Voice-Agent
Ein Voice-Agent ist ein Computerprogramm, das ein gesprochenes Gespräch selbstständig führt: Es hört zu, versteht das Gesagte, antwortet mit einer künstlichen Stimme und kann dabei Aufgaben erledigen. Typische Einsatzorte sind Telefon-Hotlines, Bestellannahmen und Terminvergaben.
Ein Voice-Agent ist ein Programm, mit dem man sprechen kann wie mit einem Menschen am Telefon. Es nimmt den Anruf an, hört die Frage, antwortet mit einer künstlich erzeugten Stimme und stellt selbst Rückfragen. Anders als eine Bandansage mit Tastenwahl braucht es keine festen Menüs. Man sagt einfach, was man will, in eigenen Worten. Der Agent kann zusätzlich handeln: einen Termin eintragen, eine Bestellung aufnehmen, eine Adresse ändern. Genau dieses Handeln unterscheidet ihn von einem reinen Sprachassistenten, der nur Auskunft gibt.
Warum Unternehmen plötzlich auf Telefon-KI setzen
Telefonieren ist für Firmen teuer. Jeder Anruf bindet einen Menschen für mehrere Minuten. In Callcentern entstehen dadurch die größten Kostenblöcke überhaupt. Ein Voice-Agent kann tausende Gespräche gleichzeitig führen, rund um die Uhr, ohne Warteschleife.
Dazu kommt ein Qualitätsargument. Viele Anrufe sind reine Routine: Öffnungszeiten, Paketstatus, Terminverschiebung. Übernimmt die Maschine diese Fälle, bleibt für die Mitarbeiter mehr Zeit für schwierige Anliegen. Deshalb wird der Bereich an der Börse aufmerksam beobachtet. Firmen wie ElevenLabs oder Deepgram werden inzwischen mit Milliardenbeträgen bewertet.
Es gibt aber eine Kehrseite. Callcenter-Arbeit ist in Ländern wie Indien oder den Philippinen ein wichtiger Wirtschaftszweig. Wenn Voice-Agenten einfache Gespräche übernehmen, fallen dort Arbeitsplätze weg. Außerdem ärgern sich Kunden, wenn ein Agent nicht weiterhelfen kann und trotzdem nicht an einen Menschen weiterleitet.
Vom Schallsignal zur gesprochenen Antwort
Klassisch besteht ein Voice-Agent aus drei Bausteinen. Der erste wandelt gesprochene Sprache in Text um, das nennt man Spracherkennung. Der zweite Baustein ist ein Sprachmodell, also ein KI-System, das aus Text eine passende Antwort formuliert. Der dritte Baustein liest diese Antwort mit einer künstlichen Stimme vor. Diese Kette läuft bei jedem Satz erneut ab.
Die schwierigste Aufgabe ist das Timing. Ein Gespräch fühlt sich nur natürlich an, wenn die Antwort nach etwa einer halben Sekunde beginnt. Diese Verzögerung heißt Latenz. Der Agent muss außerdem erkennen, ob der Mensch fertig geredet hat oder nur kurz Luft holt. Fehlurteile führen zu dem typischen Effekt, dass sich beide Seiten ins Wort fallen.
Neuere Systeme sparen sich den Umweg über den Text. Sie verarbeiten Ton direkt und geben Ton direkt aus. Das ist schneller und erhält Zwischentöne wie Zögern oder Ironie. Damit ein Agent wirklich Aufgaben erledigt, wird er zusätzlich an Datenbanken und Kalender angeschlossen. Er darf dann in klar festgelegten Grenzen selbst Einträge lesen und schreiben.
Hotline, Drive-in und Zahnarztpraxis
Am häufigsten trifft man Voice-Agenten am Telefon von Firmen. Wenn eine Stimme nachfragt, statt Tastenmenüs vorzulesen, steckt meist ein solches System dahinter. Auch Arztpraxen und Handwerksbetriebe nutzen sie, um Anrufe außerhalb der Sprechzeiten anzunehmen. Bei einigen Fast-Food-Ketten nehmen sie in den USA Bestellungen an der Autoschalter-Spur auf.
Ein verwandter Begriff ist der Sprachassistent auf dem Handy oder Lautsprecher. Alexa und Siri gehören ursprünglich in diese ältere Kategorie: kurze Befehle, feste Fähigkeiten. Beide Hersteller bauen sie derzeit zu echten Voice-Agenten um, die längere Gespräche führen. Die Grenze verschwimmt also gerade.
In den Nachrichten tauchen Voice-Agenten oft im Zusammenhang mit Betrug auf. Dieselbe Technik erlaubt gefälschte Anrufe mit der geklonten Stimme eines Angehörigen. Verbraucherschützer empfehlen deshalb, bei Geldforderungen am Telefon zurückzurufen. Ein weiterer Streitpunkt ist die Kennzeichnung. In der EU verlangt der AI Act, das europäische KI-Gesetz, dass man erfährt, wenn man mit einer Maschine spricht.