Warum Ihre KI Anrufer warten lässt

Die kurze Antwort

Wenn ein Anrufer zu Ende gesprochen hat und nur Stille hört, liegt das selten an einer einzigen langsamen Stelle. Die Pause ist die Summe aus sechs Abschnitten: Redeende, Transkription, Modellantwort, Abfrage, Sprachausgabe und Leitung. Den Abschnitt Abfrage gibt es nur bei Antworten mit Abfrage, also wenn der Agent in einem System nachsieht, etwa den Status einer Bestellung. Alle anderen Antworten sind Antworten ohne Abfrage.

In diesem Leitfaden heißt diese Pause Antwortpause: vom Moment, in dem der Anrufer aufhört zu sprechen, bis zum ersten Laut des Agenten, so wie der Anrufer ihn hört. Eine durchschnittliche Antwortpause verdeckt genau die Antworten, an die sich Anrufer erinnern. Messen Sie deshalb jede Antwort, trennen Sie Antworten ohne Abfrage von Antworten mit Abfrage, und werten Sie Median und 90. Perzentil aus.

Suchen Sie dann in jeder der langsamsten Antworten den längsten Abschnitt. Den Abschnitt, der dort am häufigsten der längste ist, beheben Sie zuerst. Ändern Sie immer nur einen Abschnitt, und behalten Sie die Kehrseite im Blick: Ein Agent, der vor seiner Antwort kürzer wartet, redet Anrufern womöglich dazwischen. Wo sich Warten nicht vermeiden lässt, hört der Anrufer dank einer gesprochenen Zwischenmeldung früher einen ersten Laut. Die eigentliche Auskunft kommt dadurch nicht früher.

Übernehmen Sie keine fremden Zielwerte. Finden Sie heraus, ab welcher Länge der Antwortpause Ihre eigenen Anrufer „Hallo?“ in die Stille sagen. Das ist Ihre Schwelle.

Unser Artikel darüber, wo Anrufer im Gespräch mit der KI auflegen, zeigt die Phase, in der Anrufer aussteigen. Dieser Leitfaden geht eine Ebene tiefer: warum die Stille so lang ist und welchen Abschnitt Sie beheben sollten. Alle folgenden Zahlen sind Beispiele, keine Daten von DRING und keine Branchendaten.

Die sechs Abschnitte einer Antwortpause

Zwischen dem letzten Wort des Anrufers und dem ersten Laut des Agenten teilt sich die Zeit in sechs Abschnitte. Dieser Leitfaden nennt sie immer in dieser Reihenfolge:

Zwei Abschnitte bestehen aus zwei Teilstücken. Bei einer Antwort mit Abfrage arbeitet das Modell vor der Abfrage, um zu entscheiden, was es prüft, und danach, um die Antwort zu formulieren. Beide Teilstücke zählen zur Modellantwort. Die Leitung besteht bei jeder Antwort aus zwei Teilstücken: Die Stimme des Anrufers erreicht Ihr System, und die Stimme des Agenten erreicht den Anrufer. Beide Teilstücke zählen zur Leitung.

So messen Sie jede Antwort

Messen Sie Antworten, nicht Anrufe: Im Durchschnitt eines Anrufs kann sich eine langsame Antwort mit Abfrage zwischen sieben schnellen verstecken. Geben Sie jeder Antwort eine Zeile mit denselben Feldern. Die Beispielwerte gehören zu der langsamen Antwort, die dieser Leitfaden weiter unten zeigt. Beispiel, keine echten Daten.

Messen Sie die Antwortpause zuerst auf der Anrufaufzeichnung Ihres Systems. Über die gemeinsame Anruf-ID ordnen Sie jede Antwort auf der Aufzeichnung ihren Zeitstempeln im System zu. Diese liefern Redeende, Transkription, Modellantwort, Abfrage und Sprachausgabe. Die Leitung kommt im nächsten Schritt hinzu.

Die Leitung fehlt auf Ihrer Aufzeichnung. In Ihrem System startet die Uhr, wenn der Ton des Anrufers bei Ihnen ankommt, und stoppt, wenn Ihr Ton das System verlässt. Führen Sie deshalb Testanrufe von normalen Telefonen in den Netzen durch, die Ihre Anrufer nutzen, und zeichnen Sie sie auf der Seite des Anrufers auf. Die Pause auf dieser Aufzeichnung minus die Pause auf der Aufzeichnung Ihres Systems für dieselbe Antwort ergibt die Leitung. Rechnen Sie sie zu den Pausen Ihrer echten Anrufe hinzu.

