Das Wichtigste an Sprach-KI ist nicht die Stimme

Das Wichtigste an Sprach-KI ist nicht die Stimme. Entscheidend ist, welches Erlebnis Sprache ermöglicht.

Denken Sie an das beste Serviceerlebnis, das Sie je hatten. Sie fühlten sich verstanden. Sie mussten sich nicht wiederholen, erst herausfinden, wie die Organisation funktioniert, oder sich durch ihre internen Abläufe navigieren. Sie erklärten, was Sie brauchten, und jemand nutzte Kontext, Urteilsvermögen und Kenntnisse über die Organisation, um Ihnen zu einem guten Ergebnis zu verhelfen.

Was wäre, wenn Unternehmen mehr solcher Erlebnisse bieten könnten – verlässlicher und in größerem Umfang?

Das ist das wahre Versprechen von Sprachagenten – nicht einfach das Ersetzen von Tippen durch Sprechen oder die Automatisierung jeder menschlichen Interaktion. Sprachagenten verlagern den Schwerpunkt des Erlebnisses: weg von der Navigation durch Systeme, hin zum Äußern eines Anliegens. Kunden oder Beschäftigte beschreiben mit eigenen Worten, was sie erreichen möchten. Der Agent versteht den Kontext, koordiniert im Hintergrund die passenden Wissensquellen und Systeme, führt zulässige Aktionen aus und schaltet eine echte Person hinzu, wenn Urteilsvermögen, Einfühlungsvermögen oder Entscheidungsbefugnis gefragt sind.

Jahrzehntelang haben sich Menschen an die Technologie angepasst. Wir haben gelernt, wo wir klicken, welches Menü wir öffnen und wie wir eine einfache Absicht in eine Reihe von Befehlen übersetzen. Generative KI begann das zu ändern, indem sie uns Gespräche in Alltagssprache ermöglichte. Sprache geht noch einen Schritt weiter und kehrt das Verhältnis grundlegend um: Die Technologie passt sich daran an, wie Menschen auf natürliche Weise kommunizieren, während die Komplexität des Unternehmens in den Hintergrund tritt.

Warum Sprache das Erlebnis in Unternehmen verändert

Sprache ist wichtig, weil sie Hürden für Beschäftigte, Kunden und neue Mitarbeitende gleichermaßen abbaut. Wer beim Service-Desk anruft, sollte nicht wissen müssen, welches System für ein Problem zuständig ist oder eine Lösung bereithält. Kunden sollten dieselben Informationen nicht wiederholen müssen, wenn sie zwischen Kanälen wechseln. Neue Mitarbeitende sollten nicht auf statische Schulungsmaterialien beschränkt sein, wenn sie stattdessen realistische Gespräche üben und direkt Rückmeldung erhalten könnten.

Sprache erleichtert auch den Zugang für Menschen, die nicht an einer Tastatur sitzen, im Außendienst arbeiten oder sich beim Sprechen einfach wohler fühlen als beim Tippen. Mehrsprachige Funktionen helfen Unternehmen, über Ländergrenzen hinweg einheitlich zu kommunizieren, ohne für jede Interaktion einen eigenen Produktionsaufwand betreiben zu müssen.

Dennoch ersetzt Sprache nicht jeden Bildschirm und jedes Gespräch mit einem Menschen. Visuelle und schriftliche Formate eignen sich weiterhin besser, um umfangreiche Informationen zu vergleichen und präzise Details zu prüfen. Menschliches Urteilsvermögen bleibt unverzichtbar, wenn eine Situation unklar, sensibel oder folgenreich ist. Die Chance liegt darin, Sprache dort einzusetzen, wo ein Gespräch der natürlichste Weg zum gewünschten Ergebnis ist, und für alle anderen Fälle klare Übergaben zu gestalten.

Eine Sprachschnittstelle allein reicht nicht aus

Eine natürlich klingende Stimme reicht nicht aus. Der tatsächliche Mehrwert hängt davon ab, ob der Agent das Erlebnis spürbar verbessern kann: indem er Hürden abbaut, den Kontext bewahrt, Lösungen schneller herbeiführt und Menschen dabei hilft, das richtige Ergebnis zu erreichen. Dafür braucht es mehr als eine überzeugende Schnittstelle. Erforderlich sind vernetzte Daten und Arbeitsabläufe, klare Grenzen, zuverlässige Übergaben und die Verantwortung dafür, was als Nächstes geschieht.

