KI-Textagent vs. Voice-AI-Agent: Tools und Anwendungsfälle

Ein KI-Textagent führt schriftliche Konversationen über Chat, SMS, WhatsApp und E-Mail. Ein Voice-AI-Agent führt gesprochene Telefonanrufe in Echtzeit. Welche Variante Sie wählen, hängt davon ab, was die Interaktion tatsächlich erfordert: die Unmittelbarkeit und das Vertrauen einer echten Stimme oder die Skalierbarkeit und schriftliche Dokumentation von Text.

Großunternehmen behandeln dies oft als einzelne Beschaffungsentscheidung und wählen nur eine Option. Stattdessen gehört die Entscheidung auf die Workflow-Ebene. Denn eine größere Zahl von Zahlungserinnerungen benötigt eine dokumentierte Nachverfolgung – das spricht für den E-Mail-Workflow. Häufige Zahlungsstreitigkeiten oder Logistikentscheidungen, die schnellstmöglich geklärt werden müssen, gehören ans Telefon. Wahrscheinlich benötigt die Kundschaft beides innerhalb einer Woche.

Wir schauen uns an, wie die beiden Arten von Konversationsagenten funktionieren: Text und Sprache. Außerdem betrachten wir die Anwendungsfälle, in denen sie jeweils am besten abschneiden, und wie Großunternehmen Voice- und Text-KI-Agenten gemeinsam betreiben, ohne zwei getrennte Systeme pflegen zu müssen.

Was ist ein KI-Textagent?

Ein KI-Textagent ist ein Konversationsagent, der Interaktionen über Chat, SMS, WhatsApp und E-Mail abwickeln kann. Er löst Anfragen und handelt, ohne dass ein Mensch jede Antwort tippen muss.

Wie KI-Agenten interagieren | Quelle: ema

Im Workflow liest der Agent eine eingehende Nachricht und erkennt die Absicht des Absenders. Anschließend ruft er die für die Antwort erforderlichen Daten ab und entscheidet, ob er antwortet oder eine Aktion in einem angebundenen System ausführt.

Fragt beispielsweise eine Kundin oder ein Kunde nach dem Bestellstatus, muss eine Live-Statusauskunft aus dem Auftragsmanagementsystem möglich sein. Ein Lieferant sendet eine Rechnung per E-Mail, die ausgelesen werden muss; sie wird anschließend gegen die Bestellung geprüft und zur Freigabe weitergeleitet.

Ein KI-Textagent bietet vier zentrale Vorteile:

• Standardmäßig asynchron: Keine der beiden Seiten muss gleichzeitig verfügbar sein, sodass ein Agent Tausende Konversationen parallel führt, ohne dass eine Warteschlange entsteht.
• Von Haus aus schriftlich dokumentiert. Jeder Austausch erzeugt ein prüfbares Transkript – ohne Transkriptionsschritt und ohne Genauigkeitsverlust zwischen dem Gesagten und dem Protokollierten.
• Geringe Kosten pro Interaktion. Text erfordert keine Echtzeit-Rechenleistung, sodass Volumen zu einem Bruchteil der Kosten skaliert, die dasselbe Volumen per Sprache verursachen würde.
• Keine besondere Hörumgebung nötig. Eine Lagerhalle, ein Großraumbüro und ein fahrendes Fahrzeug eignen sich gleichermaßen gut für Text.

Liegt eine Anfrage außerhalb des definierten Aufgabenbereichs des Agenten, erfolgt eine Eskalation an einen Menschen, und der gesamte Verlauf wird übergeben – die übernehmende Person startet also mit der vollständigen Historie.

Anwendungsfälle für KI-Textagenten

Setzen Sie einen Textagenten ein, wenn Sie Interaktionen mit hohem Volumen steuern müssen und eine schriftliche Dokumentation benötigen. Dazu zählen Supportanfragen, Bestellaktualisierungen, Lead-Qualifizierung, Erinnerungen und Dokumentenerfassung – all das fällt in diese Kategorie.

Zum Beispiel: Klarna setzt einen von OpenAI betriebenen Assistenten ein, der im ersten Monat 2,3 Millionen Konversationen abwickelte und damit zwei Drittel der Kundenservice-Chats des Unternehmens. Die Lösungszeit sank von 11 Minuten auf unter 2 Minuten, während wiederholte Anfragen um 25 % zurückgingen. Darüber hinaus prognostizierte Klarna für 2024 eine Gewinnverbesserung von 40 Millionen $. Es gibt zudem eine weitere Fallstudie, die McKinsey zu einer globalen Lifestyle-Marke dokumentiert hat, deren auf generativer KI basierender Einkaufsassistent die Konversionsraten um 20 steigerte.

