Webinar-Zusammenfassung: KI-Agenten mit natürlichem Klang entwickeln

Die meisten Teams möchten einen Agenten entwickeln, der natürlich klingt.

Die Lücke, die die meisten Teams sehen: Agenten erledigen die Aufgabe – aber sie verstehen weder Kontext noch Dringlichkeit oder Emotionen. Und sobald Anrufende das bemerken, sinken Vertrauen und Qualität der Interaktion.

In unserem aktuellen Live-Workshop: KI-Agenten entwickeln, die natürlich klingen, zeigte Luigi Sambuy (Forward Deployed Engineering), was einen roboterhaft klingenden Agenten von einem unterscheidet, der wirklich menschlich wirkt.

Warum natürlich zu klingen schwieriger ist, als es scheint

Die meisten Teams, die Agenten einsetzen, haben die Genauigkeit bereits gelöst – der Agent gibt die richtige Antwort, reserviert den richtigen Tisch, storniert den richtigen Flug. 

Schwieriger ist es, die Ausgabe richtig zu gestalten.

Ein Agent, der die Emotionen von Anrufenden nicht aufgreift, keine Dringlichkeit erkennt und jede Frage im gleichen flachen Rhythmus beantwortet, wirkt immer künstlich – unabhängig davon, wie korrekt seine Antworten sind. Kundinnen und Kunden wollen nicht nur, dass ihr Problem gelöst wird. Sie wollen sich dabei gehört fühlen.

Die vier Merkmale eines natürlich klingenden Agenten

1. Rhythmus und Fluss – natürliches Tempo, Pausen und wechselnde Sprechgeschwindigkeit statt monotonem Vorlesen
2. Spiegelung – auf frustrierte Anrufende besorgt reagieren und auf gute Nachrichten herzlich
3. Kontext – Nutzerverlauf, Unternehmenssysteme sowie kulturelle und regionale Signale einbeziehen, damit Antworten nicht generisch wirken
4. Identität – eine Stimme, die wirklich für die Marke entwickelt wurde, statt einer Standardstimme von der Stange

Demo: Ein natürlich klingender Agent im Einsatz

Szenario: Eine Kundin ruft im Rosette Restaurant an, um ihre Reservierung zu verschieben. Sie feiert ihren fünften Hochzeitstag und verspätet sich.

Was gezeigt wird:

• Der Agent eröffnete das Gespräch herzlich und würdigte zunächst den Hochzeitstag
• Er bemerkte eine kleine Abweichung zwischen der genannten Reservierungszeit und der tatsächlich gebuchten Zeit und fragte nach, statt zu raten
• Er verschob die Reservierung auf 21 Uhr und bot unaufgefordert einen Tisch am Fenster für den Anlass an
• Während des gesamten Gesprächs nutzte der Agent natürliche Pausen, Füllwörter und einen Ton, der sich der Situation anpasste – beruhigend, herzlich, ohne Eile

Warum das wichtig ist: Nichts davon kam von einem anderen Modell oder einer leistungsfähigeren Plattform. Es kam vom Prompt. Der System-Prompt gab dem Agenten die Erlaubnis, sich mitten im Satz zu korrigieren, beim „Nachschauen“ natürlich abzuschweifen und seinen emotionalen Ton an die anrufende Person anzupassen – dieselben Techniken stehen heute jedem Team auf der Plattform zur Verfügung.