Prüfen Sie dann die Summe. Die nicht zugeordnete Zeit ist die Antwortpause auf der Aufzeichnung Ihres Systems, abzüglich der protokollierten Abschnitte. Ist sie groß, fehlt ein Zeitstempel. In der Beispielantwort zeigt die Aufzeichnung Ihres Systems 3,7 Sekunden, und die protokollierten Abschnitte ergeben zusammen ebenfalls 3,7 Sekunden. Die nicht zugeordnete Zeit ist also null. Rechnen Sie die 0,2 Sekunden der Leitung hinzu, dann hört der Anrufer 3,9 Sekunden Stille.

Warum der Durchschnitt das Problem verdeckt

Beispiel, keine echten Daten: 400 Antworten des Agenten aus 50 aufgezeichneten Anrufen auf einer Hotline, davon 300 Antworten ohne Abfrage und 100 Antworten mit Abfrage. Jede Pause enthält die Leitung mit 0,2 Sekunden aus Testanrufen.

Der Durchschnitt aller Antworten liegt mit 1,7 Sekunden über dem Median von 1,3 Sekunden, weil die langsamen Antworten ihn nach oben ziehen. Keine der beiden Zahlen zeigt die Antworten, an die sich Anrufer erinnern. Das 90. Perzentil (P90) zeigt sie: Es ist die Antwortpause, die jede zehnte Antwort erreicht oder überschreitet, hier 3,4 Sekunden. Die Antworten ab diesem Wert sind die langsamsten Antworten.

Trennen Sie außerdem nach Antwortart. Antworten ohne Abfrage haben einen Median von 1,1 Sekunden, Antworten mit Abfrage von 2,9 Sekunden. Gibt es in einer Woche mehr Antworten mit Abfrage, steigen die Werte für alle Antworten, auch wenn kein Abschnitt langsamer geworden ist.

Teilen Sie nun dieselben 400 Antworten nach ihrer Antwortpause in vier Bereiche ein: 130 Antworten unter 1,0 Sekunden, 180 von 1,0 bis 2,0 Sekunden, 50 von 2,0 bis 3,4 Sekunden und 40 ab 3,4 Sekunden. Markieren Sie dann die Antworten, bei denen der Anrufer in die Pause sprach: Er sagte „Hallo?“ oder wiederholte sich. Das geschah bei 31 der 40 langsamsten Antworten und bei 7 der übrigen 360: 3-mal bei den 310 Antworten unter 2,0 Sekunden und 4-mal bei den 50 Antworten von 2,0 bis 3,4 Sekunden.

Auf dieser Hotline ist das Sprechen in die Pause also unter 2,0 Sekunden selten, von 2,0 bis 3,4 Sekunden noch die Ausnahme und ab 3,4 Sekunden häufig. Die Schwelle dieser Hotline liegt damit bei etwa 3,4 Sekunden. Das ist kein allgemeiner Zielwert. Ihre eigene Schwelle finden Sie auf dieselbe Weise: Teilen Sie Ihre Antworten in Bereiche ein, und suchen Sie die Stelle, an der das Sprechen in die Pause von selten zu häufig wechselt. Feinere Bereiche rund um diese Stelle bestimmen sie genauer.

Den längsten Abschnitt in den langsamsten Antworten finden

Das 90. Perzentil zeigt, wie langsam die langsamsten Antworten sind, aber nicht, warum. Dafür öffnen Sie jede langsame Antwort und suchen ihren längsten Abschnitt: den Abschnitt, der in dieser Antwort am meisten Zeit gekostet hat.

Beispiel, keine echten Daten: eine der 40 langsamsten Antworten. Der Anrufer fragt nach dem Status einer Bestellung, es ist also eine Antwort mit Abfrage. Die Uhr startet in dem Moment, in dem der Anrufer aufhört zu sprechen, so wie es auf der Seite des Anrufers zu hören ist.

Die Abschnitte im Einzelnen: Redeende 0,7 Sekunden, Transkription 0,2 Sekunden, Modellantwort 0,6 Sekunden, Abfrage 1,9 Sekunden, Sprachausgabe 0,3 Sekunden und Leitung 0,2 Sekunden. Die Modellantwort besteht aus zwei Teilstücken von je 0,3 Sekunden: eines, um die Prüfung der Bestellung anzustoßen, und eines, um die Antwort zu formulieren. Die Leitung braucht in jede Richtung 0,1 Sekunden. Zusammen ergeben die Abschnitte eine Antwortpause von 3,9 Sekunden. Die Abfrage ist der längste Abschnitt, fast die Hälfte der Pause.