Es ist daher wichtig, zwischen festgelegten Abläufen und Absichten zu unterscheiden. Ein herkömmlicher Arbeitsablauf gibt jeden Schritt im Voraus vor. Ein auf Ergebnisse ausgelegter Sprachagent hingegen nimmt die Absicht auf, versteht Regeln und Kontext und passt sein Vorgehen an, bis das Ziel erreicht ist oder menschliches Urteilsvermögen gefragt ist.

Es ist hilfreich zu wissen, wo die Käufer tatsächlich stehen, denn die Unternehmen haben in kurzer Zeit drei Phasen durchlaufen. Eine Zeit lang herrschte ein regelrechter Einführungsrausch – Einführung weitgehend um ihrer selbst willen. Dann mussten Führungskräfte für die Erträge dieser Investitionen geradestehen, konnten aber oft nicht darlegen, welchen Nutzen sie gebracht hatten. Das führte zu einer Neuausrichtung auf Ergebnisse. Es ging nicht mehr nur darum, ob eine Einführung ein Ergebnis brachte, sondern auch darum, ob dabei etwas Wesentliches beeinträchtigt wurde. Daraus entstand eine wohlwollende Skepsis: die echte Bereitschaft zu investieren, verbunden mit der Erwartung, dass beide Fragen beantwortet werden.

Auch die Prognosen weisen in dieselbe Richtung. Gartner geht davon aus, dass agentische KI bis 2029 80 % der häufig auftretenden Probleme im Kundenservice autonom lösen wird. Ob die genaue Zahl nun 80 % beträgt, ist nicht entscheidend. Wichtig ist hier das Wort lösen. Das Gespräch beginnt mit dem Zugang – das eigentliche Produkt ist die Lösung.

Customer Zero im Rampenlicht

Bei DXC fand einer unserer ersten Einsätze von Sprach-KI in einem ungewöhnlich öffentlichen Rahmen statt: bei unseren Telefonkonferenzen zu Geschäftszahlen. In drei aufeinanderfolgenden Quartalen verfasste CEO Raul Fernandez sein vorbereitetes Skript, während ein mit ElevenLabs entwickeltes, maßgeschneidertes KI-Sprachmodell es mit seiner Stimme vortrug.

Der erste Anruf demonstrierte die grundlegenden Fähigkeiten. Beim zweiten konnten seine Ausführungen auf Spanisch, Französisch, Deutsch, Portugiesisch und Arabisch geteilt werden. Beim dritten wurde das Skript gleichzeitig in sechs Sprachen verbreitet. Jedes Mal teilte Raul den Zuhörern mit, dass er den Text selbst verfasst hatte und ein KI-Modell ihn vortrug.

Eine Telefonkonferenz zu den Geschäftszahlen ist kein leichtes Format: Sie steht unter genauer Beobachtung, ist reguliert und verzeiht nichts, was auch nur leicht falsch klingt. Aus dem Experiment an diesem Ort statt an einem sichereren kamen vier Erkenntnisse hervor.

• Die Urheberschaft ist wichtiger als die Wiedergabe. Die Aussagen stammen von ihm; das Modell liest sie lediglich vor. Unternehmen können ihre Kommunikation in mehreren Sprachen skalieren, ohne zu ändern, wer die Botschaft verfasst hat oder dafür verantwortlich bleibt.
• Die Offenlegung stärkte das Ergebnis, statt es zu untergraben. Zunächst war unklar, ob die Ankündigung, dass eine KI-Stimme zum Einsatz kommt, unser Vertrauen kosten würde. Das Gegenteil war der Fall, und die Alternative – darauf zu hoffen, dass es niemand bemerkt – wäre sowohl ethisch als auch praktisch falsch gewesen.
• Die mehrsprachige Wiedergabe bot einen echten Mehrwert. Aktionärinnen und Aktionäre, die sonst auf eine Übersetzung warten müssten, hören nun zur selben Zeit dieselben Aussagen mit derselben Stimme. Das verändert, wer gleichberechtigten Zugang zu Informationen erhält – es geht nicht um eine effizientere Produktion.
• Vertrauen beruht auf Verantwortlichkeit, nicht auf perfekter Darbietung. Menschen akzeptieren eine von KI vorgetragene Botschaft, wenn sie wissen, wer sie verfasst hat, wer dahintersteht und welche Möglichkeiten ihnen im Problemfall offenstehen. Nichts davon ist allein an der Stimme zu erkennen.

