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, vorab definierten Verzweigungen: Drücken Sie 1 für Rechnungen, sagen Sie „Ja“ oder „Nein“ und hoffen Sie, dass die Frage des Kunden einem der vorgesehenen Pfade 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 verarbeiten, auf eine Wissensdatenbank zugreifen, Tools aufrufen und sich an bereits Gesagtes erinnern. Damit sind sie nicht mehr auf ein festes Skript beschränkt.

Diese Entwicklung hat den Bedarf an Conversational AI Design jedoch nicht beseitigt. Sie hat die Anforderungen erhöht. Ohne ein starres Skript als Rückhalt müssen Persona, Workflow und Entscheidungspunkte eines Agenten so klar definiert sein, dass sie einem offenen Echtzeitgespräch standhalten – statt nur einem vorgegebenen Ablauf.

Dieser Leitfaden erklärt, was Conversational AI Design für Chat- und Voice-Agenten tatsächlich bedeutet, warum es für die Kennzahlen relevant ist, an denen Sie bereits gemessen werden, und was Sie optimieren müssen, damit Gespräche natürlicher wirken. Wenn Sie es richtig machen, 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 ein Gespräch natürlich wirkt.
• Voice AI verzeiht weniger 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-Voice- und Chat-Agenten mit Funktionen, mit denen Sie Stimme, Persona und Gesprächsablauf 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 gehören seine Persona ebenso wie die Guardrails, Workflows und Wissensdatenbanken, auf die er zurückgreift. Zusammen sorgen sie dafür, dass 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 wie Chat, Sprache oder SMS laufen. Jeder Kanal hat eigene Einschränkungen, bei Sprache sind sie jedoch am größten. 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 das nicht optional, denn dort unterbricht eine etwas langsame oder unvollständige Antwort die Interaktion selten.

Das müssen Sie bei der Umsetzung von Conversational AI Design für einen Chat-Agenten beachten – und das kommt bei Sprache zusätzlich 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 User Experience wichtig ist

Jeder oben behandelte Faktor – von Sprecherwechseln über Latenz bis zur Persona – beeinflusst, wie ein Kunde Ihre Marke in einem entscheidenden Moment wahrnimmt. Dieser Moment kann ihn zum Fürsprecher oder Kritiker machen. Diese Wahrnehmung zeigt sich direkt in den Kennzahlen, an denen Teams gemessen werden.

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

Betrachten Sie zum Beispiel eDreams ODIGEO, eine der größten Online-Reiseplattformen der Welt. Das Unternehmen setzte KI-Agenten mit ElevenAgents in fünf Kernsprachen ein und erzielte eine zweistellige Verbesserung der Lösungsgeschwindigkeit sowie eine zweistellige Senkung der Anrufweiterleitungsrate. Dies wurde unter anderem durch Sprachsynthese mit geringer Latenz und eine präzisere Intent-Erkennung zu Beginn jedes Anrufs ermöglicht. Solche Ergebnisse hängen von vielen Faktoren ab, die über das Gesprächsdesign hinausgehen. Sie zeigen jedoch, was gutes Conversational AI Design möglich macht.

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 einzelnen, damit Ihr Agent seinen Teil eines echten Gesprächs erfüllt.

Persona und Stimmauswahl

Die Persona prägt den ersten Eindruck des Kunden. Eine unpassende Persona untergräbt das Vertrauen, bevor das Gespräch überhaupt beginnt. Eine Persona, die für eine freundliche Einzelhandelsmarke zu steif ist, lässt Kunden am Agenten zweifeln, bevor er etwas Nützliches gesagt hat. Gestalten Sie sie im System Prompt, in dem Sie Rolle, Persönlichkeit und Guardrails des Agenten definieren, bevor Sie alles Weitere konfigurieren.

