Conversational KI-Design: So gestalten Sie menschlichere Nutzererlebnisse

Conversational AI Design bedeutete früher, einen Entscheidungsbaum zu erstellen. Frühe Chatbots und IVR-Menüs arbeiteten mit starren, vorgegebenen Verzweigungen: Drücken Sie 1 für Abrechnung, sagen Sie „Ja“ oder „Nein“ und hoffen Sie, dass die Frage des Kunden einem der vorgesehenen Wege entsprach. Dieses Modell funktionierte nur, solange das Gespräch innerhalb dessen blieb, was Sie bereits aufgebaut hatten.

KI-Agenten haben diese Einschränkung aufgehoben. Sie können Gespräche jetzt in Echtzeit analysieren, auf eine Wissensdatenbank zugreifen, Tools aufrufen und sich an bereits Gesagtes erinnern. Damit sind sie nicht mehr auf ein festes Skript beschränkt.

Diese Veränderung hat den Bedarf an Conversational AI Design jedoch nicht beseitigt. Im Gegenteil: Die Anforderungen sind gestiegen. Ohne ein starres Skript als Grundlage müssen Persona, Workflow und Entscheidungspunkte eines Agenten gut genug definiert sein, um in einem offenen Echtzeitgespräch statt in einem vorherbestimmten Ablauf zu bestehen.

Dieser Leitfaden erläutert, was Conversational AI Design für Chat- und Sprachagenten konkret bedeutet, warum es für die Kennzahlen wichtig ist, an denen Sie bereits gemessen werden, und was Sie optimieren müssen, damit es natürlicher wirkt. Wenn Sie es richtig umsetzen, können Sie KI-Agenten einsetzen, die Kunden erreichen und schnelleren, besseren Service bieten.

Zusammenfassung

• Conversational AI Design beschreibt, wie die Kommunikation eines KI-Agenten strukturiert und optimiert wird, damit sich ein Gespräch natürlich anfühlt.
• Voice AI ist weniger nachsichtig als Text: Probleme mit Stimme, Latenz und Timing, die in einer Chat-Oberfläche unbemerkt bleiben, können ein Sprachgespräch roboterhaft wirken lassen.
• ElevenAgents ermöglicht menschenähnliche KI-Sprach- und Chat-Agenten mit Funktionen, mit denen Sie Stimme, Persona und Gesprächsfluss steuern und die Latenz über alle Kanäle hinweg optimieren können.

Was ist Conversational AI Design?

Conversational AI Design ist die UX-Praxis, das Verhalten eines KI-Agenten zu konfigurieren. Dazu gehört alles – von seiner Persona bis zu den Guardrails, Workflows und Wissensdatenbanken, auf die er zurückgreift. Alles arbeitet zusammen, damit sich das Gespräch so ausgereift anfühlt wie jeder andere Teil des Produkterlebnisses.

Diese Konfiguration sieht jedoch nicht überall gleich aus. Agenten können mit einer einzigen Konfiguration über mehrere Kanäle laufen, etwa Chat, Sprache oder SMS. Jeder Kanal hat eigene Einschränkungen, bei Sprache sind sie jedoch am strengsten. Ist Sprache einer der Kanäle eines Agenten, muss er eine Stimme auswählen und ausgeben, Tempo und Sprecherwechsel in Echtzeit steuern und antworten, bevor eine Pause wie ein Verbindungsabbruch wirkt. Anders als im Chat ist nichts davon optional, denn dort unterbricht eine etwas langsame oder unvollkommene Antwort die Interaktion selten.

Das sollten Sie bei der Umsetzung von Conversational AI-Design für einen Chat-Agenten beachten – und das kommt bei Sprache noch hinzu.

Kunden bewerten diese Faktoren nicht bewusst einzeln. Sie merken nur, wenn etwas nicht stimmt. Dieses Gefühl reicht aus, um das Vertrauen in den Agenten insgesamt zu untergraben und die Ziele zu gefährden, für die Sie ihn ursprünglich eingesetzt haben.