Das entspricht einem Grundsatz, den wir bei LabX, dem KI-nativen Produktinkubator von DXC, verfolgen: Bevor wir Kunden bitten, einer neuen Technologie zu vertrauen, sollten wir bereit sein, sie in unserem eigenen Umfeld zu testen. Wenn wir selbst als erster Kunde auftreten, werden Probleme sichtbar, die eine ausgefeilte Demo nicht aufzeigt – etwa, wo Menschen zögern, wo Vertrauen schwindet und welche Schutzvorkehrungen nötig sind, um die Technologie verantwortungsvoll und im großen Maßstab einzusetzen. Die schwierigsten Herausforderungen beim Einsatz von KI in Unternehmen sind meist menschlicher und nicht technischer Natur.

Von der Demonstration zu neuen Erlebnissen

Unsere strategische Partnerschaft mit ElevenLabs, dem auf Audiomodelle und Sprachagenten spezialisierten KI-Unternehmen, knüpft an die Erfahrungen an, die wir als erster Kunde gesammelt haben, und setzt Sprach-KI in drei konkreten Bereichen ein. In jedem Fall steht ein klar definiertes Ergebnis am Anfang, nicht einfach die Einführung einer Technologie.

• An Service Desks können Sprachagenten Mitarbeitenden helfen, ein Problem auf natürliche Weise zu beschreiben, relevantes Wissen abzurufen, routinemäßige Schritte auszuführen und bei Bedarf den vollständigen Kontext an eine Fachkraft weiterzugeben. Entscheidend ist nicht, wie viele Anrufe abgefangen werden. Entscheidend ist, ob die anrufende Person ihr Anliegen in einem Gespräch klären kann, ohne das Problem dreimal schildern zu müssen.
• Auf Customer-Experience-Plattformen sorgen mehrsprachige Schnittstellen mit natürlich klingenden Stimmen für einheitlichere Interaktionen über Telefon- und digitale Kanäle hinweg. In den meisten Dienstleistungsunternehmen hängt die Qualität davon ab, wer wann antwortet. Hier bietet sich eine echte Chance zur Verbesserung: Jede Interaktion kann auf demselben Kontext aufbauen, während die schwierigsten Fälle weiterhin an die dafür am besten geeigneten Menschen weitergeleitet werden.
• In der Weiterbildung macht Sprache aus passiven Inhalten praktische Übungen. Mitarbeitende können ein Kundengespräch, ein Sicherheitsszenario oder ein schwieriges Gespräch mit einer Führungskraft durchspielen und anschließend gezieltes Coaching erhalten. Menschen erwerben schneller die nötigen Fähigkeiten, wenn sie das tatsächliche Gespräch üben, statt nur darüber zu lesen.

Anwendungen für bestimmte Branchen könnten die größte Wirkung entfalten. Versicherer können eine geführte Schadenaufnahme für Routinefälle erproben; Hersteller können Außendiensttechnikerinnen und -technikern freihändigen Zugriff auf Arbeitsanweisungen ermöglichen; Organisationen des öffentlichen Sektors können Informationen in mehreren Sprachen leichter zugänglich machen. Dabei handelt es sich nicht um allgemeine Agenten, die einfach auf eine Organisation aufgesetzt werden. Sie müssen auf den Wortschatz, die Regeln, die Daten und das Risikoprofil der jeweiligen Branche zugeschnitten sein.

Die Qualitäten hervorragenden Service skalieren, nicht ein vorgefertigtes Gespräch

Das Risiko besteht natürlich darin, dass Skalierung zu Gleichförmigkeit führt. Unternehmen haben diesen Fehler schon früher gemacht: Sie haben ein Entscheidungsmodell einheitlich angewandt, das dem Durchschnittsfall gerecht wurde und alle anderen im Stich ließ. Tatsächlich skalieren sollten die Qualitäten eines hervorragenden Servicegesprächs – fundiert, reaktionsschnell und auf ein Ergebnis ausgerichtet –, während sich das Gespräch selbst an Sprache, Kontext und Anliegen der jeweiligen Person anpasst. Einheitlichkeit sollte bedeuten, durchgehend gute Qualität zu bieten, nicht überall dasselbe.

