Voice Agents im Kundenservice: Warum Sprache die schwierigste Schnittstelle ist

Sprache stellt KI im Kundenservice vor besondere Herausforderungen: Während kurze Verzögerungen im Chat kaum auffallen, entscheiden am Telefon Sekunden über einen natürlichen Gesprächsfluss. In diesem Gastbeitrag zeigt Gordian Braun von ElevenLabs, warum erfolgreiche Voice Agents weit mehr benötigen als gute Spracherkennung. Er erklärt, welche Rolle Reaktionsgeschwindigkeit, Systemanbindungen, Eskalationslogik und agentische Fähigkeiten spielen – und warum die Zukunft des telefonischen Kundenservice nicht in starren Gesprächsskripten, sondern in intelligenten, handlungsfähigen Systemen liegt.

Jeder kennt die Ansage. „Ihr Anruf ist uns wichtig." Danach Musik, danach ein Menü, danach die Bitte, die Kundennummer einzugeben, die man vier Minuten später einem Menschen noch einmal vorliest. Das Telefon ist der Kanal, über den Serviceorganisationen das meiste Volumen abwickeln, und zugleich der, in dem sich seit zwanzig Jahren am wenigsten bewegt hat.

Im Text ist der Fortschritt sichtbar. Assistenten beantworten Standardanfragen, ziehen Wissen aus mehreren Systemen zusammen, und übergeben an Menschen, wenn es komplex wird. Am Telefon scheitern dieselben Projekte reihenweise. Nicht an der Sprachverarbeitung. An etwas viel Banalererem: an der Zeit.

Ein Chat verzeiht Pausen. Der Nutzer sieht drei Punkte, wartet, liest im eigenen Tempo, scrollt zurück. Ein Telefonat hat keinen dieser Puffer. Wer im Gespräch länger als einen Wimpernschlag zögert, wirkt nicht nachdenklich, sondern defekt. Und Menschen am Telefon verhalten sich nicht wie Formulare: Sie unterbrechen, reden weiter, murmeln, holen mitten im Satz aus, schieben das eigentliche Anliegen erst am Ende nach.

Damit verschiebt sich die entscheidende Frage. Sie lautet nicht mehr „Versteht das System die Absicht?", denn das können heute viele. Sie lautet: Wie schnell antwortet es, was passiert, wenn jemand dazwischenredet, und wie hält es ein Gespräch am Leben, während im Hintergrund ein Vertragssystem abgefragt wird? 

Regelbasierte Sprachdialogsysteme haben dieses Problem elegant umgangen, indem sie es dem Anrufer aufgebürdet haben: „Sagen Sie Vertrag, Rechnung oder Störung." Solange der Fall in den Entscheidungsbaum passt, funktioniert das. Sobald jemand zwei Anliegen gleichzeitig hat, ein Detail nachträgt oder eine Frage anders formuliert als vorgesehen, endet der Pfad dort, wo er immer endet: in der Warteschleife.

Agentische Systeme drehen die Logik um. Statt jeden Dialogweg vorab zu skripten, definiert man Zielzustände, verfügbare Werkzeuge, Datenzugriffe und Leitplanken. Den Weg dazwischen findet der Agent selbst. Im Sprachkontext heißt das konkret: Er stellt eine Rückfrage, ohne den Faden zu verlieren, legt ein Ticket an, während er spricht, ruft einen Lieferstatus ab und baut das Ergebnis in denselben Satz ein.

Wichtig dabei: agentisch heißt nicht unkontrolliert. In produktiven Umgebungen arbeiten solche Systeme mit definierten Berechtigungen, geprüften Wissensquellen und klaren Übergabepunkten an Menschen. Für Anbieter wie Betreiber gelten die Transparenzpflichten nach Artikel 50 der EU-KI-Verordnung: Wer anruft, muss erkennen können, mit wem oder womit er spricht.

Vier Dinge entscheiden in der Praxis darüber, ob ein Voice Agent trägt. 

Die Deutsche Telekom hat mit dem Magenta AI Call Assistant einen Sprachassistenten direkt in das Mobilfunknetz integriert. Er nimmt Anrufe entgegen, wenn der Kunde nicht kann, arbeitet in rund 50 Sprachen und braucht keine App auf dem Gerät. Interessant ist weniger die Funktion als die Bauweise: Sprachintelligenz liegt hier nicht als Anwendung auf dem Endgerät, sondern als Schicht in der Infrastruktur. Man installiert sie nicht. Sie ist da.

Der Sprung liegt nicht darin, dass Systeme besser antworten. Er liegt darin, dass sie handeln können, bevor überhaupt jemand zum Hörer greift. Der Rückruf zur bekannten Störung, die Terminverschiebung vor der Beschwerde, die Information, die den Anruf überflüssig macht. Der beste Serviceanruf ist der, der nie stattfindet.

Wer Sprache als Schnittstelle ernst nimmt, schreibt deshalb keine Gesprächsskripte mehr. Er baut Fähigkeiten: Werkzeuge, Rechte, Wissen, Prüflogik. Das Gespräch ergibt sich daraus.