So addieren sich die Zeiten der Abschnitte nur innerhalb einer Antwort. Mediane und 90. Perzentile tun das nicht: Die Mediane der sechs Abschnitte ergeben zusammen nicht den Median der Antwortpause. Suchen Sie den längsten Abschnitt deshalb Antwort für Antwort, und zählen Sie erst dann.

Beispiel, keine echten Daten: der längste Abschnitt in jeder der 40 langsamsten Antworten.

Am häufigsten ist die Abfrage der längste Abschnitt, bei 27 der 40. Das passt zu den Antwortarten: 36 der langsamsten Antworten sind Antworten mit Abfrage, 4 sind Antworten ohne Abfrage. Das Redeende ist bei 8 der längste Abschnitt. Bei den meisten davon hat der Anrufer beim Vorlesen einer Nummer kurz innegehalten, und das System hat länger gewartet, bevor es entschied, dass er fertig ist. Die Modellantwort ist bei 5 der längste Abschnitt.

Die Leitung ist hier nie der längste Abschnitt, weil sie auf dieser Hotline konstant 0,2 Sekunden braucht. Auf einer anderen Hotline kann das anders aussehen. Unser Artikel über gute Demos und schwache Live-Anrufe liefert einen schnellen Test. Pausen vor jeder Antwort deuten auf Audio und Telefonie, also auf die Leitung. Pausen nur vor Antworten mit Abfrage deuten auf die Tools.

Immer nur einen Abschnitt ändern und die Kehrseite beobachten

Beginnen Sie mit dem Abschnitt, der in Ihren langsamsten Antworten am häufigsten der längste ist, hier die Abfrage. Ändern Sie eine Sache, und messen Sie dann dieselben Antwortarten erneut. Bei zwei Änderungen auf einmal können Sie nicht sagen, welche das 90. Perzentil bewegt hat.

Jede Korrektur hat ihren Preis. Deshalb nennt jede Zeile auch das Signal, auf das Sie achten sollten:

Jede Zeile nennt Optionen. Probieren Sie eine aus, messen Sie, und entscheiden Sie dann über die nächste.

Der Preis eines kürzeren Redeendes: Dazwischenreden

Dazwischenreden ist der umgekehrte Fehler zur langen Pause: Der Agent beginnt seine Antwort, während der Anrufer noch spricht oder nur kurz innehält. Beispiel, keine echten Daten: In denselben 400 Antworten redete der Agent in 6 Fällen dazwischen, in 5 davon, während der Anrufer eine Bestellnummer oder eine Telefonnummer vorlas. Hinter beiden Fehlern stecken Nummern: Das Redeende war bei 8 der langsamsten Antworten der längste Abschnitt, und bei den meisten davon las der Anrufer ebenfalls eine Nummer vor. Verkürzen Sie die Wartezeit pauschal bei jeder Antwort, müssen Sie mit mehr Dazwischenreden rechnen. Deshalb nennt die Zeile zum Redeende zwei Wartezeiten. Eine längere Wartezeit während einer Nummer macht diese 8 langsamen Antworten allerdings nicht schneller. Dort hilft ein Signal, dass die Nummer vollständig ist: Weiß das System, dass eine Bestellnummer fünf Ziffern hat, kann es das Redeende schon nach der fünften Ziffer erkennen, statt auf Stille zu warten.

Wenn sich Warten nicht vermeiden lässt: eine gesprochene Zwischenmeldung

Manche Abfragen bleiben langsam, und das System dahinter können Sie nicht immer selbst ändern. Geben Sie dem Anrufer dann schon vor der Abfrage einen ersten Laut: eine gesprochene Zwischenmeldung, also einen kurzen Satz vor einem langsamen Schritt. In der langsamen Antwort von oben käme sie direkt nach dem ersten Teilstück der Modellantwort:

• Anrufer: „Die Bestellnummer ist 4 8 1 7 2.“
• Agent, vor der Abfrage: „Danke, ich sehe mir die Bestellung kurz an.“
• Agent, nach der Abfrage: „Ihre Bestellung ist unterwegs und kommt am Donnerstag bei Ihnen an.“

Die Antwortpause wird kürzer, weil der erste Laut jetzt vor der Abfrage kommt. Die Zeit bis zur Auskunft läuft vom Moment, in dem der Anrufer aufhört zu sprechen, bis zum Beginn der eigentlichen Auskunft. Sie bleibt etwa gleich, weil die Auskunft weiterhin auf die Abfrage wartet. Erfassen Sie bei diesen Antworten deshalb auch die Zeit bis zur Auskunft, damit eine Zwischenmeldung keine Abfrage verdeckt, die immer langsamer wird.

