So implementierst du einen KI-Sprachagenten: Schritt-für-Schritt-Anleitung

Zwei Unternehmen kaufen im selben Quartal dieselbe Plattform für KI-Sprachagenten. Unternehmen A geht davon aus, dass Implementierung bedeutet, eine API anzubinden und einen Schalter umzulegen. Es verzichtet darauf, die Call Flows zu dokumentieren, lädt ein unübersichtliches Sammelsurium veralteter FAQs hoch und geht gleich am ersten Tag mit dem gesamten Anrufvolumen live. Die Automatisierungsrate bleibt im niedrigen 20-Prozent-Bereich stecken, die Transfers schnellen nach oben, und innerhalb eines Monats wird das Projekt stillschweigend als "noch nicht so weit" abgestempelt.

Unternehmen B investiert vorab zwei zusätzliche Wochen: Es bildet seine tatsächlichen Call Flows ab, bereinigt die Wissensdatenbank und wählt einen Anruftyp für ein erstes Pilotprojekt aus. Es startet mit einem einzigen Team, beobachtet die Zahlen zwei Wochen lang, behebt, was nicht funktioniert, und weitet den Einsatz erst dann aus. Drei Monate später läuft das gesamte Anrufvolumen über die Plattform, mit doppelt so hohen Automatisierungsraten wie bei Unternehmen A.

Dieselbe Software. Ein völlig anderes Ergebnis. Der Unterschied liegt darin, was vor dem Deployment passiert ist, nicht im Deployment selbst.

Lege deine Geschäftsziele vor der Implementierung fest

Die meisten gescheiterten Implementierungen scheitern nicht daran, dass die KI nicht gut genug war. Sie scheitern, weil vor dem Launch niemand genau definiert hat, was "funktionieren" bedeutet. "Wir wollen Anrufe automatisieren" ist kein Ziel, an dem du dich messen kannst; "verpasste Anrufe um 30% reduzieren" oder "50% der Termine buchen, ohne dass ein Mensch den Kalender anfasst" schon.

Ein einfaches Framework, das Ziele mit KPIs verknüpft und das du festlegen solltest, bevor die eigentliche Implementierung beginnt:

telli hat seinen eigenen Onboarding-Prozess genau nach diesem Prinzip aufgebaut: Statt direkt mit dem Bau eines Agenten loszulegen, besteht der erste Schritt darin, einen konkreten Use Case auszuwählen, idealerweise ein einfaches Szenario mit großer Wirkung, und eine einzige KPI festzulegen, an der sich der Erfolg ablesen lässt, bevor irgendetwas konfiguriert wird. Klein anzufangen ist keine Einschränkung der Plattform; genau das macht die ersten Wochen jeder Implementierung so übersichtlich, dass man wirklich daraus lernen kann.

Bilde deine bestehenden Call Flows ab

Die Implementierung eines KI-Sprachagenten findet immer innerhalb der bestehenden Support-Strukturen statt. Sie ersetzt selten ein System, das niemand dokumentiert hat, also bilde die Support-Prozesse ab, die es bereits gibt. Manche Grundlagen des Gesprächsdesigns gelten überall, aber jedes Team hat womöglich seine eigene Art, Anrufe weiterzuleiten, zu eskalieren und zu dokumentieren. Ein einfaches Diagramm sieht so aus:

Diesen Schritt zu überspringen ist einer der sichersten Wege, einen KI-Sprachagenten so zu implementieren, dass am Ende niemand zufrieden ist. Wenn das Team nicht weiß, wohin ein Anrufer weitergeleitet wird und warum, lässt sich die Wissensdatenbank nicht richtig vorbereiten. Wenn niemand dokumentiert, wann ein Anliegen menschliche Unterstützung braucht, kann der Agent nicht zwischen einfachen und komplexen Anfragen unterscheiden.

Bereite deine Wissensdatenbank vor

Ein KI-Sprachagent kann nur dann korrekt antworten, wenn die zugrunde liegenden Informationen auch tatsächlich abrufbar sind. Hier lohnt sich eine klare Abgrenzung zu einem verbreiteten Missverständnis: Ein Modell zu trainieren und ihm eine Wissensdatenbank zu geben, ist nicht dasselbe. Das allgemeine Training eines Modells umfasst nicht deine konkreten Preisstufen oder deine Stornobedingungen; diese Informationen müssen aus Dokumenten kommen, die du bereitstellst und die genau in dem Moment durchsucht werden, in dem ein Anrufer fragt. Wie dieser Abrufprozess genau funktioniert, haben wir in So funktionieren KI-Sprachagenten beschrieben, falls du dir ein vollständiges technisches Bild machen willst.

