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 – verstehen aber weder Kontext noch Dringlichkeit oder Emotionen. Und sobald Anrufende das bemerken, sinken Vertrauen und Qualität der Interaktion.

In unserem jüngsten Live-Workshop: KI-Agenten entwickeln, die natürlich klingen, erklärte 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 die richtige Darbietung.

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

Die vier Eigenschaften eines natürlich klingenden Agenten

1. Rhythmus & Fluss – natürliches Sprechtempo, Pausen und Tempowechsel statt monotonem Vortrag
2. Spiegelung – auf frustrierte Anrufende mit Anteilnahme und auf gute Nachrichten mit Wärme reagieren
3. Kontext – Nutzerhistorie, 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 das Rosette Restaurant an, um ihre Reservierung zu verschieben. Es ist ihr fünfter Hochzeitstag, und sie kommt zu spät.

Was gezeigt wird:

• Der Agent begann freundlich und würdigte zunächst den Hochzeitstag
• Er bemerkte eine kleine Abweichung zwischen der genannten Reservierungszeit und der tatsächlich gebuchten Zeit und klärte sie, statt zu raten
• Er verschob die Reservierung auf 21 Uhr und bot ohne Aufforderung einen Fensterplatz für den Anlass an
• Während des gesamten Gesprächs nutzte der Agent natürliche Pausen, Füllwörter und einen Ton, der sich der Situation anpasste – beruhigend, warm, 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 selbst zu korrigieren, beim „Nachschauen“ natürlich ausklingen zu lassen 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 Mode des v3-Konversationsmodells und mit Eleven v4; der wichtigste 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 – manche Teams fügen bewusst im Hintergrund klingelnde Telefone statt makellosem Audio hinzu, da Kundinnen und Kunden beim Wechsel von einem traditionellen Contact Center an diesen leicht gedämpften Klang gewöhnt sind
7. Voice Design oder Klonen – eine vollständig individuelle, zur Marke passende Stimme entwickeln, statt eine Standardstimme zu wählen. Mit Voice Design können Sie etwas Konkretes prompten, zum Beispiel: „ein Mann in seinen Dreißigern, der klingt, als spräche er über ein Headset“. KI-Stimme klonen reicht von einem Instant Clone mit etwa 30 Sekunden Audio bis zu einem Professional Clone mit mehr Material und höherer Klangtreue. 

Best Practices für natürlich klingende Agenten

Schreiben Sie den Ton direkt in den System-Prompt. Hier liegt tatsächlich der Großteil des Unterschieds zwischen einem flachen und einem natürlichen Agenten. Geben Sie dem Agenten ausdrücklich die Erlaubnis, sich mitten im Satz selbst zu korrigieren („wie Menschen tatsächlich sprechen“), beim Nachschauen natürlich ausklingen zu lassen und nach etwas Ernstem erst Stille entstehen zu lassen, bevor er antwortet.

Passen Sie emotionale Tags an den Moment an. Ein „excited“-Tag ist für einen ernsten oder riskanten Moment falsch. Platzieren Sie Tags gezielt dort, wo sie im Gespräch tatsächlich vorkommen, und passen Sie sie im Verlauf an den emotionalen Zustand der anrufenden Person an, zum Beispiel ruhig und beruhigend bei einer ängstlichen Person oder schnell, aber warm bei jemandem in Eile.

Legen Sie Eagerness bewusst fest. Eager eignet sich für schnelle, informationsreiche Gespräche; patient passt, wenn jemand Zeit braucht, um ein Dokument oder eine Nummer herauszusuchen. Eager pauschal als Standard zu nutzen, kann einen Agenten aufdringlich statt natürlich wirken lassen.

Wählen Sie das LLM pro Node. Verwenden Sie leichtere, schnellere Modelle für einfache Routing-Schritte und leistungsfähigere Modelle für Nodes, die echte Entscheidungen treffen. 

Betrachten Sie wahrgenommene Latenz als Teil von „natürlich“. Neben der Modellwahl verkürzen sowohl spekulative Turn-Generierung – bei der das Modell bereits eine Antwort bildet, während die anrufende Person noch spricht – als auch Füllwörter bei Soft-Timeouts die gefühlte Dauer 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 ziehen Sie bei einsprachigen Anwendungsfällen in Betracht, den Prompt selbst in dieser Sprache zu schreiben, um die Leistung zu verbessern. Multilingual v2 bleibt eine solide Option, wenn geringe Latenz über mehrere Sprachen wichtiger ist als der Ausdrucksumfang.

Überwachen Sie Ihren Agenten. Nutzen Sie Simulationstests, um einen Agenten ohne Live-Anrufe zu validieren, Bewertungskriterien für die Bestehen-/Nichtbestehen-Bewertung nach dem Anruf und eine Sentimentanalyse für jeden einzelnen Turn. So erkennen Sie genau, an welcher Stelle eines Gesprächs ein Agent den falschen Ton verwendet hat – und können dieses Signal nutzen, um den Prompt anzupassen.

Sehen Sie sich die vollständige Session an

Sehen Sie sich das vollständige Webinar hier an.