Warum Conversational AI Design für eine gute Nutzererfahrung wichtig ist

Jeder der oben genannten Faktoren – von Sprecherwechseln über Latenz bis zur Persona – beeinflusst, wie Kunden Ihre Marke in einem entscheidenden Moment wahrnehmen. Dieser Moment kann sie zu Fürsprechern oder Kritikern machen. Diese Wahrnehmung zeigt sich direkt in den Kennzahlen, an denen Teams gemessen werden.

• Höhere Zufriedenheits- und Lösungsquoten: Kunden bewerten eine Interaktion besser, wenn der Agent schnell antwortet und sie nicht ungeschickt unterbricht.
• Weniger Abbrüche: Kunden brechen Gespräche nicht nur wegen langer Wartezeiten ab. Eine Ausführung, die Erwartungen nicht erfüllt – etwa eine unangenehme Pause im Anruf oder eine steife, nicht zur Marke passende Chat-Antwort –, kann denselben Impuls auslösen, das Gespräch zu beenden.
• Schnellere Lösungszeit: Klare Einstellungen für den Gesprächsfluss und gut abgebildete Workflows bedeuten weniger Sackgassen, wiederholte Fragen und Momente wie „Ich verbinde Sie weiter“.
• Weniger Eskalationen an menschliche Agenten: Wenn ein Agent den Gesprächsfluss natürlich steuert und einem definierten Workflow folgt, löst er mehr Anliegen beim ersten Versuch, statt Kunden so zu verwirren, dass sie nach einer Person fragen.

Betrachten Sie zum Beispiel eDreams ODIGEO, eine der weltweit größten Online-Reiseplattformen. Das Unternehmen setzte KI-Agenten mit ElevenAgents in fünf Kernsprachen ein und erzielte eine zweistellige Verbesserung der Lösungsgeschwindigkeit sowie eine zweistellige Reduzierung der Weiterleitungsquote bei Anrufen. Gründe dafür waren unter anderem Sprachsynthese mit geringer Latenz und eine präzisere Intent-Erkennung zu Beginn jedes Anrufs. Solche Ergebnisse hängen von vielen Faktoren ab, die über das Gesprächsdesign hinausgehen. Sie zeigen jedoch, was gutes Conversational AI Design ermöglichen kann.

So funktioniert Conversational AI Design in ElevenAgents

In ElevenAgents können Sie Persona, Stimme, Sprecherwechsel, Übergaben und Latenz optimieren – genau die Faktoren, die darüber entscheiden, ob ein Agent menschlich wirkt. So konfigurieren und optimieren Sie jeden davon, damit Ihr Agent seinen Teil eines echten Gesprächs zuverlässig erfüllt.

Persona und Stimmauswahl

Die Persona prägt den ersten Eindruck des Kunden. Eine unpassende Persona untergräbt Vertrauen, bevor das Gespräch überhaupt beginnt. Eine für eine freundliche Einzelhandelsmarke zu steife Persona lässt Kunden am Agenten zweifeln, bevor er etwas Nützliches gesagt hat. Beginnen Sie mit der Gestaltung im System Prompt. Dort definieren Sie Rolle, Persönlichkeit und Guardrails des Agenten, bevor Sie etwas anderes konfigurieren.

Bei Sprachagenten muss diese Persona auch durch die Stimme vermittelt werden. Eine für ein Finanzgespräch zu lockere Stimme sendet dasselbe Signal wie eine unpassende Persona im Text. Daher gehört die Stimmauswahl zur selben Aufgabe. Hier sollten Sie beginnen:

• Stimmauswahl: Stimmen Sie die Stimme auf Ihre Marke, Zielgruppe und das Thema ab. Akzent, Geschlecht und Tonfall schaffen Vertrauen bei Anrufenden und prägen den Ton des Gesprächs.
• Mehrsprachige Unterstützung: Wählen Sie für jede unterstützte Sprache eine eigene Stimme, statt kanalübergreifend nur eine Stimme zu verwenden. Eine Stimme, die für mehrere Sprachen erzwungen wird, klingt in mindestens einer davon meist fremd und schwächt so das Vertrauen, das Sie aufbauen möchten.

