Was zwischen Klingeln und erstem Satz geschieht
Der Anruf kommt über das Telefonnetz und tritt in eine Kette aus drei Verarbeitungsschritten ein, die sich ohne Pause ablösen. Die Spracherkennung macht aus der Stimme Text, während der Satz läuft, ohne sein Ende abzuwarten. Das Sprachmodell liest diesen Text, gleicht ihn mit Ihren Vorgaben ab und entscheidet, was zu antworten oder zu tun ist. Die Sprachsynthese macht daraus wieder eine Stimme. Das Ganze beginnt bei jedem Sprecherwechsel von vorn.
Ob der Austausch natürlich oder mühsam wirkt, liegt an der Verzögerung zwischen dem Ende Ihres Satzes und dem Beginn ihres eigenen. Unter einer Sekunde wirkt das Gespräch wie ein Gespräch. Über zwei glaubt der Anrufer, die Leitung sei weg, und beginnt zu wiederholen, was eine neue Analyse auslöst und das Schweigen weiter verlängert. Ein Anbieter, der Ihnen diese Verzögerung nicht nennen kann, hat sie wahrscheinlich nicht gemessen.
Das vierte Element ist unsichtbar und entscheidet doch über den Rest: die Erkennung des Sprechendes. Sie beurteilt, ob Sie Ihren Satz beendet haben oder Luft holen. Zu kurz eingestellt, fällt die Maschine Ihnen ins Wort. Zu lang eingestellt, lässt sie nach jedem Satz eine unangenehme Pause. Das ist die Einstellung, die zwei Produkte auf denselben Bausteinen am deutlichsten unterscheidet.
1
Abnahme
Der Anruf kommt über das Telefonnetz herein.
2
Spracherkennung
Die Stimme wird zu Text, während der Satz läuft.
3
Sprachmodell
Der Text wird mit Ihren Vorgaben abgeglichen, eine Handlung wird gewählt.
4
Sprachsynthese
Die Antwort wird wieder zur Stimme.
| Verzögerung | Was er wahrnimmt | Was er tut |
|---|---|---|
| Unter einer Sekunde | Nichts Auffälliges | Er spricht weiter |
| Ein bis zwei Sekunden | Eine spürbare Pause | Er zögert, manchmal wiederholt er |
| Über zwei Sekunden | Ein Schweigen, das nach Abbruch klingt | Er wiederholt, oder er legt auf |
Wiederholen startet die Analyse von vorn. Jenseits von zwei Sekunden nährt sich die Verzögerung selbst.
- Synthese im Datenstrom
- ≈ 0,5 s
- Synthese im Block
- ≈ 4 s
Gemessen an unserer eigenen Agentenkonfiguration, nicht an einem Marktpanel. Dieser Abstand hat den Blockmodus ausgeschlossen: Am Telefon ist er unbrauchbar. Eine kaskadierte Kette, in der sich drei Bausteine ablösen, legt gegenüber einem durchgängigen Audiomodell noch ein bis zwei Sekunden drauf.
KI-Zentrale, Callbot, Voicebot, Sprachdialogsystem: was diese Wörter meinen
Ein Sprachdialogsystem ist das älteste der vier und das einzige, das nichts versteht. Es liest ein Menü vor, wartet auf eine Taste oder ein Wort aus einer geschlossenen Liste und leitet weiter. Seine Stärke ist die Vorhersehbarkeit, seine Schwäche, dass es den Anrufer bittet, sich selbst in Kategorien einzuordnen, die er im Moment des Anrufs erst kennenlernt.
Callbot und Voicebot meinen im gewöhnlichen Gebrauch dasselbe, ein Programm, das ein Gespräch führt. Der erste Begriff kommt aus dem Kundendienst, der zweite von der Stimme, und wirklich trennt sie nichts. Manche Anbieter sagen lieber Sprachagent, was immer noch dieselbe Produktkategorie meint. Diese Wörter beschreiben eine Technik, keinen Einsatz.
KI-Telefonzentrale beschreibt den Einsatz statt der Technik: Verkauft wird die Annahme der Anrufe eines Unternehmens, mit seinen Zeiten, seinen Leistungen, seinem Kalender und seinen Weiterleitungsregeln. Der Unterschied ist nicht kosmetisch. Ein allgemeiner Voicebot kann reden; eine Telefonzentrale weiß, wer Sie sind, was Sie verkaufen und zu wem sie durchstellt, wenn sie nicht antworten kann.
| Begriff | Versteht einen freien Satz | Handelt in einem Werkzeug | Am Ende der Kette |
|---|---|---|---|
| Sprachdialogsystem | Nein, eine Taste oder ein Wort aus einer geschlossenen Liste | Nein | Leitet weiter, dann Band |
| Callbot, Voicebot | Ja | Je nach Produkt | Antwortet, dann Nachricht |
| Sprachagent | Ja | Je nach Produkt | Gleiche Kategorie, anderes Etikett |
| KI-Telefonzentrale | Ja | Ja: Kalender, Zeiten, Regeln des Betriebs | Setzt den Termin, oder stellt durch |
Callbot und Voicebot meinen dasselbe: Der erste Begriff kommt aus dem Kundendienst, der zweite von der Stimme.
