行われるかは、公表資料だけでなく運用実績を見て確かめる必要があります。