Drei Systeme. Alle live. Testen Sie selbst.

Das System nimmt eingehende Anrufe entgegen und führt das Gespräch auf Deutsch in Echtzeit. Es erfasst das Anliegen, prüft freie Zeiten in einem echten Google-Kalender, bucht den Termin und bestätigt ihn am Ende zusammengefasst. Dieselbe Terminlogik beantwortet auch SMS. Wird die Verständigung unsicher oder äußert die anrufende Person einen Wunsch außerhalb des vorgesehenen Ablaufs, übergibt das System an einen Menschen — statt zu raten.

Ein Telefongespräch verzeiht keine Verzögerung. Sobald zwischen dem Ende einer Äußerung und der Antwort mehr als etwa zwei Sekunden vergehen, wirkt das Gegenüber abwesend, und Menschen beginnen zu sprechen oder legen auf. Gleichzeitig laufen drei rechenintensive Schritte hintereinander: Sprache in Text umwandeln, eine Antwort erzeugen, Text wieder in Sprache umwandeln.

Die zweite Schwierigkeit ist heikler und fällt beim Bauen erst spät auf: Ein Sprachmodell kann im Text sagen „Ich buche den Termin jetzt für Sie“, ohne die Buchung tatsächlich auszulösen. Die anrufende Person legt zufrieden auf, im Kalender steht nichts.

Ein Termin, der bestätigt wurde, aber nicht existiert, richtet mehr Schaden an als ein Anruf, der zwei Sekunden länger dauert.

Spracherkennung und Sprachausgabe laufen als Datenstrom statt als abgeschlossene Anfragen. Die Erkennung liefert bereits Zwischenergebnisse, während noch gesprochen wird. Die Sprachsynthese wird nicht abgewartet, sondern fortlaufend dekodiert — sobald die ersten verwertbaren Audiodaten vorliegen, gehen 20-Millisekunden-Blöcke an die Telefonleitung. Gemessen liegt der Anlauf der Sprachausgabe bei einem Median von 193 Millisekunden. Zusätzlich erkennt das System, wenn die anrufende Person ins Laufende hineinspricht, und bricht die eigene Ausgabe sofort ab. Ohne diese Unterbrechungserkennung wirkt ein Sprachassistent wie eine Bandansage.

Beim Sprachmodell selbst habe ich bewusst auf Antwortstreaming verzichtet. Der Zeitgewinn läge bei den typischen kurzen Sätzen bei null bis 150 Millisekunden — dafür könnte der Assistent eine Buchung ankündigen, bevor der Kalender überhaupt geprüft wurde. Diese Abwägung ist im Projekt dokumentiert und bewusst so entschieden.

Jede Buchung führt unmittelbar vor dem Kalendereintrag noch einmal eine eigene Verfügbarkeitsprüfung für exakt denselben Zeitraum aus — unabhängig davon, über welchen Weg sie ausgelöst wurde. Kündigt das Sprachmodell eine Buchung nur im Text an, ohne das Buchungswerkzeug aufzurufen, erzwingt der Server den Aufruf, kontrolliert die Daten und führt die Buchung erst danach aus. Die vom Telefonnetz übermittelte Rufnummer bleibt immer die verifizierte Hauptnummer; eine im Gespräch genannte abweichende Nummer wird zusätzlich gespeichert, ersetzt sie aber nie. Damit kann ein falsch verstandenes Wort keine echte Kontaktnummer überschreiben.

Erkennt die Spracherkennung eine Aussage mit weniger als 75 Prozent Sicherheit, rät das System nicht, sondern bittet freundlich um Wiederholung. Für kurze Bestätigungen wie „ja“ oder „passt“ gilt eine eigene, niedrigere Schwelle, weil kurze Wörter systematisch schlechter bewertet werden. Leere Erkennungsergebnisse während der eigenen Sprachausgabe werden verworfen, damit das System nicht auf sein eigenes Echo antwortet. Bei medizinischen Beratungsfragen, ausdrücklichem Wunsch nach einem Mitarbeiter oder nicht erreichbarem Kalender übergibt das System an einen Menschen. Ein Kostendeckel von fünf Euro pro Tag, eine Höchstdauer von acht Minuten pro Anruf und ein Limit pro Rufnummer verhindern, dass ein Fehler oder ein Missbrauch unbemerkt Kosten verursacht.

Ein Onlineshop erzeugt jeden Tag dieselben Entscheidungen: Was muss nachbestellt werden, in welcher Menge, bei welchem Lieferanten? Welche Kundenanfrage kann standardisiert beantwortet werden, welche braucht einen Menschen? Der Agent trifft diese Entscheidungen selbstständig — und begründet jede einzelne nachvollziehbar.

Eine einfache Regel wie „Bestand unter zehn, dann nachbestellen“ funktioniert in der Praxis nicht. Ein Lieferant liefert nur in Paletten zu 24 Stück. Ein anderer berechnet einen Zuschlag unterhalb von 50 Stück — dann sind 50 günstiger als 30. Ein dritter braucht im Winter vierzehn statt fünf Tage. Dazu kommen Wochentagsmuster und Saison. Die richtige Bestellmenge ist deshalb keine Schwelle, sondern eine Abwägung.

Harte Geschäftsregeln liegen im Code. Das Sprachmodell kann sie nicht umgehen — es sieht sie schlicht als gegeben.

Die Entscheidung läuft in zwei getrennten Ebenen. Harte Geschäftsregeln liegen im Programmcode: Palettengrößen, Mindestmengen, Budgetgrenzen, Sperren. Nur die Abwägung darüber, die keine feste Regel abdeckt, übernimmt das Modell. Es begründet jeden Vorschlag im Klartext: warum diese Menge, warum dieser Zeitpunkt, warum dieser Lieferant. Wie eigenständig es handeln darf, ist in vier Stufen einstellbar — von reinem Vorschlagen bis zum selbstständigen Auslösen. Auf der aktuell eingestellten Stufe darf es Bestellungen bis 500 Euro selbst auslösen; darüber legt es vor, auch wenn es sich seiner Sache sicher ist.

Bei widersprüchlichen Daten rät das System nicht, sondern legt den Fall vor. Ein erneuter Lauf legt für einen Artikel, zu dem bereits eine offene Freigabe wartet, keine zweite an — Doppelbestellungen entstehen so gar nicht erst. Antwortet das Sprachmodell in einem Format, das nicht der erwarteten Struktur entspricht, wird einmal neu angefragt und danach eskaliert. Zusätzlich vergleicht das System wöchentlich seine eigenen Prognosen mit dem tatsächlichen Verlauf — es misst also seine eigene Trefferquote, statt sie zu behaupten.