Was eine KI-Telefonzentrale noch verfehlt
Lärm bleibt das erste Hindernis. Ein Anruf von einer Baustelle, vom Straßenrand oder aus einem Restaurant im laufenden Service verschlechtert die Spracherkennung, bevor das Sprachmodell überhaupt ins Spiel kommt, und keine noch so gut geschriebene Vorgabe rettet ein Wort, das nicht gehört wurde. Regionale und fremde Akzente stellen dasselbe Problem, mit einer realen Ungleichheit je nach Sprache.
Danach kommen die Eigennamen, und in einem Empfang sind sie überall: ein Nachname, eine Straße, ein Firmenname. Ein Wort außerhalb des alltäglichen Wortschatzes wird ungefähr transkribiert, und der Termin läuft auf den Namen von jemandem, den es nicht gibt. Gute Produkte lassen buchstabieren und lesen laut zurück; das ist hässlich, das ist langsam, und es ist die einzige Methode, die hält.
Bleiben die Anliegen außerhalb des Rahmens. Eine Beschwerde, eine schwierige persönliche Lage, eine Frage, deren Antwort nicht aufgeschrieben wurde: Die Maschine rät nicht, und sie darf es nicht versuchen. Erwartet wird, dass sie es sagt und Ihre Regel anwendet. Eine erfundene Antwort zu einem heiklen Thema kostet mehr als ein unbearbeiteter Anruf.
Vier Fehlerfamilien, und das Gegenmittel für jede.
- Umgebungslärm, auf einer Baustelle, am Straßenrand oder im laufenden Service. Die Erkennung bricht ein, bevor das Sprachmodell überhaupt startet. Gegenmittel: keines in der Software, es muss von einem ruhigeren Ort aus angerufen werden.
- Regionale und fremde Akzente, mit einer Qualität, die von Sprache zu Sprache wirklich schwankt. Gegenmittel: ein Erkennungsmodell, das auf Telefonaudio trainiert ist, nicht auf Studioaudio.
- Eigennamen, Nachname, Straße oder Firma. Ein Wort außerhalb des Alltagswortschatzes kommt falsch an und der Termin trägt den Namen von jemandem, den es nicht gibt. Gegenmittel: buchstabieren lassen, dann laut zurücklesen.
- Anliegen außerhalb des Rahmens, Beschwerde oder Frage, deren Antwort nirgends steht. Gegenmittel: es sagen und die Weiterleitungsregel anwenden. Niemals erfinden.
Wann ein Mensch übernimmt, und wie
Drei Situationen lösen den Wechsel zum Menschen aus, und sie werden vorab geregelt. Der Anrufer verlangt es, ausdrücklich oder durch Beharren. Das Anliegen fällt aus dem geschriebenen Rahmen. Oder das Verstehen ist zweimal hintereinander gescheitert, die Schwelle, ab der ein Anrufer von selbst auflegt.
Es gibt zwei Arten zu übergeben, und sie kosten Sie nicht dasselbe. Die direkte Weiterleitung lässt eine von Ihnen genannte Nummer klingeln, während der Anrufer wartet; sie setzt voraus, dass jemand abnimmt, sonst fällt der Anruf zurück. Die Nachrichtenaufnahme erfasst Gegenstand, Nummer und Dringlichkeit, und Sie rufen zurück. Die erste ist besser, wenn Leute da sind, die zweite, wenn keine da sind.
Die Frage an einen Anbieter ist die nach dem Rückfall: Was geschieht, wenn die Weiterleitung scheitert. Eine Kette, die auf einem Band endet, stellt genau das Problem wieder her, das man lösen wollte.
Drei Situationen lösen den Wechsel zum Menschen aus. Sie werden vor der Inbetriebnahme geregelt, nicht nach dem ersten missglückten Anruf.
- 1 Der Anrufer verlangt es, ausdrücklich oder durch Beharren.
- 2 Das Anliegen fällt aus dem Rahmen, den Sie geschrieben haben.
- 3 Das Verstehen ist zweimal hintereinander gescheitert, die Schwelle, ab der ein Anrufer von selbst auflegt.
| Vorgehen | Was es voraussetzt | Wann es vorzuziehen ist |
|---|---|---|
| Direkte Weiterleitung | Dass am anderen Ende jemand abnimmt, sonst fällt der Anruf zurück | Wenn Leute da sind |
| Nachrichtenaufnahme | Dass Sie zurückrufen, mit bereits erfasstem Gegenstand und Nummer | Wenn niemand da ist |
Beide lassen sich verbinden: erst weiterleiten, dann Nachricht, wenn nach einer von Ihnen gesetzten Zahl von Klingeltönen niemand abnimmt.
Akzeptieren Anrufer das?
