Unternehmenswissen für Sprachagenten bereitstellen

Wenn Unternehmen Voice Agents einsetzen, um Mitarbeitende und Kunden zu unterstützen, wird die Qualität der Informationen, auf die diese Agents zugreifen, zu einem entscheidenden Faktor für ihre Leistung. Agents können eigenständig gut schlussfolgern. Sollen sie jedoch unternehmensspezifische Richtlinien, Produktdetails oder interne Prozesse abbilden, benötigen sie Zugriff auf verlässliches und gut strukturiertes Wissen.

Wissensdatenbanken für Agents schaffen diese Grundlage und Spezialisierung. Sie speichern Dokumentationen, Richtlinien, technische Referenzen, Produktspezifikationen, Supportmaterialien und andere interne Ressourcen. Für eine wirksame Nutzung müssen Inhalte kuratiert, organisiert und strukturiert sein. So können Agents präzise und fundierte Antworten geben, statt sich auf allgemeines Modellwissen zu verlassen, das unvollständig oder veraltet sein kann.

Dieser Leitfaden stellt praktische Strategien für die Verwaltung von Wissensdatenbanken in Unternehmens-Deployments von Agents vor. So arbeiten Voice Agents auch mit großen, vielfältigen Dokumentensammlungen zuverlässig.

So greifen Voice Agents auf Ihre Wissensdatenbank zu

Sie können eine Wissensdatenbank direkt auf der ElevenLabs-Agents-Plattform konfigurieren. Diese Inhalte stehen Ihrem Agent während Gesprächen zur Verfügung.

Die Plattform bietet zwei Modi für die Nutzung dieser Inhalte:

• Direkte Einbindung in den Kontext: Bei kleineren Wissensdatenbanken werden die Inhalte direkt in das Kontextfenster des Modells eingefügt. Das ermöglicht sofortigen Zugriff bei minimaler Latenz und eignet sich am besten für kleinere Wissensdatenbanken.
• Retrieval-Augmented Generation (RAG): Ist eine Wissensdatenbank zu groß für den Kontext, durchsucht das System sie und ruft anhand der Nutzeranfrage nur die relevantesten Abschnitte ab.

Wann RAG wirksam ist – und wann nicht

Die Entscheidung zwischen direkter Einbindung und RAG hängt vor allem von der Größe der Wissensdatenbank ab.

Betrachten Sie eine „Bibliothek mit Produkthandbüchern“ mit 1.000 Dokumenten und insgesamt etwa 2 Millionen Wörtern (~2,6 Millionen Tokens). Hier überschreitet die direkte Einbindung die Kontextgrenzen der meisten schnellen LLMs und RAG wird aktiviert. Dadurch werden nur relevante Ausschnitte abgerufen und der Kontext bleibt unabhängig von der Gesamtgröße der Wissensdatenbank handhabbar.

Bei einem vierseitigen Richtliniendokument (~3.000 Tokens) ist die direkte Einbindung dagegen schneller und einfacher. RAG würde unnötige Latenz hinzufügen. 

Die ElevenLabs-Plattform übernimmt dies automatisch: Die Option zur Aktivierung von RAG wird erst verfügbar, wenn Ihre Wissensdatenbank eine Größe erreicht, bei der ein Abruf effizienter wäre als die direkte Einbindung.

Wirksame Wissensdatenbanken beginnen mit der Dokumentenvorbereitung

Bei einer großen und vielfältigen internen Dokumentenbasis ist der erste Schritt nicht die Implementierung, sondern die Kuratierung. Gute Quellen führen zu guten Antworten, während schlechte Quellen Fehler und Halluzinationen verursachen.

Kuratieren Sie vor der Implementierung. Archivieren oder entfernen Sie veraltete Entwürfe, überholte Versionen und irrelevante Materialien. Wenn ein Dokument nicht zur Beantwortung von Kundenfragen verwendet werden sollte, gehört es nicht in Ihre Wissensdatenbank. Diese Kuratierung hält die Informationsquelle verlässlich und reduziert Rauschen beim Abruf.

Nach Bereichen organisieren. Strukturieren Sie die verbleibenden Dokumente in klar abgegrenzte, logische Kategorien wie HR-Richtlinien, Produktdokumentation, Rechtsvereinbarungen, technische Handbücher oder Kundensupport-Prozesse. Diese Bereichsorganisation wird bei der Implementierung von Multi-Agent-Workflows auf der ElevenLabs-Plattform entscheidend, bei denen spezialisierte Agents bestimmte Wissensbereiche bearbeiten.