Eine kurze Checkliste, mit der du vor Beginn der Implementierung prüfst, ob deine Wissensdatenbank startklar ist:

• FAQs sind aktuell und keine Überbleibsel einer früheren Produktversion
• Preis- und Richtliniendokumente geben wieder, was heute tatsächlich gilt
• Interne Abläufe sind an einem Ort dokumentiert, auf den die KI zugreifen kann, und nicht nur informell im Kopf erfahrener Mitarbeiter
• Produkt- und Serviceinformationen sind in allen Dokumenten einheitlich und widersprechen sich nicht zwischen Vertriebsunterlage und Support-Dokument

Gestalte die Gesprächsabläufe

Gute Gespräche entstehen nicht durch die zugrunde liegende Technologie. Sie entstehen durch bewusstes Design. Dazu gehören die Begrüßung, wie der Agent die Absicht erkennt, was er fragt, wenn eine Anfrage mehrdeutig ist, wie er dem Anrufer Details zurückmeldet, wie er mit Missverständnissen umgeht, wann er eskaliert und wie er einen Anruf sauber beendet.

Ein kurzes Beispiel, von der Begrüßung bis zur Lösung:

• "Hallo, danke für deinen Anruf. Wie kann ich helfen?"
• "Ich muss meinen Termin am Donnerstag verschieben."
• "Klar, ich sehe deinen Termin am Donnerstag um 14 Uhr. Welcher Tag passt dir besser?"
• "Nächsten Dienstag, wenn möglich."
• "Dienstag um 14 Uhr ist frei. Ich habe den Termin umgebucht und dir eine Bestätigung geschickt. Kann ich sonst noch etwas für dich tun?"

Achte darauf, was fehlt: ein Menü, ein Skript, das ignoriert, was der Anrufer tatsächlich gesagt hat, oder ein starrer Entscheidungsbaum. Natürliches Gesprächsdesign schlägt starre Skripte durchweg, weil Anrufer ihre Anliegen nicht so formulieren, wie ein Flussdiagramm es erwartet. Wir haben Prompt Engineering hier ausführlicher behandelt, schau dir das unbedingt an.

Konfiguriere die Integrationen

Sobald das Gespräch selbst gestaltet ist, muss der Agent mit den Systemen verbunden werden, die ihn nützlich machen: CRM, Kalender, Helpdesk-Software, Zahlungssysteme und alle internen Tools, die für den Workflow relevant sind.

Ein einfacher Integrationsablauf:

Die Plattform von telli bildet das direkt in ihrem Aufbau ab: native Integrationen mit Systemen wie Salesforce und HubSpot, Tool Calls in Echtzeit, die der Agent mitten im Gespräch auslösen kann (Verfügbarkeit prüfen, einen Kunden verifizieren, einen individuellen Endpoint aufrufen), und Post-Call-Workflows, die strukturierte Outcomes in das System übertragen, das ein Team ohnehin nutzt. Entscheidend ist dabei nicht die Integration selbst, sondern dass nichts, was die KI während des Anrufs erledigt, hinterher von einem Menschen manuell nachgetragen werden muss.

Teste vor dem Livegang

Testen ist einer der wichtigsten Schritte der Implementierung und zugleich einer der Schritte, die aus Zeitmangel am häufigsten gekürzt werden. Teste vor dem Livegang, wie der Agent mit Folgendem zurechtkommt:

• Randfälle und ungewöhnliche Anfragen
• Unterbrechungen mitten im Gespräch
• Akzente und Hintergrundgeräusche
• Falsche Antworten, wenn der Anruf eskaliert werden muss
• Ausfälle von APIs oder Integrationen
• Eskalationsprozesse, wobei du sicherstellst, dass alle Kontextinformationen mit übergeben werden

Zum Testen gehören auch User Acceptance Tests (UAT): Mitarbeiter aus dem Support-Team können echte Kundenanrufe simulieren und so größere Probleme finden, bevor ein breiteres Publikum darauf stößt. Die In-App-Tools von telli ermöglichen es außerdem, Prompts zu simulieren: Ein Team kann den Agenten direkt anrufen oder ihm eine Nachricht schicken, um ein Prompt-Update vor dem Launch auszuprobieren, und verschiedene Versionen des Prompts per A/B-Test vergleichen, um zu sehen, welche besser abschneidet.

Starte schrittweise

Ein schrittweiser Rollout funktioniert immer besser als der Versuch, alles auf einmal zu automatisieren. Laut einer Studie von RAND zu Misserfolgen bei KI-Implementierungen scheitern über 80% der KI-Projekte, eine etwa doppelt so hohe Quote wie bei IT-Projekten ohne KI. Das ist fast das Doppelte der Misserfolgsquote technischer Projekte. Die Ursachen sind vielfältig, darunter schlechte Planung, unvollständige Dokumentation und ein überhasteter Launch, bevor das Team vorbereitet ist.

Ein Rollout-Plan kann so einfach aussehen:

Der Sinn eines gestaffelten Launches ist, Analytics zu sammeln, bevor weitere Teams dazukommen: Was in einer Abteilung funktioniert, lässt sich nicht unbedingt auf eine andere übertragen. Deshalb folgen die Kunden von telli bei der Einführung neuer Features meist einem ähnlichen Muster: enerix zum Beispiel nutzte die Lead-Erfassung von telli zunächst bei zwei Franchisebetrieben, bevor die Lösung auf 15 der mehr als 100 Franchisebetriebe ausgeweitet wurde.

