Prompt Engineering für KI-Sprachagenten: Best Practices & Beispiele

Zwei Unternehmen setzen KI-Sprachagenten ein, die auf genau demselben Sprachmodell aufsetzen. Der eine Agent gibt inkonsistente Antworten, widerspricht gelegentlich seiner eigenen Richtlinie und tut sich schwer damit, zu erkennen, wann ein Mensch dazukommen muss. Der andere bucht zuverlässig Termine, hält sich ausnahmslos an die Unternehmensregeln und übergibt sauber, sobald ein Anruf seinen Rahmen verlässt.

Dasselbe Modell. Dieselbe grundsätzliche Leistungsfähigkeit. Der Unterschied liegt im Prompt-Design, nicht in der KI selbst. Diese Unterscheidung ist wichtiger, als den meisten Käufern klar ist, denn sie bedeutet: Die Qualität eines KI-Sprachagenten hängt weniger davon ab, welches LLM dahintersteckt, als davon, wie sorgfältig jemand durchdacht hat, was er sagen, fragen und tun soll.

Was ist Prompt Engineering für KI-Sprachagenten?

Prompt Engineering ist in diesem Kontext der Prozess, die Anweisungen zu schreiben, die festlegen, wie ein KI-Sprachagent antwortet, welche Fragen er stellt, welchen Geschäftsregeln er folgt, wie er mit Situationen umgeht, auf die er nicht ausdrücklich vorbereitet wurde, und wann er einen Anruf an eine Person übergibt.

Eine vereinfachte Version davon, wo der Prompt in der Pipeline sitzt:

Der System-Prompt ist die Schicht, die aus einem allgemein leistungsfähigen Sprachmodell etwas macht, das sich wie dein Unternehmen verhält, und nicht wie ein generischer Assistent, der zufällig dein Telefon abnimmt.

Voice-Prompts und Chatbot-Prompts sind nicht austauschbar, auch wenn sie auf ähnlichen Techniken aufbauen. Ein Prompt, der für einen Text-Chatbot geschrieben und dann unverändert in einen Sprachagenten übernommen wird, produziert meist verkrampfte, zu lange Antworten, die laut gesprochen unnatürlich klingen.

Wie sich Voice-KI-Prompts von Chatbot-Prompts unterscheiden

Textgespräche tolerieren Dinge, die gesprochene Gespräche nicht tolerieren. Ein Chatbot kann einen Absatz aus fünf Sätzen schreiben, und der Nutzer scrollt und liest in seinem eigenen Tempo. Ein Sprachagent, der dasselbe laut ausspricht, klingt, als würde er jemandem ein Richtliniendokument vorlesen.

Voice-Prompts müssen speziell diese Punkte berücksichtigen:

• Kürzere Antworten: lange gesprochene Monologe verlieren die Aufmerksamkeit des Anrufers schnell
• Umgang mit Unterbrechungen: der Prompt muss definieren, was passiert, wenn der Anrufer mitten in der Antwort dazwischenspricht
• Bestätigung: Schlüsseldetails zurückzuspiegeln ("also Dienstag um 14 Uhr") zählt bei Voice mehr, weil es keinen Text gibt, auf den man zurückblicken kann
• Natürliches Tempo: Pausen und Formulierungen, die gesprochen wirken und nicht wie ein vorgelesenes Dokument
• Gesprächsgedächtnis: sich darauf beziehen, was zwei Gesprächszüge vorher gesagt wurde, ohne dass der Anrufer es wiederholen muss

Ein kurzer Vergleich macht den Unterschied deutlich. Eine Antwort im Chat-Stil könnte lauten: "Ich kann dir helfen, deinen Termin zu verschieben. Bitte beachte, dass unsere Stornoregelung eine Frist von 24 Stunden vorsieht und eine Verschiebung innerhalb von 24 Stunden eine Gebühr von 15 US-Dollar nach sich ziehen kann. Auf welches Datum möchtest du deinen Termin verschieben?" Laut gesprochen ist das viel für einen Atemzug. Eine Voice-taugliche Variante teilt es auf: "Klar, dabei helfe ich dir. Nur damit du es weißt: Innerhalb von 24 Stunden kommt eine kleine Gebühr dazu. Welcher Tag passt dir?"