Vertrauen ist Teil des Erlebnisses

Je menschlicher eine Sprachagentenstimme klingt, desto wichtiger wird Transparenz. Menschen sollten wissen, wenn sie mit einer KI interagieren. Unternehmen benötigen eine ausdrückliche Einwilligung, um die synthetische Stimme einer Person zu erstellen oder zu verwenden, Zugriffskontrollen, starke Authentifizierungsverfahren für sensible Aktionen, Aufzeichnungen darüber, was der Agent getan hat, und einen klaren Weg zu einem echten Menschen.

Diese Aspekte werden oft als nachträglich angehängte Compliance-Aufgabe behandelt, die erst nach der Gestaltung des Erlebnisses berücksichtigt wird. Sie müssen jedoch von Anfang an Teil des Erlebnisses sein. Wer nicht erkennen kann, ob die eigene Gesprächspartnerin oder der eigene Gesprächspartner ein Mensch ist, nicht weiß, wozu der Agent befugt ist, oder bei Bedarf niemanden erreichen kann, macht keine gute Erfahrung – ganz gleich, wie natürlich das Gespräch klingt.

Wir sollten genau benennen, woher dieses Vertrauen kommt, denn es beruht auf Gegenseitigkeit. Ein Modell muss von den Menschen, die es entwickelt haben, richtig kalibriert werden. Der Einsatz des Modells – der Umgang mit Daten, die Zugriffskontrolle, protokollierte Aktionen und klar definierte Punkte, an denen ein Mensch übernimmt – ist ein separates Problem, für das die Verantwortlichen des Produktiveinsatzes zuständig sind. Das eine kann das andere nicht ersetzen. Bei Sprachinteraktionen sind beide Aspekte besonders wichtig, denn die Interaktion findet in Echtzeit statt, der Agent kann handeln, während er spricht, und es gibt keinen Bildschirm, der der Person zeigt, was gerade in ihrem Namen geschehen ist.

Externe Leitlinien sind hier hilfreich. Die Federal Trade Commission hat auf die potenziellen Gefahren des missbräuchlichen Klonens von Stimmen hingewiesen, und das NIST-Rahmenwerk für das Risikomanagement von KI bietet eine praxisnahe Struktur zur Erkennung und zum Management von KI-Risiken. Einwilligung, Offenlegung, Sicherheit, Tests und laufende Überwachung sollten als zentrale Produktanforderungen behandelt werden.

Einen offenen Weg vom Experiment zur Skalierung schaffen

Meine erweiterte Rolle als Präsident für KI-Innovation und -Strategie & LabX vereint zwei Seiten derselben Herausforderung: die Entwicklung KI-nativer Produkte und den Ausbau der kommerziellen Seite der Strategie von DXC für seine KI-Partnerplattform. LabX bleibt ein Ort, an dem Spitzentechnologien anhand realer Kundenprobleme erprobt werden. Zum Auftrag gehört nun aber auch, Kunden dabei zu unterstützen, sich in einem offenen Partner-Ökosystem mit Anbietern wie Anthropic und ElevenLabs zurechtzufinden.

Dieser offene Ansatz ist wichtig, denn kein einzelnes Modell, keine Plattform und keine Schnittstelle eignet sich für jedes Unternehmen und jeden Anwendungsfall. Unsere Aufgabe ist es, die passende Technologie mit Branchenexpertise, Workflow-Design, Governance und Umsetzungskompetenz zu verbinden und anschließend zu überprüfen, ob sie messbare Ergebnisse liefert. Manchmal ist Text die passende Schnittstelle. Manchmal ist es eine visuelle Schnittstelle. Zunehmend wird es Sprache sein – und oft eine durchdachte Kombination aus allen drei Möglichkeiten.

Die Frage ist nicht, wo ein Unternehmen Sprache einsetzen kann. Entscheidend ist, wo eine Unterhaltung für bessere Erlebnisse und bessere Ergebnisse sorgen kann und ob die Organisation bereit ist, die Arbeitsabläufe entsprechend neu zu gestalten.