Ein Agent, acht Branchen: Was an einem KI-Telefonassistenten wirklich austauschbar ist

Am Sonntagvormittag hat Julia unsere Testanrufe entgegengenommen. Julia arbeitet im Café Sonnenschein, einem Betrieb, den es nicht gibt. Sie weiß, wann das Café offen hat, was ein Stück Sachertorte kostet, und dass es Torten ohne Gluten gibt. Sie versteht „Habts es am Sunntag offen?“ und antwortet auf Hochdeutsch mit einer leichten Färbung. Zwischen dem letzten Wort des Anrufers und ihrem ersten vergehen im Mittel 1,9 Sekunden.

Am Sonntagabend hat Claudia angefangen. Claudia arbeitet im Maklerbüro Kranewitter, auch ein erfundener Betrieb. Sie nimmt Schadensmeldungen auf, sieben Fragen der Reihe nach, und sagt dem Anrufer zuerst, dass er bei Verletzten die Rettung unter 144 ruft. Sie kennt die Öffnungszeiten des Büros und weiß, wo auf einem Versicherungsbrief die Polizzennummer steht. Was sie nicht weiß, sagt sie: „Das kann ich Ihnen leider nicht sicher sagen.“

Zwischen Julia und Claudia liegen zwei Stunden Arbeit. Für Claudia selbst haben wir keine Zeile Programmcode geschrieben. Einmal gebaut haben wir nur, dass jeder Betrieb sein eigenes Profil bekommt. Warum das reicht, steckt in den 1,9 Sekunden.

Was in 1,9 Sekunden passiert

Ein Anruf an Julia läuft in vier Schritten ab, die sich überlappen.

Hören. Die Sprache des Anrufers wird laufend in Text verwandelt, während er noch spricht. Nach dem letzten Wort braucht das System rund 1,1 Sekunden, um sicher zu sein, dass der Satz zu Ende ist. Das ist die längste Einzelstrecke, und die, an der wir am meisten arbeiten. Spracherkennung und Stimme laufen bei einem Anbieter mit Rechenzentrum in der EU, der die Gespräche nicht speichert und ohne Erlaubnis nicht damit trainiert.

Verstehen und Nachschauen. Sobald die ersten Wortfetzen da sind, sucht Julia schon im Wissen des Betriebs. Bei „Habts es am Sunntag“ liegt die Antwort über die Öffnungszeiten meist bereit, bevor der Anrufer „offen?“ gesagt hat. Am 18. Oktober war die Suche in 62 Prozent der Fälle fertig, bevor der Satz zu Ende war.

Formulieren. Ein Sprachmodell baut aus Frage, Wissen und Rolle einen Antwortsatz. Das erste Wort steht nach rund einer halben Sekunde.

Sprechen. Die Stimme setzt ein, sobald der erste Satz steht, und spricht, während der Rest noch entsteht.

Vier Schritte, eine Antwort. Wer das einmal für ein Café gebaut und gemessen hat, hat es für die Versicherung, die Arztpraxis und das Hotel gleich mit gebaut. Keiner dieser vier Schritte weiß, in welchem Betrieb er gerade arbeitet.

Rahmen, Gedächtnis, Gesicht

Wir denken den Assistenten in drei Schichten.

Der Rahmen ist alles, was mit Zeit und Verhalten zu tun hat: Wann fängt sie an zu reden, wie hält sie eine Pause aus, wann unterbricht sie sich, wie schnell holt sie Wissen. Der Rahmen wird einmal gebaut und gemessen, dann gilt er für alle. Am 18. Oktober haben wir in zwölf Anrufen und 64 Textgesprächen drei Dinge am Rahmen verändert und jede Änderung einzeln geprüft. Das Ergebnis bekommt Claudia geschenkt, ohne dass jemand für die Versicherung noch einmal telefoniert.

Das Gedächtnis ist, was der Betrieb weiß und wie er Anliegen abarbeitet. Beides pflegt der Betrieb selbst im Dashboard: Dokumente hochladen, fertig. Der Gesprächsablauf ist eine Liste von Schritten, jeder Schritt ein Typ: ein fester Satz, eine freie KI-Antwort, oder eine Frage, die eine Angabe einsammelt. Das Café hat sieben Schritte für eine Reservierung, das Maklerbüro zehn für eine Schadensmeldung. Niemand hat dafür programmiert.

