Die Frage
Ein Geschäftsführer bat seinen Voicebot-Anbieter, den Bot "professioneller" klingen zu lassen. Der Anbieter schrieb das Wort "professionell" in den System-Prompt. Der Bot sprach danach in ganzen Absätzen. Korrekt, höflich — und unerträglich am Telefon.
Das Problem war nicht die KI. Das Problem war, dass jemand einen Text-Prompt geschrieben hat und erwartete, dass er am Telefon funktioniert.
Die Regeln, die wir für ChatGPT gelernt haben — ausführliche Instruktionen, strukturierte Ausgabe, detaillierte Rollenbeschreibungen — funktionieren in der Textschnittstelle. Am Telefon richten sie Schaden an. Der Grund ist ein fundamentaler Unterschied der Modalitäten: Text ist persistent — der Nutzer kann zurückscrollen. Sprache ist seriell und flüchtig — der Moment ist vorbei, sobald der Satz gesprochen ist (VUI Design Research, Fraunhofer/U of Toronto, 2024).
Der Linguist H.P. Grice formulierte 1975 vier Maximen für kooperative Kommunikation: Sage genug, aber nicht zu viel (Quantität). Sage die Wahrheit (Qualität). Sei relevant (Relation). Sei klar (Manner). Die Linguistic Society of America (2025) hat untersucht, wie sich diese Maximen auf Human-AI-Interaction übertragen — mit dem Ergebnis, dass die Maxime der Relevanz in gesprochener Interaktion die kritischste ist: Schon eine irrelevante Information erzeugt messbar höhere Frustration als im Text.
Und die Maxime der Quantität ist am Telefon um eine Größenordnung strenger als im Chat. Die kognitionspsychologische Forschung zeigt, dass das menschliche Arbeitsgedächtnis auf vier bis fünf Informationseinheiten begrenzt ist (Cowan, 2001). Am Bildschirm kompensiert die Persistenz der Anzeige diese Begrenzung. Am Telefon fällt diese Kompensation weg. Jede Information, die das Arbeitsgedächtnis übersteigt, ist verloren.
Vier Regeln, die im Text gelten — und am Telefon scheitern
Im Text-Chat ist ein ausführlicher System-Prompt mit 3.000 Tokens ein Qualitätsmerkmal. Am Telefon ist er ein doppeltes Problem. Jeder zusätzliche Token fließt in die Verarbeitungszeit des Modells ein. Und ausführliche Instruktionen erzeugen ausführliche Antworten — ein klassischer Fall von extraneous load im Sinne der Cognitive Load Theory (Sweller, 1988).
Wenn der Prompt sagt "Erkläre dem Kunden die Lieferbedingungen vollständig", bekommt der Anrufer einen 45-Sekunden-Monolog. Am Telefon ist "genug" drastisch weniger als im Chat.
OpenAIs Best Practices für Voice-Prompts empfehlen explizit: Bullet Points statt Paragraphen, Anweisungen so knapp wie möglich. In Sontor steht im Prompt: "Halte deine Antworten kurz und prägnant, da dies ein Telefongespräch ist." Dieser eine Satz verändert das gesamte Ausgabeverhalten.
Markdown-Tabellen, Aufzählungen mit Emojis, JSON — im Text großartig. Am Telefon kann das Modell keine Tabelle vorlesen. Wenn es drei Optionen aufzählt, hat der Anrufer die erste vergessen, bevor die dritte kommt.
Statt "Hier sind unsere drei Optionen: A, B, C" trainieren wir den Sontor-Assistenten darauf, zu fragen: "Geht es um X oder eher um Y?" Interaktive Eingrenzung statt vollständige Aufzählung. Das System reduziert die kognitive Last, indem es die Entscheidung in binäre oder ternäre Schritte zerlegt — ein Prinzip des adaptive dialogue design (Voice UX Research, Decagon, 2025).
Ein ChatGPT-Prompt, der "1899€" ausgibt, zeigt dem Nutzer den korrekten Preis. Ein KI-Telefonassistent, der "1899€" ausspricht, sagt "eintausend achtneunundneunzig Euro" — oder schlimmer: "eins acht neun neun Euro".
Dieses Problem ist als Inverse Text Normalization (ITN) bekannt (ITN Research, arXiv/NVIDIA). TTS-Systeme müssen Ziffernfolgen kontextabhängig interpretieren: Ist "1985" ein Jahr, ein Preis, eine Hausnummer?
In Sontor steht im Prompt explizit: "Schreibe alle Zahlen, Preise und Uhrzeiten vollständig als Wörter aus. 1899€ → Eintausend Achthundert Neunundneunzig Euro." Und für Telefonnummern: "Gib Telefonnummern Ziffer für Ziffer als Wörter an. 07621 → null sieben sechs zwei eins."
"Sei freundlich und professionell" — das steht in 90% aller Chatbot-Prompts. Am Telefon ist das zu vage. Das Modell interpretiert "professionell" als formell. Formell am Telefon bedeutet: lange Sätze, Konjunktiv, Passivkonstruktionen.
