Die Mechanik, verständlich erklärt

Ein Voicebot macht in Software, was ein menschlicher Mitarbeiter am Telefon tut, aufgeteilt in drei Schritte, die sich während des Gesprächs wiederholen:

  1. Sprache zu Text. Der Anrufer spricht. Ein Spracherkennungsmodell verwandelt die Audiodaten in Echtzeit in Text. Für Deutsch, ebenso wie für Slowenisch und Kroatisch, entscheidet sich hier, ob die Qualität stimmt, denn ein nicht darauf abgestimmtes Modell verhört Namen, Straßen und Fachjargon.
  2. Verstehen und entscheiden. Ein Sprachmodell liest den Text, erkennt, was der Anrufer will, und entscheidet, was zu tun ist. Braucht es eine Information, ruft es sie aus Ihren angebundenen Systemen ab. Liegt die Anfrage außerhalb seines Rahmens, gibt es an einen Menschen weiter.
  3. Text zu Sprache. Die Antwort des Assistenten wird zurück in natürliche Sprache verwandelt und dem Anrufer vorgespielt.

Dieser Kreislauf läuft schnell genug, um sich wie ein normales Gespräch anzufühlen. Vandri baut das auf der vCore-Plattform: Soniox-Spracherkennung, LiveKit für den Live-Anruf und OpenAI Realtime oder Gemini für die Entscheidungslogik, alles auf EU-Hosting.

Was zuerst automatisiert werden sollte

Der erste Impuls ist, alles auf einmal zu automatisieren. Genau daran scheitern Projekte. Die Anrufe, die sich zuerst lohnen, haben drei Merkmale gemeinsam: hohes Volumen, Wiederholbarkeit, und eine klare Datenquelle für die Antwort.

Gute erste Kandidaten:

  • Status von Bestellung, Ticket oder Schadensfall.
  • Häufig gestellte Fragen mit stabilen Antworten.
  • Terminvereinbarung und Terminverschiebung.
  • Einfache ausgehende Erinnerungen und Nachfassaktionen.

Für später, oder für Menschen belassen:

  • Emotionale oder heikle Anrufe.
  • Einzelfälle ohne wiederkehrbares Muster.
  • Alles, dessen Antwort nirgendwo schriftlich oder systematisch vorliegt.

Einen Anruftyp auswählen, ihn zuverlässig zum Laufen bringen, dann erweitern. Ein enger Assistent, der eine Sache zuverlässig beherrscht, schlägt einen breiten, der alles schlecht macht.

Die ehrliche ROI-Rechnung

Man braucht keine erfundenen Statistiken, um den Nutzen zu beziffern. Die Rechnung ist einfach:

  • Was ein Anruf Sie heute kostet. Mitarbeiterzeit pro Anruf, plus die Kosten verpasster und abgebrochener Anrufe, plus jede Erreichbarkeit außerhalb der Geschäftszeiten oder Überlaufabdeckung, die Sie bezahlen.
  • Welcher Anteil der Anrufe für Automatisierung geeignet ist. Schauen Sie sich Ihre Anrufprotokolle an. Wie viel Prozent gehören zu den oben genannten wiederkehrenden Typen? Das ist Ihr adressierbares Volumen.
  • Was der Assistent tatsächlich abfängt. Von diesem adressierbaren Volumen: wie viele Anrufe löst der Assistent vollständig, ohne Mensch.

Der Nutzen zeigt sich an drei Stellen: Anrufe außerhalb der Geschäftszeiten, die sonst verloren gingen, schnellere Antworten bei Routineanrufen, und Mitarbeiter, die frei werden für die Anrufe, die wirklich Urteilsvermögen brauchen. Es geht nicht darum, das Team zu verkleinern. Es geht darum, es nicht mit Arbeit zu verschwenden, die keinen Menschen braucht.

Rechnen Sie mit Ihren eigenen Zahlen, bevor Sie kaufen. Ist das adressierbare Volumen winzig, lohnt sich Automatisierung vielleicht noch nicht, und ein guter Partner sagt Ihnen das offen.

Wo es schiefgeht

Die typischen Fehler sind vorhersehbar, was sie auch vermeidbar macht:

  • Falsche Sprachebene. Spracherkennung einsetzen, die nicht auf die jeweilige Sprache abgestimmt ist. Ein falsch verstandener Satz genügt, und der Anrufer verlangt einen Menschen, das Vertrauen ist weg.
  • Keine Datenquelle. Den Assistenten auf Fragen ansetzen, deren Antworten nur im Kopf einer Person existieren. Der Assistent kann nicht abrufen, was nie aufgeschrieben wurde.
  • Keine Weiterleitung. Ein Assistent ohne saubere Eskalation fängt Anrufer ein. Er sollte an einen Menschen weitergeben, sobald ein Anruf seinen Rahmen sprengt.
  • Alles auf einmal wollen. Versuchen, jeden Anruftyp gleichzeitig zu automatisieren, statt zuerst einen zu beweisen.
  • Compliance ignorieren. Aufzeichnungen in der EU speichern, aber die Audiodaten außerhalb davon verarbeiten. Für ein Callcenter, das personenbezogene Daten verarbeitet, müssen Speicherung und Verarbeitung beide in der EU bleiben.

Konform bleiben

Anrufe enthalten personenbezogene Daten, Compliance ist also keine Option, sondern Pflicht. Ein Voicebot sollte innerhalb der EU-Datenresidenz laufen, mit Audioverarbeitung in der EU und nicht nur Speicherung dort, plus rollenbasiertem Zugriff und Audit-Logs, nach den Grundsätzen der DSGVO und ISO 27001. Mehr dazu in unserem Leitfaden zu DSGVO-konformer KI in der EU.

Eine sinnvolle Einführung

Der Weg, den wir bei Vandri gehen:

  1. Anrufprotokolle ansehen und einen hochvolumigen, wiederkehrenden Anruftyp auswählen.
  2. Das eine oder zwei Systeme anbinden, die der Assistent für die Antwort braucht.
  3. Einen funktionierenden Assistenten für diesen Anruftyp ausliefern.
  4. Echte Gespräche anhören, Fehler korrigieren und nachjustieren.
  5. Auf den nächsten Anruftyp erweitern, sobald der erste sich bewährt hat.

Sie behalten die Kontrolle über den gesamten Weg, und der Assistent gibt schwierige Anrufe stets an einen Menschen weiter.

Bereit, Ihre Zahlen anzusehen?

Sagen Sie uns, wie Ihr Anrufvolumen aussieht und welche Anrufe die meiste Zeit kosten. Wir helfen Ihnen, das adressierbare Volumen zu ermitteln und ob sich Automatisierung lohnt, ehrlich. Für die Käufersicht auf das fertige Produkt lesen Sie unseren Leitfaden zum KI-Telefonassistent, oder vereinbaren Sie ein Gespräch.