KI-Gesprächstrainer für Vertrieb und Service

Ausgangslage

Die Qualität von Kundengesprächen ist ein zentraler Erfolgsfaktor in Vertrieb und Service. Ob Preisverhandlung, Reklamation oder Beratungsgespräch: Wie souverän Mitarbeitende kommunizieren, wirkt sich unmittelbar auf Kundenzufriedenheit und Abschlussquoten aus. Klassische Trainingsformate vermitteln zwar das nötige Wissen, bieten aber nur begrenzt Gelegenheit, dieses Wissen in realistischen Situationen anzuwenden.

Rollenspiele mit Trainerinnen und Trainern gelten als besonders wirksam, sind jedoch personal- und kostenintensiv. Häufige Wiederholungen, wie sie für nachhaltigen Lernerfolg nötig wären, lassen sich in größeren Teams kaum wirtschaftlich organisieren.

Zielsetzung

Gemeinsam mit unserem Kunden entsteht eine Lösung, die realitätsnahes Gesprächstraining jederzeit verfügbar macht. Sie soll sich flexibel an unterschiedliche Teams, Produkte und Gesprächsleitfäden anpassen lassen, unmittelbar verwertbares Feedback liefern und dabei die hohen Anforderungen an den Schutz sensibler Sprach- und Gesprächsdaten erfüllen.

Vorgehen

Konzeption und Validierung der Idee

Die Idee eines sprachbasierten KI-Gesprächstrainers bringen wir aktiv beim Kunden ein. Um Nutzen und Akzeptanz früh zu prüfen, entsteht zunächst ein nativer Prototyp für iOS. Er bildet den vollständigen Ablauf ab, von der Auswahl eines Szenarios über das gesprochene Rollenspiel bis zum Feedback, und dient als Grundlage für die weitere Ausgestaltung.

Technologieauswahl auf Basis einer Marktanalyse

Ein überzeugendes Gesprächserlebnis setzt voraus, dass Spracherkennung, Sprachmodell und Sprachausgabe nahtlos und nahezu in Echtzeit zusammenwirken. Für die Plattform führen wir deshalb eine umfassende Marktanalyse durch. Bewertet werden alle relevanten Anbieter anhand folgender Kriterien:

1. Datenresidenz in der EU: Alle Verarbeitungsschritte müssen in der EU stattfinden, idealerweise in einem festgelegten Land statt in einer übergreifenden Multi-Region.
2. Unabhängigkeit von außereuropäischen Konzernen: Anbieter mit US-Mutterkonzern behalten durch den CLOUD Act ein rechtliches Restrisiko, auch bei Rechenzentren in Europa.
3. Vollständigkeit der Kette: Spracherkennung, Sprachmodell und Sprachausgabe sollen als verwaltete Dienste aus einer Hand verfügbar sein, um Datenflüsse und Verantwortlichkeiten schlank zu halten.
4. Reaktionszeit: Ziel ist eine Antwort in unter etwa einer Sekunde, damit das Rollenspiel wie ein echtes Gespräch wirkt.
5. Muttersprachliche Qualität im Deutschen: Stimmen mit hörbarem Akzent mindern die Glaubwürdigkeit des Trainings erheblich.
6. Auswertbarkeit: Die Spracherkennung muss Zeitmarken für jedes Wort liefern, als Grundlage für die Analyse von Sprechtempo und Pausen.
7. Lizenz- und Nutzungsbedingungen: Sitzungslimits, Freischaltpflichten und Lizenzen der Modelle müssen einen kommerziellen Dauerbetrieb zulassen.

Die Analyse zeigt, wie stark diese Kriterien das Feld eingrenzen. Zum Zeitpunkt der Bewertung bietet Grok keinen Bezugsweg in der EU. Die Sprachausgabe von OpenAI ist über Azure nur in einer globalen Bereitstellung verfügbar, die Echtzeit-Schnittstelle erfordert gesonderte Freischaltungen und erfüllt die Anforderungen an die Protokollierung in der EU nicht. Gemini Live läuft lediglich in einer europäischen Multi-Region ohne festes Land, Amazon Nova Sonic begrenzt Sitzungen auf acht Minuten. Deutsche Cloud-Anbieter wie die Telekom, IONOS oder StackIT bieten keine verwaltete Sprachausgabe an.

