Voice-Agent
Ein Voice-Agent ist ein KI-System, das in Echtzeit ein gesprochenes Gespräch führt, am Telefon oder in einer App. Es versteht, was eine Person sagt, entscheidet, was zu tun ist, führt Aktionen in anderen Systemen aus und antwortet mit einer synthetischen Stimme.
Was ist ein Voice-Agent?
Ein Voice-Agent ist ein KI-Agent, der über Sprache arbeitet und deshalb schnell genug antworten muss, damit es sich wie ein Gespräch anfühlt. Ein klassisches Telefonmenü (IVR) bittet Sie, die 1 zu drücken oder „Rechnung“ zu sagen. Ein Voice-Agent versteht frei gesprochene Sprache, behält den Kontext und kann handeln: einen Termin buchen, eine Bestellung prüfen oder einen CRM-Eintrag aktualisieren.
Typische Einsätze sind Anrufannahme außerhalb der Geschäftszeiten, Lead-Qualifizierung, Terminbestätigungen und First-Level-Support mit Übergabe an einen Menschen. Er ist das gesprochene Gegenstück zu einem KI-Chatbot.
Wie funktioniert ein Voice-Agent?
Es gibt zwei Hauptansätze: eine Kette aus Speech-to-Text, Sprachmodell und Text-to-Speech oder ein einziges Speech-to-Speech-Modell. Vapi beschreibt den verketteten Ansatz in drei Teilen: einen Transcriber, der Sprache in Text umwandelt, ein Large Language Model, das Antworten erzeugt, und eine Stimme, die diese Antworten wieder in Sprache umwandelt.
Die OpenAI Realtime API geht den zweiten Weg. Das Modell arbeitet direkt mit Audio, behält den Gesprächszustand und kann Tools aufrufen, per WebRTC im Browser oder per WebSocket auf einem Server. In beiden Fällen braucht ein funktionierender Agent außerdem:
Sprecherwechsel: erkennen, wann der Anrufer fertig ist, und mit Unterbrechungen umgehen.
Tools: APIs für Kalender, CRMs und Bestellsysteme.
Telefonie: eine Telefonnummer und Anrufweiterleitung.
Übergabe: Weiterleitung an einen Menschen, mit Zusammenfassung.
Zu den Plattformen gehören Vapi, Retell AI und ElevenAgents von ElevenLabs.
Wie sieht ein Voice-Agent in der Praxis aus?
Beginnen Sie mit einer eng umrissenen Art von Anruf, bei der sich Erfolg leicht prüfen lässt. Stellen Sie sich eine Zahnarztgruppe mit sechs Praxen vor, die mittags und nach 18 Uhr viele Anrufe verpasst.
Das Team wählt eine Aufgabe: Kontrolltermine buchen, verschieben und absagen.
Der Voice-Agent wird über die API mit dem Buchungssystem verbunden, sodass er freie Termine lesen und Buchungen anlegen kann.
Er sagt zu Beginn, dass er ein KI-Assistent ist, und leitet Schmerzen, Notfälle und Abrechnungsfragen an die Rezeption weiter.
Das Personal prüft jede Woche 50 Anruftranskripte und ergänzt neue Formulierungen und Sonderfälle in seinen Anweisungen.
Angenommen, die meisten Buchungsanrufe nach Feierabend werden nun vollständig erledigt. Die Rezeption beginnt den Tag mit einer kurzen Rückrufliste statt mit einer vollen Mailbox.
Welche Risiken haben Voice-Agents?
Verzögerungen, Verhören und unklare Offenlegung verursachen die meisten Fehler von Voice-Agents.
Verzögerung: Lange Pausen lassen einen Anruf defekt wirken. Testen Sie über echte Telefonleitungen, nicht nur im Büro-WLAN.
Verhören: Namen, Adressen und Zahlen sollten wiederholt und bestätigt werden.
Erfundene Antworten: Der Agent darf keine Preise oder Regeln erfinden. Stützen Sie ihn auf freigegebene Quellen und nutzen Sie KI-Guardrails.
Offenlegung: Artikel 50 der KI-Verordnung der EU verpflichtet Anbieter, KI-Systeme, die mit Menschen interagieren, so zu gestalten, dass diese Menschen darüber informiert werden, dass sie mit einer KI zu tun haben, es sei denn, das ist aus dem Kontext offensichtlich. Andere Märkte haben eigene Regeln für automatisierte Anrufe.
Datenschutz: Anrufaufzeichnungen und Transkripte sind personenbezogene Daten.
Worin unterscheidet sich ein Voice-Agent von einem IVR und einem Chatbot?
Ein IVR folgt einem festen Menü, ein Chatbot arbeitet mit Text, und ein Voice-Agent verarbeitet frei gesprochene Sprache in Echtzeit. IVRs sind berechenbar und günstig, aber frustrierend, wenn das Anliegen des Anrufers nicht im Menü steht.
Chatbots dürfen sich für eine Antwort ein paar Sekunden Zeit nehmen; Voice-Agents müssen den Rhythmus eines Gesprächs halten, daher tauschen Teams oft etwas Modellgröße gegen Geschwindigkeit. Sprache hat zudem keinen Bildschirm, also müssen Antworten kurz und Bestätigungen ausdrücklich sein.
Viele Teams betreiben dieselbe KI-Agenten-Logik hinter Chat und Sprache, mit unterschiedlichen Anweisungen pro Kanal. Beide stützen sich auf Natural Language Processing, um zu verstehen, was Menschen meinen.
Voice-Agent vs. IVR-Telefonmenü
Voice-Agent | IVR-Telefonmenü | |
|---|---|---|
Eingabe | Frei gesprochene Sprache | Tastendruck oder feste Begriffe |
Flexibilität | Bearbeitet unterschiedliche Anliegen im eigenen Rahmen | Nur die Menüoptionen |
Aktionen | Ruft APIs auf, um zu buchen, zu prüfen oder zu aktualisieren | Leitet Anrufe weiter und liest feste Daten vor |
Einrichtung | Anweisungen, Tools und Tests mit echten Anrufen | Menüdesign und Anrufweiterleitung |
Hauptrisiko | Falsche Antworten und Verzögerungen | Frust beim Anrufer und Abbrüche |
Wie geht Vizio AI an Voice-Agents heran?
Die veröffentlichten Projekte von Vizio AI umfassen kein Voice-Agent-Projekt. Es gelten dieselben Regeln wie für jeden KI-Agenten: eine eng umrissene erste Aufgabe, klare Übergaben und regelmäßige Prüfung echter Gespräche.
Ihr erster Schritt: Werten Sie die Anrufprotokolle eines Monats aus, gruppieren Sie die Anrufe nach Anlass und wählen Sie einen Anlass, der häufig, einfach und risikoarm ist.