Die Frage stellt sich seltener als früher und anders. Was ärgert, ist nicht, mit einer Maschine zu sprechen, sondern zu warten, zu wiederholen, durch ein Menü zu navigieren und auf einem Band zu landen. Ein automatisierter Empfang, der sofort abnimmt und in vierzig Sekunden einen Termin setzt, wird an diesem Ergebnis gemessen, nicht an seiner Natur.
Die Transparenz dagegen ist nicht verhandelbar, und sie liegt auch in Ihrem Interesse. Ein Empfang, der glauben lässt, man spreche mit jemandem aus Ihrem Team, setzt Sie aus, nicht den Anbieter, der den Satz geschrieben hat. Der Hinweis kommt bei der Abnahme, in einem kurzen Satz, und die Erfahrung zeigt, dass er niemanden zum Auflegen bringt: Zum Auflegen bringt, es mitten im Gespräch herauszufinden.
Die Akzeptanz schwankt dennoch je nach Branche und Anliegen. Eine Reservierung, eine Uhrzeit, eine Rückrufbitte gehen reibungslos durch. Ein intimes Thema, ein Streitfall oder eine schwierige Nachricht verlangen eine menschliche Stimme, und das ist ein Grund mehr, die Weiterleitungsregel vor der Inbetriebnahme zu schreiben, nicht nach dem ersten missglückten Anruf.
| Anlass des Anrufs | Geht reibungslos durch | Warum |
|---|---|---|
| Reservierung, Termin | Ja | Das Ergebnis ist sofort da und für den Anrufer überprüfbar |
| Uhrzeit, Adresse, Verfügbarkeit | Ja | Die Antwort ist sachlich, niemand erwartet etwas anderes |
| Rückrufbitte | Ja | Der Anrufer behält die Hand über das Weitere |
| Beschwerde, Streitfall | Nein | Der Anrufer will gehört werden, nicht abgearbeitet |
| Intimes Thema, schwierige Nachricht | Nein | Die menschliche Stimme gehört zur Antwort |
Die beiden letzten Zeilen sind genau die, die die Weiterleitungsregel abdecken muss.
Vom Anrufbeantworter zur KI-Telefonzentrale: was sich geändert hat
Lange hatte ein nicht angenommener Anruf zwei Ausgänge: das Band oder nichts. In der Praxis sind beide gleichwertig, denn wer einen verfügbaren Fachbetrieb sucht, hinterlässt keine Nachricht, er wählt die nächste Nummer. Das Sprachdialogsystem hat das Problem verschoben, ohne es zu lösen, indem es vor dasselbe Schweigen eine Wartezeit setzte.
Geändert hat sich nicht die synthetische Stimme, die es schon gab. Geändert hat sich das Verstehen eines freien Satzes und die Fähigkeit, in einem Werkzeug zu handeln, meist einem Kalender. Ein Empfang, der den Termin wirklich während des Anrufs setzt, schafft den Rückruf ab, und der Rückruf war die Stelle, an der die Hälfte der Anliegen verloren ging.
Eine Kontinuität sollte man im Kopf behalten: Diese Produkte bleiben Maschinen, die Vorgaben anwenden. Ihre Qualität hängt daran, was Sie hineinschreiben, was Sie nachlesen und was Sie korrigieren, nachdem Sie einige Anrufe gehört haben. Ein einmal eingerichteter und nie überprüfter Telefonempfang verfällt wie ein Aushang an der Wand, den niemand aktualisiert.
Häufige Fragen
- Was unterscheidet sie von einem Sprachdialogsystem?
- Das Sprachdialogsystem leitet weiter, ohne zu verstehen: Es liest ein Menü und wartet auf eine Taste oder ein Wort aus einer geschlossenen Liste. Eine KI-Telefonzentrale nimmt einen freien Satz entgegen, entnimmt ihm das Anliegen und handelt, indem sie einen Termin setzt oder durchstellt.
- Was passiert, wenn zwei Leute gleichzeitig anrufen?
- Beide werden angenommen. Das ist der konkreteste Unterschied zu einem menschlichen Empfang, wo der Zweite wartet und dann die nächste Nummer wählt. Wie viele parallel laufen, hängt von der Einrichtung Ihrer Leitung ab und ist beim Anbieter zu prüfen.
- Muss ich die Rufnummer wechseln?
- Meist nicht. Eine Umleitung von Ihrer bestehenden Leitung genügt, und Sie bestimmen die Bedingung: sofort, nach einer Zahl von Klingeltönen, oder nur außerhalb Ihrer Zeiten. Die Portierung bleibt möglich, ist aber für den Anfang selten nötig.
- Wie lange dauert die Inbetriebnahme?
- Der technische Teil dauert einen Tag. Zeit kostet, die Antworten auf die Fragen zu schreiben, die man Ihnen wirklich stellt, und dann die ersten Anrufe zu hören und zu korrigieren. Rechnen Sie in den ersten Wochen mit zwei bis drei Durchgängen, bis der Empfang nach Ihnen klingt.