ElevenAgents gibt Ihnen Zugriff auf mehr als 11.000 Stimmen in der Stimmbibliothek, durchsuchbar nach Akzent, Charakter und Anwendungsfall. Sie beginnen daher selten bei null. Passt keine davon, haben Sie zwei weitere Optionen: Klonen Sie eine bestehende Stimme anhand einer kurzen Audioaufnahme oder entwerfen Sie eine von Grund auf mit einem Text Prompt, der gewünschtes Alter, Akzent, Tonfall und Sprechtempo beschreibt.

Einstellungen für den Gesprächsfluss

Bei Sprache läuft ein Gespräch nach dem engsten Zeitplan. Anders als im Chat, wo eine Pause nur Leerraum ist, wirkt eine Unterbrechung des Gesprächsrhythmus in einem Anruf sofort wie Stille oder ein Verbindungsabbruch. Dieser Rhythmus ist der wichtigste Hebel, damit ein Sprachagent wie ein natürlicher Gesprächsteilnehmer wirkt. Er beginnt mit dem Modell für Sprecherwechsel selbst.

Das Modell für Sprecherwechsel von ElevenLabs ist ein forschungsgestütztes System, das erkennt, ob ein Sprecher tatsächlich fertig gesprochen hat oder nur pausiert. So kann es bestimmen, wann ein Agent antworten sollte, statt anhand einer festen Verzögerung zu raten.

Zusätzlich können Sie folgende Einstellungen anpassen, um den Gesprächsfluss richtig einzustellen:

• Turn timeout: Wie lange der Agent in Stille wartet, bevor er antwortet, damit er nicht eingreift, während der Kunde noch nachdenkt, oder ihn warten lässt, nachdem er fertig ist. 
• Soft timeout: Eine kurze Überbrückungsphrase, die der Agent während einer Verarbeitungspause verwendet, etwa „Einen Moment bitte“ oder „Ich schaue nach“. So glauben Kunden nicht, dass die Verbindung abgebrochen ist. Vermeiden Sie Füllphrasen mit konkreten Zeitangaben wie „eine Sekunde“, da die tatsächlichen Antwortzeiten variieren.
• Unterbrechungen: Ob der Agent aufhört zu sprechen, wenn der Kunde ihm ins Wort fällt. Aktivieren Sie dies für einen natürlichen Austausch. Deaktivieren Sie es, wenn die vollständige Wiedergabe entscheidend ist, etwa bei rechtlichen Hinweisen, Sicherheitsanweisungen und allem, was vollständig gehört werden muss.
• Turn eagerness: Wie schnell der Agent antwortet, nachdem der Kunde aufgehört hat zu sprechen. „Eager“ eignet sich für den Kundenservice, wo schnelle Antworten besonders wichtig sind. „Patient“ eignet sich am besten zum Erfassen von Kundendaten wie Telefonnummer oder E-Mail-Adresse, damit der Agent den Kunden nicht mitten in einer Ziffer unterbricht. „Normal“ ist ein guter Standard für allgemeine Gespräche.

Kleine Anpassungen können hier viel bewirken. Schon eine geringfügige Änderung des Timeouts kann den Unterschied zwischen einem aufmerksamen Agenten und einem Agenten ausmachen, der Menschen ständig unterbricht. 

Workflow-, Übergabe- und Skriptdesign

Workflows setzen einen großen Teil des Conversational AI Designs in ElevenAgents praktisch um. Sie definieren, was wann passiert: Entscheidungspunkte, Eskalationspfade, Übergaben – alles, was der Agent sonst improvisieren müsste. 