Sieben Stellhebel für natürliche Agenten

1. Emotionale Tags – verfügbar im Expressive-Modus des v3-Konversationsmodells; der größte Hebel für Tonvariationen
2. Hintergrundgeräusche – Büroatmosphäre, Stadtgeräusche oder Tippgeräusche für einen vertrauteren, menschlicheren Kontext
3. Ton im System-Prompt – hier entsteht tatsächlich der größte Unterschied
4. Eagerness-Einstellungen (eager / normal / patient) – abgestimmt auf die Zeit, die die Interaktion benötigt
5. Aussprachewörterbuch / Keywords – für Namen, Marken und Fremdwörter, die der Agent sonst falsch aussprechen würde. 
6. Ausgabeeinstellungen – einige Teams fügen bewusst im Hintergrund klingelnde Telefone statt makellosem Audio hinzu, da Kundinnen und Kunden beim Wechsel von einem klassischen Contact Center an diesen leicht gedämpften Klang gewöhnt sind
7. Stimmendesign oder Klonen – entwickeln Sie eine vollständig individuelle Stimme im Markenton, statt eine Stimme von der Stange auszuwählen. Mit Stimmendesign können Sie etwas Konkretes prompten, etwa „ein Mann in seinen Dreißigern, der klingt, als würde er über ein Headset sprechen“. KI-Stimme klonen reicht von einem Instant-Klon (etwa 30 Sekunden Audio) bis zu einem professionellen Klon (mehr Material, höhere Klangtreue). 

Best Practices für natürlich klingende Agenten

Schreiben Sie den Ton direkt in den System-Prompt. Hier entsteht tatsächlich der größte Unterschied zwischen einem flachen und einem natürlichen Agenten. Geben Sie dem Agenten ausdrücklich die Erlaubnis, sich mitten im Satz zu korrigieren („wie Menschen tatsächlich sprechen“), beim Nachschauen natürlich abzuschweifen und nach etwas Ernstem eine Pause zu lassen, bevor er antwortet.

Passen Sie emotionale Tags an den Moment an. Ein „excited“-Tag passt nicht zu einem ernsten oder riskanten Moment. Platzieren Sie Tags gezielt dort, wo sie im Gespräch tatsächlich vorkommen, und passen Sie sie im Verlauf des Anrufs an den emotionalen Zustand der anrufenden Person an, etwa ruhig und beruhigend bei einer besorgten Person oder schnell, aber herzlich bei Zeitdruck.

Legen Sie Eagerness bewusst fest. Eager eignet sich für schnelle Gespräche mit vielen Informationen; patient, wenn jemand Zeit braucht, um ein Dokument oder eine Nummer zu finden. Eager standardmäßig überall zu verwenden, kann einen Agenten aufdringlich statt natürlich wirken lassen.

Wählen Sie Ihr LLM pro Knoten. Nutzen Sie leichtere, schnellere Modelle für einfache Routing-Schritte und leistungsfähigere Modelle für Knoten mit echten Entscheidungen. 

Betrachten Sie die wahrgenommene Latenz als Teil von „natürlich“. Neben der Modellwahl verringern sowohl spekulative Turn-Generierung – das Modell beginnt eine Antwort zu bilden, während die anrufende Person noch spricht – als auch Füllwörter bei Soft-Timeouts die gefühlte Länge einer Pause, selbst wenn sich die tatsächliche Antwortzeit nicht verändert hat.

Lokalisieren statt übersetzen. Wählen Sie Stimmen, die tatsächlich in der Zielsprache trainiert wurden, verwenden Sie ein Aussprachewörterbuch und erwägen Sie bei einsprachigen Anwendungsfällen, den Prompt selbst in dieser Sprache zu schreiben, um die Leistung zu steigern. Multilingual v2 bleibt eine solide Option, wenn geringe Latenz über Sprachen hinweg wichtiger ist als Ausdrucksvielfalt.

Überwachen Sie Ihren Agenten. Nutzen Sie Simulationstests, um einen Agenten ohne Live-Anrufe zu validieren, Bewertungskriterien für Pass/Fail-Scores nach dem Anruf und Sentiment-Analysen pro Turn. So erkennen Sie genau, wo ein Agent im Gespräch den falschen Ton verwendet hat, und können den Prompt anhand dieses Signals anpassen.

Sehen Sie sich die vollständige Session an

Sehen Sie sich das vollständige Webinar hier an.