Die Bausteine eines wirksamen Prompts

Ein gut strukturierter Prompt für einen Sprachagenten umfasst in der Regel, grob nach Wichtigkeit geordnet:

1. Rollendefinition: wer der Agent ist und welches Unternehmen er vertritt
2. Geschäftsziele: wie ein erfolgreicher Anruf konkret aussieht
3. Tonalität: formell, locker, warm, knapp, passend zur Marke
4. Unternehmensrichtlinien: die Regeln, denen der Agent nie widersprechen darf
5. Wissenszugriff: wann und wie er die Wissensdatenbank durchsucht
6. Tool-Nutzung: welche Aktionen der Agent ausführen darf, und wann
7. Eskalationsregeln: die konkreten Bedingungen, die eine Übergabe an einen Menschen auslösen
8. Antwortformat: Tempo, Länge, Bestätigungsroutinen
9. Fehlerbehandlung: was er sagt, wenn etwas schiefgeht oder er etwas nicht weiß

Betrachte diese Bausteine als Schichten, nicht als beliebig austauschbare Teile. Rolle und Geschäftsziele setzen den Rahmen; Richtlinien und Eskalationsregeln setzen die Leitplanken; Tonalität und Format prägen, wie es tatsächlich klingt; die Fehlerbehandlung ist das, was einen Anruf nicht auseinanderfallen lässt, wenn etwas Unerwartetes passiert.

Prompts für unterschiedliche Anwendungsfälle entwerfen

Dieselben Bausteine werden unterschiedlich gewichtet, je nachdem, wofür der Agent tatsächlich da ist:

Ein Support-Prompt, der den Großteil seiner Anweisungen auf Discovery-Fragen verwendet, löst das falsche Problem; ein Lead-Qualifizierungs-Prompt, der mit Empathie-Sprache überladen und bei der strukturierten Datenerfassung dünn ist, produziert warme Gespräche, die nichts Brauchbares ins CRM einspeisen. Die Gewichtung des Prompts auf das echte Geschäftsziel abzustimmen zählt mehr, als jede mögliche Anweisungskategorie gleichmäßig abzudecken.

Wie Wissensdatenbanken und Prompts zusammenspielen

Eine Unterscheidung, die ständig verwischt wird und Präzision verdient: Der Prompt sagt der KI, wie sie sich verhalten soll. Die Wissensdatenbank sagt ihr, was sie tatsächlich wissen soll. Beides zu verwechseln führt zu Prompts, die mit unternehmensspezifischen Fakten vollgestopft sind, die in ein Dokument gehören, was den Prompt aufbläht und die Pflege erschwert.

Der Ablauf sieht so aus:

Wie dieser Abrufprozess genau funktioniert, inklusive RAG, haben wir in So funktionieren KI-Sprachagenten ausführlich behandelt. Die hier relevante Kurzfassung: Ein guter Prompt gibt dem Agenten vor, wann und wie er die Wissensdatenbank durchsucht und was er tut, wenn nichts Relevantes zurückkommt, statt jeden möglichen Fakt direkt in die Anweisungen zu schreiben.

Häufige Fehler im Prompt Engineering

Zu lange Prompts

Geschäftsrisiko: Das Modell verliert frühere Anweisungen aus dem Blick, oder wichtige Regeln gehen unter

Best Practice: Halte Prompts fokussiert und verschiebe Referenzmaterial in die Wissensdatenbank statt in den Prompt selbst.

Unklare Anweisungen

Geschäftsrisiko: inkonsistentes Verhalten über Anrufe hinweg.

Best Practice: Sei bei Randfällen explizit, statt anzunehmen, das Modell werde es sich "schon zusammenreimen".

Fehlende Eskalationslogik

Geschäftsrisiko: Anrufe, die an einen Menschen gehen sollten, hängen stattdessen in einer Schleife.

Best Practice: Definiere konkrete, spezifische Auslöser für die Übergabe, kein vages "eskaliere bei Bedarf".

Widersprüchliche Regeln

Geschäftsrisiko: Der Agent verhält sich unvorhersehbar, wenn sich zwei Anweisungen widersprechen.

Best Practice: Prüfe Prompts vor dem Deployment auf Widersprüche, nicht erst, wenn eine Kundenbeschwerde einen aufdeckt.

Keine Fallback-Antworten

Geschäftsrisiko: Der Agent rät oder verstummt, wenn er etwas nicht weiß.

Best Practice: Definiere ausdrücklich, was er sagt, wenn er keine Antwort findet.

Gesprächskontext ignorieren

Geschäftsrisiko: Der Agent bittet den Anrufer, etwas zu wiederholen, das er schon gesagt hat

Best Practice: Weise den Agenten an, sich auf frühere Gesprächszüge zu beziehen und darauf aufzubauen, statt jede Antwort isoliert zu behandeln.