Workflows arbeiten mit zwei weiteren Systemen zusammen, um Ihren Agenten zu verfeinern. Der System Prompt definiert das Kernverhalten des Agenten: seine Rolle, seinen Tonfall und was er sagen darf oder nicht sagen darf – an wichtigen Stellen wie Begrüßungen oder Übergaben. Procedures sind eine stärker vorgegebene Option für eine einzelne, klar definierte Aufgabe, etwa die Identitätsprüfung eines Kunden oder die Abwicklung einer Rückgabe. Statt sich nach den Aussagen des Kunden zu verzweigen, folgen sie von Anfang bis Ende einer festen Schritt-für-Schritt-Sequenz – unabhängig vom Gesprächsverlauf.

Am einfachsten beginnen Sie mit dem Aufbau Ihres Agenten durch die Verwendung von vorgefertigten Agent-Vorlagen. Diese bieten einen Ausgangspunkt für Workflows und System Prompts, sodass Sie sie optimieren statt alles von Grund auf aufzubauen. Mit diesen Änderungen können Sie beginnen, um sie an Ihre Anforderungen anzupassen:

• Entscheidungszuordnung: Legen Sie genau fest, was der Agent an jedem Entscheidungspunkt tut, damit das gesamte Gespräch von der Begrüßung bis zur Lösung definiert ist. Subagent-Knoten ermöglichen es Ihnen, System Prompt, Modell oder sogar Stimme an bestimmten Punkten im Ablauf anzupassen. So kann ein sensibler Prüfschritt unter strengeren Guardrails ablaufen als der lockere Small Talk zu Beginn des Anrufs.
• Eskalationsauslöser: Definieren Sie klare Auslöser für die Übergabe an eine Person. Verankern Sie sie im Workflow, statt den Agenten im jeweiligen Moment entscheiden zu lassen. Eskalieren Sie beispielsweise, wenn ein Anliegen nach zwei Versuchen ungelöst bleibt, der Kunde nach einer Führungskraft fragt oder die Transaktion zu sensibel oder wertvoll ist, um sie ohne Person abzuwickeln.
• Übergabekontext: Definieren Sie im System Prompt, was der Agent vor der Weiterleitung erfassen soll, etwa Bestell-ID oder Kontonummer, sowie die Bedingungen für eine Übergabe. Ordnen Sie diese gespeicherten Angaben dann der Konfiguration des Transfer-Tools zu, damit sie automatisch übergeben werden und der Kunde sie einem menschlichen Mitarbeiter nicht wiederholen muss.
• Vorgegebene Formulierungen: Definieren Sie im System Prompt genaue Formulierungen für kritische Momente. Begrüßungen, Fehlermeldungen, rechtliche Hinweise und Eskalationsübergaben sollten niemals dem Agenten zur spontanen Improvisation überlassen werden. Ein genauer Satz wie „Ich kann derzeit nicht auf diese Informationen zugreifen“ ist zuverlässiger, als den Agenten bei einem Fehler die Formulierung erraten zu lassen.

Der Workflow selbst wird in ElevenAgents als visueller Graph erstellt. Jeder Entscheidungspunkt und Eskalationsauslöser ist als Knoten abgebildet, den Sie direkt sehen und bearbeiten können.

Sobald der Agent live ist, legt Analytics echte Gesprächsdaten über denselben Graphen. So sehen Sie genau, wo Kunden stecken bleiben oder abbrechen, und können Probleme ohne Raten beheben.

Latenz und Leistung

Die Latenz ist einer der wichtigsten Faktoren dafür, ob sich eine Interaktion menschlich anfühlt. Eine langsame Antwort erinnert Kunden besonders schnell daran, dass sie mit einer Maschine sprechen – selbst wenn sonst alles im Gespräch gut läuft.

Jeder Teil der Pipeline fügt eigene Latenz hinzu, unabhängig davon, ob der Agent über Chat oder Sprache läuft. Einige Faktoren gelten in beiden Fällen, andere nur, wenn Sprache Teil der Gleichung ist.