Text ist die richtige Wahl für:

• Supportanfragen mit abrufbarer Antwort. Dazu zählen Bestellstatus, Fragen zu Richtlinien, Kontostände und Passwort-Zurücksetzungen.
• Proaktive Statusmeldungen, bei denen die Empfängerseite die Information benötigt, aber kein Gespräch.
• Lead-Qualifizierung am oberen Ende des Funnels, wo Reaktionsgeschwindigkeit wichtiger ist als persönlicher Draht.
• Erinnerungen und Bestätigungen für Termine, Schichten, Lieferungen und Verlängerungen.
• Dokumentenerfassung, bei der der Agent eine Datei anfordert. Er prüft, was eingeht, und hakt nach, was fehlt.

Was ist ein Voice-AI-Agent?

Ein Voice-AI-Agent ist ein Konversationsagent, der gesprochene Telefonanrufe in Echtzeit abwickelt. Er beantwortet die Fragen der Nutzenden, stellt selbst Rückfragen und handelt zugleich innerhalb des Gesprächs.

Bei jedem Gesprächszug laufen vier Komponenten nacheinander ab:

• Speech-to-Text wandelt das Gesagte der anrufenden Person in Text um
• Ein Sprachmodell interpretiert die Anfrage und entscheidet, was zu tun ist.
• Tool-Aufrufe rufen während des Gesprächs Daten ab oder schreiben in angebundene Systeme.
• Text-to-Speech wandelt die Antwort wieder in Audio um.

Zwei Komponenten unterscheiden einen produktiven Voice-AI-Assistenten von einer Demo. Die Erkennung des Sprecherwechsels bestimmt, ob eine anrufende Person zu Ende gesprochen hat oder nur nachdenkt. Das steuert, ob der Agent unterbricht oder Funkstille entsteht.

Die Erkennung von Sprachaktivität trennt tatsächliche Sprache von Hintergrundgeräuschen wie Musik und Umgebungsgeräuschen. So reagiert der Agent auf die anrufende Person und nicht auf die Umgebung.

In drei Situationen rechtfertigt Sprache ihre höheren Kosten:

• Lösung in Echtzeit: Die anrufende Person hat die Antwort vor dem Auflegen – ohne Ticket und ohne Wartezeit.
• Mehr Vertrauen und Dringlichkeit: Ein Live-Gespräch hat mehr Gewicht als eine Nachricht. Das wird wichtig, wenn ein Unternehmen mit Forderungsmanagement, Verifizierung und Streitfallbearbeitung zu tun hat.
• Komplexität und Nuancen: Wenn eine Anfrage Verzweigungen und Bedingungen enthält, dauert die Klärung am Telefon Minuten statt eines mehrtägigen Austauschs.

Anwendungsfälle für KI-Sprachagenten

Setzen Sie einen Sprachagenten ein, wenn ein einziger Anruf die anrufende Person beantworten und die dahinterliegende Arbeit erledigen muss. Dazu zählen Forderungsmanagement, Inbound-Support, Terminvereinbarung, Identitätsprüfung und Outbound-Qualifizierung.

KI-Sprachagenten | Quelle: Astera

Moderne KI-Lösungen für Contact Center ersetzen die Warteschlange, nicht die Mitarbeitenden. Ein Sprachagent nimmt jeden eingehenden Anruf auch bei Spitzenvolumen an, sodass Wartezeit keine Variable mehr ist, die der Betrieb steuern muss. Circle Logistics hat mit HappyRobot mehr als 100.000 KI-gestützte Anrufe mit einer Annahmequote von 100 % abgewickelt und bucht 18 % seiner Fracht ohne jedes menschliche Zutun.

In den folgenden Fällen profitieren Sie von einem KI-Sprachagenten:

• Forderungsmanagement und Debitorenbuchhaltung: Ein Outbound-Anrufagent arbeitet eine Liste ab, für die kein menschliches Team die Kapazität hat. HappyRobot-Kunden mit diesem Workflow berichten von einem 119-fachen ROI auf eingezogene Beträge im Verhältnis zu den Inkassokosten.
• Inbound-Support mit hohem Volumen: Hier fängt Voice AI im Contact Center die Anrufe ab, die sonst in der Warteschlange landen würden.
• Terminbuchung und Terminvereinbarung: KI-Sprachagenten können Verfügbarkeiten bestätigen, den Termin buchen und das System in einem einzigen Anruf aktualisieren.
• Outbound-Qualifizierung: Das KI-Anrufsystem kann eine Reaktivierungsliste abarbeiten, die sonst unbearbeitet bliebe.

Was ist der Unterschied zwischen einem KI-Textagenten und einem KI-Sprachagenten?

Der zentrale Unterschied ist die Anzahl der KI-Modelle, die jeweils laufen. Ein Textagent nutzt eines. Ein Sprachagent nutzt drei in einer Kette.

Ein Textagent nimmt eine geschriebene Nachricht entgegen, übergibt sie an ein Sprachmodell und sendet die Antwort als Text zurück. Ein Schritt, ein Modell. Ein Sprachagent braucht drei. Speech-to-Text wandelt das Audio der anrufenden Person in Wörter um. Das Sprachmodell liest diese Wörter und entscheidet über die Antwort. Text-to-Speech wandelt diese Antwort wieder in Audio um, das die anrufende Person hört.