Die Wahl fällt auf Mistral. Nach unserer Analyse ist Mistral der einzige europäische Anbieter ohne US-Mutterkonzern, der alle drei Komponenten als verwalteten Dienst in der EU bereitstellt. Für die Spracherkennung kommt Voxtral zum Einsatz, als Sprachmodell Mistral Small und für die Sprachausgabe Voxtral TTS. Da Voxtral keine muttersprachliche deutsche Stimme mitbringt, setzt die Plattform auf eine lizenzierte Sprecherstimme. Ein Selbstbetrieb der Sprachmodelle scheidet aus, weil deren Gewichte nicht für die kommerzielle Nutzung freigegeben sind.

Ausgestaltung der Plattform

Auf Basis des Prototyps und der Technologieentscheidung konzipieren wir eine webbasierte, mandantenfähige Plattform. Szenarien, Gesprächspartner, Zielsetzungen, Schwierigkeitsgrade und Bewertungskriterien lassen sich je Kunde definieren, ebenso Markenauftritt und Stimme. Damit bildet die Lösung eigene Produkte, Prozesse und Gesprächsleitfäden ab, ohne dass Programmieraufwand entsteht.

Lösung

Mitarbeitende wählen ein Szenario, etwa ein anspruchsvolles Kundengespräch, und führen dieses vollständig per Sprache mit einer KI, die realistisch auf ihre Äußerungen reagiert. Ein transparenter Hinweis zu Beginn stellt klar, dass das Gegenüber eine KI ist. Im Anschluss erhalten die Teilnehmenden strukturiertes Feedback und können die Situation beliebig oft wiederholen, bis die Gesprächsführung sitzt.

Das Feedback entsteht in einem eigenen Analyseschritt, getrennt vom Gespräch. So bleibt das Gegenüber durchgehend in seiner Rolle, während die Auswertung nach klar definierten Kriterien erfolgt. Die Rückmeldungen sind kurz, konstruktiv und würdigen auch gelungene Antworten. Fehler der Spracherkennung werden dabei nicht den Teilnehmenden angelastet.

Herausforderungen und Lösungen

• Natürliche Gesprächsdynamik: Eine robuste Erkennung von Sprechpausen und Störgeräuschen sorgt dafür, dass die KI im richtigen Moment antwortet. Typische Fehlinterpretationen der Spracherkennung bei Hintergrundgeräuschen werden zuverlässig herausgefiltert.
• Authentische deutsche Stimme: Viele mehrsprachige Stimmen klingen im Deutschen unnatürlich. Die Plattform setzt deshalb auf eine lizenzierte Sprecherstimme, die sich je Kunde austauschen lässt.
• Aussagekräftige Auswertung: Zeitmarken für jedes gesprochene Wort ermöglichen die Analyse von Sprechtempo und Pausen.
• Mandantenfähigkeit: Eine strikte Datentrennung auf Datenbankebene stellt sicher, dass Daten verschiedener Kunden zu keinem Zeitpunkt vermischt werden.
• Flexible Bereitstellung: Die Plattform lässt sich zentral oder in der Cloud des Endkunden betreiben, ohne Anpassungen am Quellcode.

Datenschutz und Regulierung

Stimmen und Gesprächsinhalte sind personenbezogene Daten. Das Audio wird ausschließlich transkribiert und nicht gespeichert, Transkripte und Feedback werden verschlüsselt abgelegt. Die Anwendung selbst wird in einer souveränen Cloud in Deutschland betrieben, alle KI-Komponenten laufen bei Mistral in der EU.

Das Feedback konzentriert sich bewusst auf beobachtbares Kommunikationsverhalten wie Struktur, Wortwahl und Gesprächsführung. Bewertungen emotionaler Zustände sind ausgeschlossen. Damit berücksichtigt die Lösung das Verbot der Emotionserkennung am Arbeitsplatz nach der EU-KI-Verordnung.

Mehrwert

Der Gesprächstrainer ergänzt klassische Trainingsformate um eine skalierbare Übungskomponente. Mitarbeitende trainieren eigenständig und in ihrem Tempo, Trainerinnen und Trainer konzentrieren sich auf die Themen, bei denen persönliche Begleitung den größten Unterschied macht. Der Ansatz ist auf vertrauliche Gesprächssituationen in anderen Branchen übertragbar, etwa auf Mandanten- oder Patientengespräche, geübt wird dabei ausschließlich mit fiktiven Fällen.