Voice Agents

Ein strukturiertes Gespräch – ein Nutzerinterview, eine Bedarfsanalyse, eine Erstaufnahme im Support – kostet eine qualifizierte Fachkraft eine Stunde pro Teilnehmer, Terminfindung nicht eingerechnet. Mit unserer Voice-Interview-Plattform wird daraus ein Link: öffnen, sprechen, fertig. Kein Konto, keine App, auf Deutsch oder Englisch. Die KI-Stimme hört zu, geht auf Rückfragen ein und übersteht Unterbrechungen ebenso wie Abschweifungen.

Die entscheidende Frage ist aber nicht, wie gut die Stimme klingt, sondern wer das Interview führt. Unsere Antwort: Das Modell führt das Gespräch, der Server führt das Interview. Welche Frage kommt, wann nachgehakt wird, wann Schluss ist – das entscheidet eine getestete Zustandsmaschine in der Anwendung, nicht die Tagesform des Modells. Und zwar strukturell erzwungen: Der Sprachagent kann nach jeder Antwort nur ein einziges Werkzeug aufrufen, und dessen Ergebnis ist seine nächste Anweisung. Jeder Teilnehmer durchläuft nachweisbar denselben Prozess.

Diese Architektur hat einen Praxistest hinter sich. Den naheliegenden ersten Ansatz – die Sprachverbindung als reine Audioleitung, alle Steuerung im Server – haben wir gebaut und an realen Bedingungen scheitern sehen: Schon Hintergrundgeräusche brachten den Gesprächsfluss aus dem Takt. Die heutige Aufgabenteilung ist das Ergebnis dieses Tests.

Auch der Datenschutz steckt in der Architektur: Audio läuft per WebRTC direkt zwischen Browser und Sprachanbieter und berührt unsere Server nie. Der Browser erhält nur kurzlebige Zugangstoken; signierte Links, Widerrufsprüfung und Ratenbegrenzung sichern jeden öffentlichen Endpunkt. Wer nicht sprechen kann oder will, nimmt den Text-Chat – durch dieselbe Interview-Logik.