Bei Voice-Agenten muss diese Persona auch durch die Stimme vermittelt werden. Eine Stimme, die für ein Finanzgespräch zu locker ist, sendet dasselbe Signal wie eine unpassende Persona im Text. Deshalb ist die Stimmauswahl Teil derselben Aufgabe. Hier sollten Sie beginnen:

• Stimmauswahl: Stimmen Sie die Stimme auf Ihre Marke, Zielgruppe und das Thema ab. Akzent, Geschlecht und Tonfall helfen dabei, bei einem bestimmten Anrufer Vertrauen aufzubauen und den Ton des Gesprächs festzulegen.
• Mehrsprachige Unterstützung: Wählen Sie für jede unterstützte Sprache eine Stimme, statt marktübergreifend dieselbe zu verwenden. Eine einzelne Stimme, die über mehrere Sprachen hinweg eingesetzt wird, klingt in mindestens einer davon meist fremd und schwächt damit das Vertrauen, das Sie aufbauen möchten.

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

Einstellungen für den Gesprächsablauf

Bei Sprache läuft das Gespräch nach dem engsten Zeitplan. Anders als im Chat, wo eine Pause nur Leerraum ist, wirkt eine Unterbrechung des Rhythmus in einem Anruf sofort wie Stille oder ein Verbindungsabbruch. Den richtigen Rhythmus zu finden, ist der wichtigste Hebel, damit sich ein Voice-Agent wie ein natürlicher Gesprächsteilnehmer anfühlt. Es 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.

Darüber hinaus können Sie folgende Einstellungen anpassen, um den Gesprächsablauf richtig einzustellen:

• Turn-Timeout: Wie lange der Agent vor seiner Antwort in Stille wartet, damit er nicht einsetzt, während der Kunde noch nachdenkt, und ihn nicht warten lässt, nachdem er fertig ist. 
• Soft-Timeout: Ein kurzer Füllsatz, mit dem der Agent eine Verarbeitungspause überbrückt, etwa „Einen Moment“ oder „Ich sehe nach“, damit Kunden nicht denken, der Anruf sei abgebrochen. Vermeiden Sie Füllsätze mit einem konkreten Zeitversprechen wie „eine Sekunde“, da die tatsächlichen Antwortzeiten variieren.
• Unterbrechungen: Ob der Agent aufhört zu sprechen, wenn der Kunde ihn unterbricht. Aktivieren Sie dies für einen natürlichen Dialog. Deaktivieren Sie es, wenn eine vollständige Wiedergabe wichtig ist, etwa bei rechtlichen Hinweisen, Sicherheitsanweisungen und allem, was vollständig gehört werden muss.
• Antwortbereitschaft: Wie schnell der Agent antwortet, nachdem der Kunde aufgehört hat zu sprechen. „Eifrig“ eignet sich für den Kundenservice, wo schnelle Antworten besonders wichtig sind. „Geduldig“ funktioniert am besten bei der Erfassung von Kundeninformationen wie Telefonnummer oder E-Mail-Adresse, damit der Agent den Kunden nicht mitten in einer Ziffer unterbricht. „Normal“ ist eine gute Standardeinstellung für allgemeine Gespräche.

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

Workflow, Übergabedesign und Skripting

Workflows setzen einen großen Teil des Conversational AI Designs in ElevenAgents um. Sie definieren, was wann geschieht: 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 sowie was er sagen wird und was nicht, 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 anhand der Kundenaussage zu verzweigen, folgen sie von Anfang bis Ende einer festen Schritt-für-Schritt-Abfolge – unabhängig davon, wie das Gespräch verläuft.

Der einfachste Einstieg in die Erstellung Ihres Agenten ist die Nutzung von vorgefertigten Agent-Vorlagen. Sie bieten einen Ausgangspunkt für Workflows und System Prompts, sodass Sie verfeinern statt alles von Grund auf zu erstellen. Mit diesen Änderungen können Sie die Vorlagen anpassen:

• Entscheidungszuordnung: Legen Sie genau fest, was der Agent an jedem Entscheidungspunkt tut, damit das gesamte Gespräch von der Eröffnung bis zur Lösung definiert ist. Subagent-Knoten ermöglichen es Ihnen, System Prompt, Modell oder sogar Stimme an bestimmten Stellen im Ablauf anzupassen. So kann ein sensibler Verifizierungsschritt strengeren Guardrails unterliegen als der lockere Small Talk zu Beginn des Anrufs.
• Eskalationsauslöser: Definieren Sie klare Auslöser für die Übergabe an einen Menschen. Sie sollten im Workflow verankert sein, statt den Agenten im Moment entscheiden zu lassen. Eskalieren Sie beispielsweise, wenn ein Problem nach zwei Versuchen ungelöst bleibt, ein Kunde nach einem Vorgesetzten fragt oder die Transaktion sensibel beziehungsweise so wertvoll ist, dass sie einen Menschen erfordert.
• Übergabekontext: Definieren Sie im System Prompt, welche Daten der Agent vor der Weiterleitung erfassen soll, etwa Bestell-ID oder Kontonummer, sowie die Bedingungen für eine Übergabe. Ordnen Sie diese gespeicherten Details dann der Konfiguration des Transfer-Tools zu, damit sie automatisch übertragen werden und der Kunde sie einem menschlichen Mitarbeitenden nicht erneut nennen muss.
• Vorgegebene Formulierungen: Definieren Sie für kritische Momente exakte Formulierungen im System Prompt. Eröffnungsbegrüßungen, Fehlermeldungen, rechtliche Hinweise und Eskalationsübergaben sollten nie der spontanen Improvisation des Agenten überlassen werden. Ein konkreter Satz wie „Ich habe derzeit Schwierigkeiten, auf diese Informationen zuzugreifen“ ist zuverlässiger, als den Agenten bei einem Fehler raten zu lassen, wie er es formulieren soll.

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

Nach dem Start legen Analytics echte Gesprächsdaten über denselben Graphen. So sehen Sie genau, wo Kunden stecken bleiben oder abspringen, und können es ohne Rätselraten beheben.

Latenz und Performance

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. Manche Faktoren gelten in beiden Fällen. Andere gelten nur, wenn Sprache Teil der Gleichung ist.

• LLM: Jede Modellwahl ist ein Kompromiss zwischen Kosten, Qualität der Schlussfolgerungen und Geschwindigkeit. Das richtige Gleichgewicht hängt vom Gespräch ab. Einfache, häufige Interaktionen wie FAQs oder Terminbestätigungen können auf einem schnelleren, schlankeren Modell laufen, ohne das Erlebnis zu beeinträchtigen. Bei komplexeren Aufgaben wie Finanzberatung oder mehrstufiger Fehlerbehebung lohnt sich meist ein stärkeres Modell für Schlussfolgerungen, 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 externe Tool-Aufruf, etwa das Nachschlagen 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, und rufen Sie nur Tools auf, die das Gespräch tatsächlich benötigt.
• Geografie und Datenhosting: Stimmen Sie Ihre ElevenAgents-Region auf den Ort ab, an dem Ihre Daten gehostet werden, und bei telefoniebasierten Bereitstellungen auch auf die Region Ihres Telefonieanbieters ab – etwa Twilio, SIP oder andere. Befinden sich die Region Ihres Agenten und die Region Ihres Call Gateways auf verschiedenen 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 nachdenken 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 antwortet; Details dazu finden Sie oben. Denken Sie daran, dass dies ein eigenständiger Latenzfaktor ist: Ein Modell, das das Ende eines Sprecherturns nur zögerlich erkennt, verursacht Verzögerungen, bevor der Rest der Pipeline überhaupt startet.
• Text to Speech und Stimmauswahl (nur Sprache): Standard- und synthetische Stimmen sowie Instant Voice Clones antworten schneller als Professional Voice Clones. Setzen Sie Professional Voice Clones nur dort ein, wo sich die zusätzliche Klangtreue trotz höherer Latenz lohnt.

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

Erstellen Sie Ihren ersten Agenten mit ElevenAgents

Die hier behandelten Hebel zeigen, was Conversational AI Design in der Praxis für einen KI-Agenten bedeutet. All das ist nativ in ElevenAgents verfügbar und über eine No-Code-Konsole konfigurierbar. So können Sie einen Agenten erstellen, der ein echtes Gespräch 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 erstellen und zu starten. Anschließend optimieren sie die Performance weiter, nachdem er live ist.

Ob Sie ihn selbst erstellen oder Unterstützung hinzuziehen: Am schnellsten sehen Sie den Unterschied, wenn Sie es ausprobieren. Starten Sie noch heute, indem Sie einen Agenten erstellen oder mit unserem Vertriebsteam sprechen.

FAQ zu Conversational AI Design