Qualität vor Quantität. Eine gut kuratierte Sammlung weniger hochwertiger Dokumente übertrifft eine große Anzahl von Dateien gemischter Qualität. Konzentrieren Sie sich in jedem Bereich auf Vollständigkeit, Genauigkeit und Relevanz. Mit sauberen, organisierten Daten zu beginnen, ist nicht nur Best Practice. Es entscheidet darüber, ob ein Agent Nutzer überzeugt oder sie mit irrelevanten oder widersprüchlichen Antworten frustriert.

Strategien zur Implementierung von Wissensdatenbanken

Sobald Wissen und Zugriffsmuster feststehen, stellt sich die Frage, wie Sie Ihre Agent-Architektur für einen wirksamen Zugriff auf die Wissensdatenbank einrichten. Unternehmen können aus fünf Architekturansätzen wählen, die direkt auf der ElevenLabs-Agents-Plattform umgesetzt werden können. Je nach Umfang und Anforderungen reichen sie von einfachen bis zu komplexen Konfigurationen.

1. Wissensdatenbank für einen einzelnen Agent

Bei der einfachsten Implementierung wird eine Wissensdatenbank direkt einem einzelnen Agent zugeordnet. Laden Sie Ihre kuratierten Dokumente auf die ElevenLabs-Agent-Plattform hoch, erstellen Sie eine Wissensdatenbank und weisen Sie sie Ihrem Agent in den Konfigurationseinstellungen zu. Keine Workflows, kein Routing und keine externen Tools erforderlich. Dieser Ansatz bietet den schnellsten Nutzen und eignet sich ideal für fokussierte Anwendungsfälle wie ausschließlich HR-Richtlinien, ausschließlich Produktdokumentation oder Kundensupport für eine einzelne Produktlinie.

Mit wachsendem Umfang treten Einschränkungen auf. Bei sehr großen oder stark vielfältigen Wissensdatenbanken kann die Leistung nachlassen. Ohne Spezialisierung durchsucht der Agent alle Dokumente und ruft möglicherweise weniger relevante Ergebnisse ab, wenn das Wissen sehr unterschiedliche Themen abdeckt. Wenn die Genauigkeit aufgrund der Vielfalt Ihrer Wissensdatenbank nachlässt, ist es Zeit für Multi-Agent-Workflows.

2. Trennung von Wissen mit mehreren Agents

Für große, vielfältige Dokumentensammlungen ermöglicht eine Multi-Agent-Workflow-Architektur effiziente Skalierung. Ein Orchestrierungs-Agent analysiert eingehende Fragen und leitet sie an spezialisierte Agents weiter, die jeweils über eine fokussierte Wissensdatenbank für ihren Bereich verfügen. Fragt ein Nutzer: „Wie lautet die Regelung für Elternzeit in Kalifornien?“, erkennt das System den HR-Bezug und leitet die Anfrage an einen auf HR spezialisierten Agent weiter, der nur Zugriff auf HR-Dokumente hat.

Die Implementierung umfasst separate Wissensdatenbanken je Bereich, einen Workflow mit spezialisierten Knoten und konfigurierte Routing-Bedingungen. Kleinere, fokussierte Kontexte verbessern die Genauigkeit und verringern die Latenz. Die Bereichstrennung vereinfacht zudem die Wartung, da jeder Bereich unabhängig aktualisiert wird. Der Ansatz eignet sich für Unternehmen, die Agents für mehrere Fachgebiete einsetzen.

3. Hybrider Ansatz: Wissensdatenbank für die Einordnung, Tools für Daten

Dieses Muster trennt Verständnis von der Datenabfrage. Die Wissensdatenbank identifiziert Terminologie und ordnet sie Systemkennungen zu, die als Dokument zur Wissensdatenbank hinzugefügt wurden. Webhook-Tools rufen dagegen aktuelle Daten aus maßgeblichen Quellen ab. 

Bei der Frage „Welche Details hat mein Premium-Plus-Tarif?“ nutzt der Agent beispielsweise seine Wissensdatenbank, um die Tarif-ID PLAN_001 zu identifizieren. Anschließend ruft er ein Tool auf, das Ihre Live-Datenbank nach aktuellen Preisen und Funktionen abfragt.

Das gewährleistet Genauigkeit, da Fakten aus Datenbanken statt aus der LLM-Generierung stammen. Es liefert Echtzeitdaten, die den aktuellen Stand abbilden, und schafft durch protokollierte Tool-Aufrufe Audit-Trails. Der Ansatz eignet sich für Fälle, die sowohl Dokumentationsverständnis als auch den Abruf strukturierter Daten erfordern. Das ist häufig im Kundensupport, Account Management und E-Commerce der Fall, wo Dokumente Konzepte erklären, Datenbanken aber die aktuellen Fakten enthalten.