Das Gesicht ist, wer da spricht: Name, Anrede, Tonfall, die Sätze für „das weiß ich nicht“ und „kann ich mit wem Echten reden“, und die Stimme. Julia duzt, weil ein Café duzt. Claudia siezt. Beides steht als kurzer Text beim jeweiligen Betrieb, 570 Zeichen bei Claudia, und geht bei jedem Anruf mit.

Die Telefonnummer entscheidet, wer abhebt. Jede Nummer gehört zu einem Betrieb, jeder Betrieb hat sein Gedächtnis und sein Gesicht, und alle teilen sich den Rahmen.

Was ein zweiter Betrieb braucht

Für das Maklerbüro Kranewitter waren es am Sonntagabend diese Schritte:

1. Den Betrieb beschreiben. Name, Ort, Öffnungszeiten, Leistungen, zehn typische Anruferfragen. Und zwei Dinge, die der Betrieb bewusst nicht weiß, damit das ehrliche Nichtwissen geprüft werden kann. Bei Claudia: Preise. Sie nennt keine Zahl, die nicht im Wissen steht.
2. Die Rolle schreiben. Wer spricht, wie wird angeredet, was sagt sie, wenn sie nicht weiterweiß.
3. Den Ablauf klicken. Zehn Schritte für die Schadensmeldung, eine Verzweigung für Angebote.
4. Sechs Dokumente hochladen: Stammdaten, Fragen und Antworten, Leistungen, Ablauf, Eskalation, Rolle.
5. Sechzehn Testgespräche im Text führen lassen, ohne Telefon. Ein Durchlauf kostet rund einen Cent.
6. Die Abschriften blind lesen. Richtig? Natürlich? Dialekt verstanden?
7. Ein Anruf zur Abnahme.

Schritt sieben steht bei Claudia noch aus. Die ersten sechs haben zwei Stunden gedauert, und das Café hat davon nichts bemerkt: Wir prüfen nach jeder Änderung per Prüfsumme, dass der bestehende Betrieb unverändert ist.

Was heute noch für alle gleich ist

Zwei Dinge sind noch nicht austauschbar, und wir schreiben sie hin, weil ein Text, der das verschweigt, beim ersten Nachfragen zerfällt.

Die Stimme. Julia und Claudia sprechen heute mit derselben Stimme. Der Katalog hat Dutzende, die Auswahl je Betrieb ist eine Konfigurationszeile. Die Hörprobe, die entscheidet, welche Stimme zu einem Maklerbüro passt, haben wir noch nicht gemacht. Das ist Arbeit für die Ohren.

Die Denkpause. Wenn ein Anrufer sagt „Ich hätte gern …“ und zwei Sekunden überlegt, fängt der Assistent in einer unserer beiden Einstellungen an zu antworten. In der anderen wartet er brav, braucht dafür aber bei jedem dritten fertigen Satz drei Sekunden, weil er den Satz für unfertig hält. Wir haben am 18. Oktober 83 Gesprächszüge daraufhin ausgewertet und keine Einstellung gefunden, die beides kann. Das ist der Stand. Er gilt für Julia wie für Claudia, und wenn wir ihn lösen, ist er für beide gelöst. Genau deshalb lohnt sich die Messarbeit am Rahmen: Sie wird einmal gemacht.

Was ein Betrieb davon hat

Der Aufwand verteilt sich anders als bei einem Assistenten, der je Kunde gebaut wird. Der Rahmen kostet uns Wochen, einmal. Ein Betrieb kostet Tage: beschreiben, klicken, hochladen, lesen, ein Anruf. Jede Verbesserung am Rahmen, schnelleres Nachschauen, besseres Pausenverhalten, kommt bei allen an, ohne dass jemand nachbestellen muss.

Und eine Regel gilt für jeden Betrieb, egal welche Branche: Der Assistent unterstützt, er überwacht nicht. Er bewertet keine Mitarbeiter, er benotet keine Gespräche, er ordnet keinem Menschen zu, was ein Anrufer gesagt hat. Was er aufnimmt, geht an den Betrieb, und was er nicht weiß, sagt er.

Julia hat am Sonntag jeden unserer Testanrufe angenommen. Claudia hat 16 Gespräche im Text geführt. Als Nächstes kommt die Arztpraxis.