• LLM: Jede Modellwahl ist ein Kompromiss zwischen Kosten, Qualität des Schlussfolgerns und Geschwindigkeit. Die richtige Balance hängt vom Gespräch ab. Einfache, häufige Interaktionen wie FAQs oder Terminbestätigungen können auf einem schnelleren, leichteren Modell laufen, ohne die Nutzererfahrung zu beeinträchtigen. Bei komplexeren Aufgaben wie Finanzberatung oder mehrstufiger Fehlerbehebung lohnt sich meist ein stärkeres Modell für das Schlussfolgern, auch wenn es etwas langsamer antwortet. 
• Wissensdatenbank und RAG: Jede Abfrage der Wissensdatenbank fügt einen Roundtrip hinzu, bevor der Agent antworten kann. Eine schlanke, fokussierte Wissensdatenbank antwortet daher schneller als eine, die der Agent umfassend durchsuchen muss.
• Integrationen und Tool-Aufrufe: Jeder Aufruf eines externen Tools, etwa die Suche nach einer Bestellung in Salesforce oder die Prüfung der Verfügbarkeit in einem Kalender, fügt einen eigenen Roundtrip hinzu. Schreiben Sie klare Tool-Beschreibungen, damit der Agent nicht zögert, welches Tool er aufrufen soll. Rufen Sie nur Tools auf, die das Gespräch tatsächlich benötigt.
• Geografie und Datenhosting: Wählen Sie für Ihre ElevenAgents-Region den Ort, an dem Ihre Daten gehostet werden, und bei telefoniebasierten Implementierungen auch die Region Ihres Telefonieanbieters – Twilio, SIP oder andere. Liegen die Region Ihres Agenten und die Region Ihres Call Gateways auf entgegengesetzten Seiten der Welt, entsteht Latenz, bevor das Gespräch überhaupt beginnt.
• Speech to Text (nur Sprache): Scribe transkribiert, was der Kunde sagt, bevor der Agent darüber Schlussfolgern kann. Nutzen Sie für Live-Gespräche die Echtzeitversion Scribe v2 Realtime statt der Batch-Version, die auf Genauigkeit statt Geschwindigkeit ausgelegt ist.
• Sprecherwechsel (nur Sprache): Bestimmt, wann der Agent überhaupt beschließt zu antworten, wie oben ausführlich beschrieben. Dies ist ein eigener Latenzfaktor: Zögert ein Modell, das Ende eines Sprecherturns zu erkennen, entsteht Verzögerung, bevor der Rest der Pipeline überhaupt startet.
• Text to Speech und Stimmauswahl (nur Sprache): Standard- und synthetische Stimmen sowie Instant Voice Clones reagieren schneller als Professional Voice Clones. Nutzen Sie Professional Voice Clones nur, wenn die zusätzliche Qualität den Latenz-Kompromiss wert ist.

Für einen genaueren Blick auf die Latenz lesen Sie Best Practices zur Latenzoptimierung und erfahren Sie, wie Latenz gemessen und gemeldet wird – über die gesamte Pipeline hinweg.

Erstellen Sie Ihren ersten Agenten mit ElevenAgents

Die hier beschriebenen Hebel zeigen, was Conversational AI Design in der Praxis für einen KI-Agenten bedeutet. All dies ist nativ in ElevenAgents integriert und über eine No-Code-Konsole konfigurierbar. So können Sie einen Agenten erstellen, der echte Gespräche führt, statt nur Fragen korrekt zu beantworten.

Für Teams, die dabei praktische Unterstützung wünschen, arbeiten die ElevenLabs Forward Deployed Engineers direkt mit Ihrem Team zusammen, um einen produktionsreifen Agenten zu planen, zu entwickeln und bereitzustellen. Anschließend optimieren sie seine Leistung weiter, nachdem er live gegangen ist.

Ob Sie selbst entwickeln oder Unterstützung hinzuziehen: Sie erkennen den Unterschied am schnellsten, wenn Sie es ausprobieren. Starten Sie noch heute mit der Erstellung eines Agenten oder sprechen Sie mit unserem Vertriebsteam.

FAQ zu Conversational AI Design