4. Externe Vektordatenbank

Unternehmen können eine eigene Vektordatenbank verwalten (Pinecone, Weaviate, Qdrant) und sie über eigene Webhook-Tools bereitstellen. Das bietet vollständige Kontrolle über Chunking, Embeddings und Abrufalgorithmen, erhöht jedoch den Betriebsaufwand durch Infrastrukturverwaltung und die Latenz externer API-Aufrufe. Dies schafft Flexibilität, führt aber auch zu zusätzlichem Betriebsaufwand und externer Latenz. 

5. Die Dual-Brain-Architektur

Manche Unternehmen betreiben bereits eigene feinabgestimmte LLMs. Diese lassen sich am effektivsten direkt über die ElevenLabs-Agent-Plattform (Custom LLM) oder über eine Dual-Brain-Architektur anbinden.

Dual-Brain-Architekturen (zwei aktive LLMs) werden typischerweise eingesetzt, wenn das Custom LLM zu langsam für ein Echtzeitgespräch ist. Wenn tiefere Schlussfolgerungen oder zusätzlicher Kontext erforderlich sind, wird der Agent von einem schnelleren LLM betrieben. Dieses kann das Custom LLM des Kunden um Informationen bitten, die anschließend über Kontext-Updates in das Gespräch eingebunden werden.

Da diese Aufrufe asynchron erfolgen, bleibt das Gespräch flüssig, während das Backend aufwendigere Berechnungen ausführt. Dieser Ansatz ermöglicht es Unternehmen, auf ihrer bestehenden KI-Infrastruktur aufzubauen. 

Fazit

Wirksame Voice Agents basieren auf klarem, gut organisiertem Wissen. Sind Unternehmensinformationen strukturiert, präzise und für Agents leicht zu navigieren, werden sie zu einer verlässlichen Quelle für fundierte und konsistente Antworten. 

Die ElevenLabs-Plattform bietet native Verwaltung von Wissensdatenbanken, Multi-Agent-Workflows, Webhook-Integration und umfassende APIs, die nahtlos zusammenarbeiten. Mit sauberen Daten und der passenden Architektur wird Unternehmenswissen durch natürliche Gespräche zugänglich. Gut umgesetzt ist das nicht nur ein Implementierungsdetail, sondern ein operativer Vorteil.

Anleitung: Dokumentenuploads skalieren

Vor dem Upload zusammenführen. Statt 500 einzelne Dateien hochzuladen, führen Sie alle Dokumente eines Bereichs in einer einzigen Datei zusammen. Das reduziert den Verwaltungsaufwand, vereinfacht die Agent-Konfiguration und verbessert den Abruf, weil zusammengehörige Inhalte gebündelt bleiben.

Dokumente strategisch gruppieren – nach Produktlinie, Region, Abteilung oder Funktion. Jede zusammengeführte Wissensdatenbank wird einem Agent (einzelner Agent) oder einem spezialisierten Agent-Knoten (Multi-Agent-Workflows) zugeordnet. 

Nutzen Sie die ElevenLabs API zum Hochladen von Inhalten aus URLs, Texten oder Dateien. Integrieren Sie Uploads in Ihre CI/CD-Pipeline, damit Zusammenführungen und Aktualisierungen automatisch erfolgen, sobald sich die Quelldokumentation ändert.

Anleitung: Automatische Wissensaktualisierung

Überwachen Sie Ihre Dokumentations-Repositories (Git, SharePoint, CMS). Wenn Änderungen erkannt werden, starten Sie eine automatisierte Neuverarbeitung, um aktualisierte Dokumente zusammenzuführen.

Nutzen Sie die API, um Wissensdatenbanken programmatisch zu aktualisieren. Ein typischer Workflow: Dokumentationsaktualisierung → CI/CD-Pipeline ausgelöst → Dokumente zusammengeführt → API-Aufruf zum Ersetzen der Wissensdatenbank → Agents greifen sofort auf aktualisierte Informationen zu.

Behandeln Sie Dokumentation wie Code. Wenden Sie auf Aktualisierungen von Wissensdatenbanken dieselbe DevOps-Strenge an wie auf Code-Deployments. Die API-first-Architektur der Plattform vereinfacht die Integration in bestehende Pipelines und gewährleistet Genauigkeit und Compliance ohne manuelle Eingriffe.