Prompts testen und optimieren

Prompts sollten so behandelt werden wie Produktionscode: getestet, versioniert und erst ausgerollt, wenn eine Änderung verifiziert ist, statt live bearbeitet zu werden und auf das Beste zu hoffen.

Der Kernablauf:

Der Prompt Editor von telli zeigt gut, wie das aussieht, wenn es richtig in eine Plattform eingebaut ist. Statt auf manuelle Edits oder Anfragen an ein internes Team zu setzen, laufen Änderungen zuerst durch eine Review-Stufe. Informelle Änderungswünsche werden in konkrete Vorschläge übersetzt, die ein Team einzeln oder alle zusammen annehmen kann, bevor irgendetwas live geht. Diese Review-Schicht ist im Grunde eine leichtgewichtige Versionskontrolle für Prompts: Sie fängt einen schlechten Edit ab, bevor er echte Anrufer erreicht, und nicht danach.

Über das Prompt-Review hinaus schließen an dieser Stelle Analytics den Kreis: eine Änderung testen, beobachten, was danach tatsächlich mit der Transfer- oder Buchungsrate passiert, und erneut nachschärfen. Auf diese Messseite gehen wir ausführlicher in KI-Sprachagenten-Analytics erklärt ein.

Sicherheitsaspekte bei Voice-KI-Prompts

Prompt Injection, bei der die Eingabe eines Nutzers das Modell dazu manipuliert, seine ursprünglichen Anweisungen zu ignorieren, gilt aktuell als das größte Sicherheitsrisiko für LLM-Anwendungen laut OWASP, vor jeder anderen Kategorie in den Top 10 für LLM-Anwendungen.

Ein Sprachagent ist davor nicht automatisch geschützt, nur weil die Eingabe gesprochen statt getippt kommt; ein Anrufer, der etwas sagt, das die Anweisungen des Agenten aushebeln soll, versucht genau denselben Angriff.

Das gehört in jeden produktiven Prompt:

• Klare Grenzen dafür, was der Agent tut und was nicht, unabhängig davon, was ein Anrufer sagt
• Anweisungen, die Anrufereingaben als Daten behandeln, auf die er reagiert, nicht als neue Anweisungen, denen er folgt
• Keine sensiblen internen Informationen (System-Prompts, interne Richtlinien, Daten anderer Kunden), egal wie eine Anfrage formuliert ist
• Authentifizierungsschritte, bevor eine kontobezogene Aktion ausgeführt wird
• Ein definierter Eskalationspfad zu einem Menschen für alles, was wie ein Manipulationsversuch am Verhalten des Agenten aussieht

Checkliste: Best Practices im Prompt Engineering

Prompt-Design

• Rolle, Ziele und Tonalität klar am Anfang des Prompts definiert
• Anweisungen spezifisch genug, um mehrdeutige Auslegung zu vermeiden

Gesprächsdesign

• Antworten auf das Sprechtempo abgestimmt, nicht auf die Länge geschriebener Absätze
• Bestätigungsroutinen für Schlüsseldetails eingebaut (Datum, Namen, Beträge)

Wissen

• Referenzmaterial liegt in der Wissensdatenbank, nicht in den Prompt gequetscht
• Klare Anweisungen, was zu tun ist, wenn der Abruf leer bleibt

Testing

• Prompt-Änderungen vor dem Livegang gegen echte oder simulierte Anrufe getestet
• Versionierung vorhanden, damit eine schlechte Änderung schnell zurückgerollt werden kann

Sicherheit

• Explizite Grenzen gegen Prompt-Injection-Versuche
• Keine Offenlegung sensibler Daten, egal wie eine Anfrage formuliert ist

Monitoring

• Analytics regelmäßig geprüft, um Verhaltensänderungen nach einer Promptanpassung zu erkennen
• Klare Verantwortung dafür, wer Prompt-Updates prüft und freigibt

Was das für dich bedeutet

Beim Prompt Engineering geht es nicht darum, clevere Anweisungen zu schreiben. Es geht darum, ein Gespräch zu entwerfen, das verlässlich, konsistent und sicher ist und wirklich zu dem passt, was das Unternehmen braucht. Wenn das sitzt, hat die Analytics- und Optimierungsarbeit danach eine solide Grundlage; wenn nicht, rettet kein Dashboard-Starren ein Gespräch, das von Anfang an nie richtig entworfen wurde.

Verwendete Quellen

1. telli.com - So funktionieren KI-Sprachagenten
2. telli.com - KI-Sprachagenten-Analytics erklärt
3. genai.owasp.org - Einordnung und Definition von Prompt Injection als größtes LLM-Sicherheitsrisiko laut OWASP