Überwache die Leistung nach dem Launch

Mit dem Launch ist die Implementierung nicht abgeschlossen. Nach dem Livegang des Agenten ist es entscheidend, eine Feedback-Schleife aufzubauen, um zu verstehen, wie er sich verbessern lässt. Einige Metriken erweisen sich nach dem Launch oft als besonders aufschlussreich: Automatisierungsrate, Transferrate, CSAT, First Contact Resolution, Lead-Conversion-Rate, Antwortzeit und Buchungsrate. Ein guter Optimierungszyklus sieht so aus:

Dieser Zyklus sollte regelmäßig und fortlaufend stattfinden, nicht als einmaliges Ereignis am Ende der Implementierung. Die Bedürfnisse der Kunden entwickeln sich weiter, und mit ihnen ihre Erwartungen. Ein Prompt, der vor einem Jahr gut funktioniert hat, ist heute vielleicht nicht mehr intuitiv, und die Wissensdatenbank, die zum Launch aktuell war, kann inzwischen veraltet sein.

Häufige Fehler bei der Implementierung

Schlecht vorbereitete Wissensdatenbank

Auswirkung: Der Agent scheitert an einfachen Fragen und gibt falsche Auskünfte. Bewährt hat sich, die Dokumentation vor Beginn der Implementierung zu prüfen und zu aktualisieren, nicht erst nach dem Launch.

Keine Fallback-Strategie

Auswirkung: Kundenanrufe kommen abrupt zum Stillstand, wenn der Agent nicht weiterweiß. Lege dir eine Strategie dafür zurecht, wann und wie der Anruf an einen Menschen eskaliert werden soll.

Analytics ignorieren

Auswirkung: Es fehlt das Verständnis dafür, was die Leistung beeinflusst. Wichtig ist, die oben genannten Metriken im Tagesgeschäft zu erfassen, statt zu warten, bis das Anrufvolumen wächst.

Zu verschachtelte Gesprächsabläufe

Auswirkung: Kunden fühlen sich in einer Endlosschleife gefangen, ohne Möglichkeit, mit einem Menschen zu sprechen. Gestalte immer einen klaren und leicht erreichbaren Weg zu einem menschlichen Mitarbeiter.

Keine Tests

Auswirkung: Die Kunden werden zum QA-Team der Implementierung. Führe Tests durch, einschließlich UAT (User Acceptance Tests), um sicherzustellen, dass der Agent schwierige Anfragen, Unterbrechungen, Akzente und andere Herausforderungen bewältigt.

Keine definierten Erfolgsmetriken

Auswirkung: Niemand weiß, ob die Implementierung funktioniert. Lege vor dem Launch fest, wann ein Anruf als “erfolgreich” gilt, einschließlich einer einzigen messbaren KPI.

Checkliste für die Implementierung von KI-Sprachagenten

Geschäftsplanung

• Geschäftsziel definiert und einer messbaren KPI zugeordnet
• Bestehende Call Flows dokumentiert

Wissensdatenbank

• FAQs, Preise und Richtlinien auf Richtigkeit geprüft
• Interne Abläufe dokumentiert und zugänglich

Gesprächsdesign

• Abläufe für Begrüßung, Rückfragen, Bestätigung und Eskalation gestaltet
• Von Mitarbeitern mit Kundenkontakt geprüft, nicht nur von Entwicklern

Integrationen

• CRM-, Kalender- und Telefonie-Tools konfiguriert und live getestet
• Post-Call-Workflows verifiziert: Die Daten landen dort, wo die Teams tatsächlich hinschauen

Tests

• Randfälle, Unterbrechungen und Akzente getestet
• UAT mit echten Teammitgliedern abgeschlossen, nicht nur automatisierte Tests

Sicherheit

• Anforderungen an Datenverarbeitung und Compliance für deine Branche bestätigt

Analytics

• Ausgangswerte vor dem Launch als Vergleichsbasis erfasst
• Dashboard für die Metriken eingerichtet, die für das jeweilige Team zählen

Livegang

• Pilotgruppe festgelegt und Reihenfolge des Rollouts geplant
• Fallback- und Eskalationspfade unter realen Bedingungen getestet

Optimierung

• Regelmäßiger Review-Rhythmus festgelegt (anfangs wöchentlich, dann monatlich)
• Klare Verantwortung dafür vergeben, auf Erkenntnisse aus den Analytics zu reagieren

Was das für dich bedeutet

Eine erfolgreiche Implementierung hängt von Planung, Wissensvorbereitung, Gesprächsdesign, Integrationen, Tests und kontinuierlicher Optimierung ab, nicht einfach von der Wahl der richtigen Software. Die Auswahl der richtigen Plattform für KI-Sprachagenten ist nur ein Teil des Prozesses; ob es funktioniert, entscheidet sich daran, wie du sie tatsächlich ausrollst.

Quellen

1. docs.telli.com - Onboarding-Prozess von telli und Framework für den ersten Use Case
2. rand.org - Studie der RAND Corporation zu den Ursachen gescheiterter KI-Projekte