Halten Sie gesprochene Zwischenmeldungen kurz, und setzen Sie sie nur vor einem langsamen Schritt ein, nie in einer Entschuldigung, einer Zahl oder der Verabschiedung. Auch eine Zwischenmeldung bei jeder Antwort hat ihren Preis: Anrufer hören immer wieder denselben Satz.

Was Sie jede Woche verfolgen sollten

Werten Sie jede Woche drei Signale aus, getrennt für Antworten ohne Abfrage und Antworten mit Abfrage:

• Antwortpause: Median und 90. Perzentil, bei Antworten mit gesprochener Zwischenmeldung zusätzlich die Zeit bis zur Auskunft.
• Anrufer sprach in die Pause: der Anteil der Antworten, bei denen das vorkam.
• Dazwischenreden: wie oft der Agent dazwischengeredet hat und was der Anrufer in dem Moment gesagt hat.

Ein viertes Signal werten Sie pro Anruf aus: ob die Aufgabe erledigt wurde. Eine kürzere Pause ist wenig wert, wenn weniger Anrufe ihre Aufgabe erledigen. Wenn Sie einen Piloten durchführen, zählen Sie eine Aufgabe so als erledigt, wie Ihr Pilotbogen einen gelösten Anruf definiert.

Vergleichen Sie vor und nach jeder Änderung dieselben Antwortarten. Ein Anteil, der auf wenigen Hundert Antworten beruht, kann sich zufällig verschieben. Unser Artikel zu den Erfolgskriterien für Voice-KI-Piloten zeigt, wie Sie die Fehlermarge einer Quote berechnen.

Wo DRING hilft

Ausgewählte Modelle für Spracherkennung, Sprachausgabe und Reasoning, Telefonie sowie Tests und Monitoring gehören bei DRING in jedem Paket zur gemeinsamen Grundausstattung. Bei DRING funktionieren drei der sechs Abschnitte und die gesprochene Zwischenmeldung so:

• Redeende: Ein eigenes Modell steuert Barge-in und erkennt das Ende eines Redebeitrags. So redet der Agent nicht in eine Pause hinein und schweigt nicht weiter, wenn der Anrufer längst fertig ist.
• Transkription: Der Anruf wird in Echtzeit transkribiert, mit Streaming-Spracherkennung.
• Leitung: Audioqualität und Latenz werden je Rufnummer erfasst, damit eine nachlassende Leitung früh auffällt.
• Gesprochene Zwischenmeldung: Braucht ein Tool oder Modell länger, hält ein kurzes, natürliches Füllwort aus dem freigegebenen Set von DRING das Gespräch in Gang. Das Füllwort ist die Form, in der DRING die gesprochene Zwischenmeldung umsetzt, und es kommt nie in einer Entschuldigung, einer Zahl oder der Verabschiedung vor.

Unsere Seite zum Speech Core zeigt, wie Spracherkennung, Sprecherwechsel und Sprachausgabe als eine Pipeline zusammenarbeiten. Unsere Seite zur Telefonie behandelt den Zustand der Leitungen.

Jeder Agent von DRING durchläuft vor dem ersten echten Anruf 1.000 bis 10.000 simulierte Gespräche, eigens für Ihr Unternehmen erstellt. Die Simulationen testen Sprecherwechsel und gesprochene Zwischenmeldungen vor dem Start. Die Leitung echter Anrufe messen sie nicht. Die Leitung ergibt sich aus Testanrufen in den Netzen Ihrer Anrufer.

Sagen Anrufer auf Ihrer Hotline „Hallo?“ in die Stille, fordern Sie einen Rückruf an. Halten Sie einige dieser Anrufe bereit, mit Aufzeichnungen, soweit Ihre Richtlinien das erlauben. Unser Team kann die langsamsten Antworten mit Ihnen durchgehen, Abschnitt für Abschnitt.