Das Gespräch ist nur die Oberfläche
Ein Telefonassistent wirkt für Anrufende wie eine einzige Anwendung. Technisch treffen jedoch mehrere Systeme aufeinander: Telefonie, Speech-to-Text, Sprachmodell, Text-to-Speech, Unternehmensdaten und oft ein Backend, in dem tatsächlich etwas gebucht, geändert oder dokumentiert werden soll.
Latenz entscheidet über das Erlebnis
Bei Textanwendungen sind ein oder zwei Sekunden oft unkritisch. In einem Gespräch wirken lange Pausen sofort künstlich. Deshalb muss die Architektur auf Streaming, schnelle Transkription und kurze Modellantworten abgestimmt werden. Nicht jedes Modell ist für jede Gesprächssituation die beste Wahl.
Backend-Aktionen brauchen klare Grenzen
Ein Voice-Agent kann deutlich mehr als Öffnungszeiten vorlesen. Er kann Verfügbarkeiten prüfen, Daten aufnehmen oder eine Änderung vorbereiten. Schreibende Aktionen sollten aber nur über klar definierte APIs erfolgen und – je nach Risiko – zusätzlich bestätigt oder an einen Menschen übergeben werden.
Übergabe ist ein Kernfeature
Kein Sprachassistent löst jeden Fall. Entscheidend ist deshalb eine gute Eskalation: Was passiert bei Unklarheit? Welche Informationen werden an den Mitarbeitenden übergeben? Muss der Kunde alles erneut erzählen? Eine produktive Lösung plant diese Übergabe von Anfang an.
Typische Anwendungsfälle
- wiederkehrende Serviceanfragen vorsortieren
- Verfügbarkeiten und Statusinformationen aus Systemen abrufen
- Termine oder Rückrufe vorbereiten
- strukturierte Daten aus Gesprächen erfassen
- komplexe Fälle mit Kontext an Mitarbeitende übergeben