Voice-Bot

Ein Voice-Bot ist ein Programm, mit dem man sprechen kann wie mit einem Menschen. Man sagt einen Satz, das Programm versteht ihn und antwortet mit einer künstlich erzeugten Stimme. Am häufigsten begegnet man solchen Programmen am Telefon, etwa bei der Hotline einer Bank oder einer Krankenkasse. Der Unterschied zu den alten Telefonmenüs ist groß: Früher musste man Tasten drücken oder starre Stichwörter sagen, heute darf man frei formulieren. Ein Voice-Bot ist damit im Kern ein Chatprogramm, dem man Ohren und eine Stimme gegeben hat. Er tippt nicht, er hört zu und redet.

Warum Unternehmen ihre Hotline an Software übergeben

Telefonberatung ist teuer. Ein Gespräch mit einem Menschen im Callcenter kostet je nach Land und Anliegen mehrere Euro. Ein sehr großer Teil dieser Anrufe dreht sich um immer dieselben Fragen. Wo ist mein Paket? Wie ändere ich meine Adresse? Wann kommt der Techniker? Genau solche Standardfälle kann ein Voice-Bot rund um die Uhr abwickeln, auch nachts und an Feiertagen.

Für Anrufer bedeutet das zunächst kürzere Wartezeiten. Es bedeutet aber auch eine neue Art von Frust, wenn das Anliegen nicht ins Schema passt. Viele Menschen versuchen dann, den Bot zu umgehen, indem sie immer wieder „Mitarbeiter“ sagen. Gute Systeme erkennen diesen Wunsch und leiten weiter. Schlechte Systeme drehen sich im Kreis und ärgern genau die Kunden, die ein echtes Problem haben.

Wirtschaftlich ist das Thema deshalb spannend, weil es um viele Arbeitsplätze geht. Callcenter beschäftigen weltweit Millionen Menschen. Wenn Software einen Teil dieser Gespräche übernimmt, verschiebt sich die Arbeit: Menschen bearbeiten dann vor allem die schwierigen und emotionalen Fälle. Deshalb tauchen Voice-Bots regelmäßig in Wirtschaftsnachrichten und Quartalsberichten auf.

Vom Schall zur Antwort und zurück

Ein Voice-Bot besteht aus drei hintereinandergeschalteten Teilen. Der erste Teil ist die Spracherkennung. Sie verwandelt die Schallwellen aus dem Mikrofon in geschriebenen Text. Der zweite Teil ist das eigentliche Sprachmodell, also ein Programm, das aus riesigen Textmengen gelernt hat, sinnvolle Antworten zu formulieren. Der dritte Teil ist die Sprachsynthese, die den Antworttext wieder in hörbare Sprache umwandelt.

Zwischen Schritt zwei und der Antwort steckt meist noch ein Zugriff auf Datenbanken des Unternehmens. Ohne diesen Zugriff könnte der Bot nichts über deine Bestellung wissen. Er darf auch nicht frei fantasieren, sondern soll sich an hinterlegte Regeln halten. Fachleute nennen es Halluzination, wenn ein Sprachmodell Dinge erfindet, die plausibel klingen, aber falsch sind. Bei einer Hotline wäre das besonders unangenehm, etwa bei einer erfundenen Kündigungsfrist.

Die größte technische Hürde ist die Zeit. Ein Telefongespräch wirkt nur natürlich, wenn die Antwort nach etwa einer halben Sekunde kommt. Alle drei Schritte müssen also sehr schnell ablaufen. Moderne Systeme fangen deshalb schon an zu antworten, bevor der Satz fertig verarbeitet ist. Ebenso schwierig ist das Unterbrechen: Der Bot muss merken, wenn der Anrufer dazwischenredet, und dann sofort still sein.

Vom Küchenlautsprecher bis zur Betrugsmasche

Die bekanntesten Vertreter stehen in Wohnzimmern und Küchen. Alexa, Siri und der Google Assistant sind Voice-Bots, auch wenn sie meist Sprachassistenten genannt werden. Sie beantworten kurze Fragen, stellen Wecker und steuern Lampen. Ihre Gesprächsfähigkeit war lange begrenzt, wird aber gerade durch moderne Sprachmodelle deutlich erweitert.

Im Berufsleben findet man Voice-Bots in Arztpraxen, die Termine annehmen, und in Autowerkstätten, die Rückrufe verwalten. Auch im Auto selbst steckt oft ein solches System. In der Ausbildung nutzen manche Firmen Voice-Bots als Trainingspartner für Verkaufsgespräche.

Es gibt eine dunkle Seite. Stimmen lassen sich heute aus wenigen Sekunden Aufnahme nachbauen. Betrüger rufen damit Angehörige an und geben sich als Verwandte in Not aus. Deshalb wird diskutiert, ob Bots am Telefon offenlegen müssen, dass sie keine Menschen sind. Der AI Act der Europäischen Union verlangt genau eine solche Kennzeichnung für Systeme, die direkt mit Menschen interagieren.