Conversation Design für Voice AI
Wie man Voice Agents baut, die sich nicht wie AI anfühlen — und trotzdem messbar Umsatz produzieren.
Warum Conversation Design zählt
Ein Voice Agent ist keine Website mit Stimme. Er ist ein Verhandlungspartner, ein Kalender, ein Empfang — in einem einzigen Turn. Conversation Design entscheidet, ob die Interaktion sich menschlich anfühlt oder ob der Anrufer nach 20 Sekunden auflegt. Die technische Basis (LLM + TTS) ist Commodity — der Unterschied liegt im Design des Gesprächs.
Die Architektur eines Voice Agents
Ein produktionsreifer Voice Agent hat vier Schichten: Telefonie/WebRTC (Twilio, Livekit), STT (Deepgram, Whisper), LLM (GPT-4o, Claude, Gemini) und TTS (ElevenLabs, Cartesia, OpenAI). Zwischen jeder Schicht sitzt eine Turn-Detection- und State-Machine-Komponente. Wer eine Schicht falsch dimensioniert, verliert entweder Latenz oder Kontrolle über den Dialog.
Latenz-Budget: unter 800 ms oder Abbruch
Menschen empfinden Antwortzeiten über 800 ms als „hängend“. Ein realistisches Budget: 100 ms STT-Endpointing, 200 ms LLM-First-Token, 150 ms TTS-First-Chunk, 100 ms Netzwerk. Der Rest ist Puffer. Streaming an jeder Schicht ist Pflicht — batched Responses funktionieren im Chat, nicht am Telefon.
LLM-Auswahl: Kontext vs. Geschwindigkeit
Für Terminbuchung und Qualifizierung reicht ein kleines, schnelles Modell (GPT-4o-mini, Claude Haiku). Für komplexe Beratungsgespräche oder Reklamationen mit langem Kontext braucht es ein größeres Modell — aber nur an den Turns, an denen es zählt. Router-Pattern: Klassifikator entscheidet pro Turn, welches Modell antwortet.
TTS: Marken-Stimme statt Standard
Die Default-Stimmen (Alloy, Nova, Onyx) klingen nach „AI-Demo“. Für Marktführer klonen wir eine Marken-Stimme mit ElevenLabs oder Cartesia — 60 Sekunden Referenz-Audio, konsistent über alle Kanäle. Der Effekt: Anrufer erkennen die Marke, bevor der erste Satz zu Ende ist.
Turn-Taking und Barge-In
Menschen unterbrechen sich. Ein Voice Agent, der nicht unterbrochen werden kann, wirkt wie ein IVR aus 2005. Barge-In (Voice Activity Detection + sofortiges TTS-Stop) ist der wichtigste UX-Hebel überhaupt. Ohne ihn ist kein Voice Agent produktionsreif.
State Machine statt Prompt-Wüste
Ein 5.000-Token-System-Prompt ist kein Design. Wir modellieren Voice Agents als endliche Zustandsautomaten: Intent → State → Action → Transition. Der LLM entscheidet innerhalb eines States, die State Machine entscheidet zwischen States. Ergebnis: deterministisches Verhalten bei nicht-deterministischen Inputs.
ROI: was ein Voice Agent wirklich einbringt
Ein Voice Agent, der 60 % der eingehenden Anrufe qualifiziert und 30 % direkt in Termine überführt, ersetzt in der Regel 1,5–2 Vollzeit-SDRs. Bei einem durchschnittlichen SDR-Gehalt von 55.000 € brutto p.a. amortisiert sich ein Custom-Build (20.000–40.000 €) in unter 6 Monaten. Vorausgesetzt: das Conversation Design stimmt.
Sie wollen einen Voice Agent, der nach Ihrer Marke klingt und nach 6 Monaten Ihr SDR-Team ersetzt hat?
15-min Architektur-Call →