Jedes Modell in dieser Kette kostet Zeit, und alle drei müssen fertig sein, bevor die anrufende Person eine Lücke bemerkt. Deshalb kosten Sprachagenten pro Interaktion mehr und deshalb ist Latenz die Kennzahl, auf die Voice-Teams achten.

KI-Textagent oder KI-Sprachagent: die richtige Wahl

Am besten entscheiden Sie zwischen einem KI-Textagenten und einem KI-Sprachagenten, indem Sie zählen, wie viele Austausche eine Anfrage bis zur Lösung braucht. Ein Austausch bedeutet Text. Fünf Nachrichten hin und her bedeuten: Ein Anruf erledigt es in drei Minuten.

Eine Frage zum Auftragsstatus ist zum Beispiel ein einziger Austausch – das kann ein KI-Textagent übernehmen. Bei der Verhandlung eines Zahlungsplans geht es um die Situation des Kunden, darum, was er zahlen kann und wann. Daraus wird schnell eine Woche voller E-Mails oder ein sechsminütiges Gespräch.

Zwei Faktoren können diese Antwort verändern:

• Volumen: Sprache kostet pro Interaktion ein Mehrfaches von Text. Bei einer Million Interaktionen pro Jahr ist dieser Unterschied echtes Geld – alles, was per Text lösbar ist, sollte also per Text bleiben.
• Wer wartet. Wer angerufen hat, ist jetzt in der Leitung. Diese Person in einen Textverlauf umzuleiten bedeutet, dass sie auflegt und erneut anruft.

Drei Methoden machen daraus eine belastbare Entscheidung

Wenn Sie wissen möchten, wie Sie zwischen KI-Textagent und KI-Sprachagent wählen, beachten Sie Folgendes:

• Ermitteln Sie die Anzahl der Austausche aus Ihrem Ticketsystem: Sortieren Sie die Tickets der letzten 90 Tage nach Kategorie und prüfen Sie, wie viele Austausche jede Kategorie im Schnitt bis zum Abschluss benötigt. Kategorien, die in einem Austausch abgeschlossen sind, gehen an Text. Kategorien mit durchschnittlich vier oder mehr gehen an Sprache.
• Prüfen Sie den Wert jeder Interaktion: Ein Passwort-Reset und ein Zahlungsplan haben unterschiedliches Umsatzgewicht. Alltägliche Anfragen gehen an Text. Alles, was mit Geld oder einer Entscheidung zu tun hat, geht an Sprache.
• Testen Sie die Richtung der Eskalation: Beginnen Sie jeden workflow per Text und verfolgen Sie, welche Kategorien dennoch zu einem Anruf eskalieren. Wenn ein bestimmter Tickettyp per Text startet, aber ohnehin immer wieder zum Telefonanruf wird, gehört dieser Tickettyp von Anfang an auf den Sprachkanal.

Warum Großunternehmen oft beides brauchen – und wie HappyRobot hineinpasst

Wenn Ihr Großunternehmen Text und Sprache auf zwei Anbieter verteilt, hat der eine Agent keine Aufzeichnung darüber, was der andere kommuniziert hat. Das wird zum Problem für das Kundenerlebnis, denn der Kunde muss seine Kundennummer, sein Anliegen und alles, was er schon geschrieben hat, wiederholen. Jede Wiederholung kostet Vertrauen in das System.

HappyRobot stellt KI-Mitarbeitende bereit, die Sprache und Text auf derselben workflow-Engine ausführen. Dieselben vier Node-Typen (Aktion, Prompt, Bedingung, Tool) bilden einen Telefonanruf, einen E-Mail-Verlauf, eine SMS-Sequenz oder eine WhatsApp-Konversation. Sie erhalten Zugang zum eigenen Voice-Stack, der Speech-to-Text, Text-to-Speech und die Erkennung des Sprecherwechsels in Anrufen abdeckt. Dazu kommen zahlreiche native Integrationen zur Anbindung: Gmail, Outlook, Slack, Twilio SMS und WhatsApp für Text.

Das Kontaktgedächtnis von HappyRobot wirkt über Text und Sprache hinweg und macht die Plattform zu einer der fünf besten Voice AI-Lösungen für Großunternehmen im kundennahen Bereich. In der Praxis heißt das: Wenn ein Kunde, der am Montag eine E-Mail geschrieben hat, am Donnerstag anruft, startet der Sprachagent mit der vollständigen Historie dieses E-Mail-Verlaufs. Ihre Kunden müssen nie wiederholen, was sie bereits mitgeteilt haben.

HappyRobot setzt seine Forward Deployed Engineers ein, um diese workflows innerhalb weniger Wochen vor Ort aufzubauen und bereitzustellen.