Was in Sontor stattdessen steht: "Deine Stimme klingt wie eine motivierte, junge professionelle Person im Kundenservice. Der Tonfall ist Smile-Talk. Du sprichst dynamisch und euphorisch." Das sind keine Adjektive. Das sind Verhaltensanweisungen, die das Modell in prosodische Muster übersetzen kann. Die Stanford HCI-Forschung zeigt: Prosodische Merkmale beeinflussen die Wahrnehmung einer KI-Stimme stärker als der lexikalische Inhalt.
Was die meisten übersehen
Voice-Prompts brauchen schnellere Iterationszyklen als Text-Prompts — weil man Fehler nur durch Zuhören findet.
Bei einem Text-Chatbot schreibt man einen Prompt, testet ihn, liest die Antwort, passt an. Bei einem KI-Telefonassistenten ist das anders. Man ruft an, hört den Bot sprechen, und merkt sofort, wenn etwas falsch klingt. Eine unbeholfene Begrüßung. Ein Satz, der zu lang ist. Eine Zahl, die falsch betont wird.
Dieser Feedback-Loop — Anrufen, Zuhören, Prompt ändern, nochmal anrufen — muss in Minuten funktionieren, nicht in Sprint-Zyklen. Das bedeutet: Der Prompt darf nicht im Code stecken, wo jede Änderung ein Deployment erfordert. Er muss dort leben, wo der Fachbereich ihn in Echtzeit anpassen kann.
Drei Fehler, die ich immer wieder sehe
Fehler 1: Monolog statt Dialog
Der Bot bekommt die Frage "Was kostet der Versand?" und antwortet mit einem 40-Sekunden-Block über Versandzonen, Mindestbestellwerte, Express-Optionen und Auslandstarife. Technisch korrekt. Am Telefon eine Katastrophe.
Die Lösung ist im Prompt verankert: Kurz antworten. Dann rückfragen. "Der Versand kostet fünf Euro innerhalb Deutschlands. Haben Sie eine Frage zu einer bestimmten Region?" Zwei Sätze. Die Gesprächsführung bleibt beim Bot. Grice nennt das die Maxime der Quantität: Sage genug, aber nicht mehr als nötig.
Fehler 2: Stille während Tool-Calls
Der Anrufer fragt "Wer ist bei euch zuständig für Bestellungen?" Der Bot muss die Kontaktdatenbank durchsuchen — das dauert ein bis drei Sekunden. Im Text-Chat zeigt man einen Lade-Spinner. Am Telefon gibt es kein visuelles Äquivalent. Was der Anrufer hört: Stille. Und Stille am Telefon wird aktiv als Zögern, Desinteresse oder technisches Versagen interpretiert (Stivers et al., 2009).
Die Lösung steht im Prompt: "Sage dem Anrufer, dass du nachschaust, bevor du ein Tool aufrufst."Der Bot sagt "Einen Moment, ich schaue nach" und sucht dann im Hintergrund. Ohne diese Anweisung herrscht Totenstille — und der Anrufer legt auf.
Fehler 3: Komplexe Information im falschen Medium
Ein KI-Telefonassistent findet ein Produkt und soll dem Anrufer den Link geben. Die naheliegende Lösung: URL vorlesen. Das Ergebnis: "h-t-t-p-s-Doppelpunkt-Schrägstrich-Schrägstrich-w-w-w-Punkt..." — der Anrufer hat längst aufgelegt.
Die richtige Lösung ist ein bewusster Medienbruch. In Sontor steht im Prompt: "Biete dem Kunden aktiv an, Informationen per SMS zu schicken."Der Bot fragt: "Soll ich Ihnen den Link per SMS senden?" Statt das Telefon für etwas zu missbrauchen, wofür es nicht gemacht ist, wechselt der Bot in das Medium, in dem ein Klick genügt.
Die Prompt-Checkliste
Fünf Tests, mit denen Sie die Prompt-Qualität eines KI-Telefonassistenten prüfen:
Testet: Maxime der Quantität
Testet: Text Normalization
Testet: Turn-Gap-Management
Testet: Multimodales Handoff
Testet: Barge-in / VAD-Konfiguration
Fazit
Die meisten Voicebot-Prompts scheitern nicht an der KI. Sie scheitern daran, dass jemand einen Text-Prompt geschrieben hat und erwartete, dass er am Telefon funktioniert.
Voice-Prompts brauchen andere Regeln: Kürze erzwingen statt Ausführlichkeit belohnen. Rückfragen statt Monologe. Zahlen als Wörter. Verhaltensanweisungen statt Adjektive. Und einen Feedback-Loop, der schnell genug ist, um Prompt-Änderungen durch Zuhören zu testen — nicht durch Lesen.
Die Qualität eines KI-Telefonassistenten wird nicht durch das Modell bestimmt. Sie wird durch den Prompt bestimmt. Und der Prompt wird durch die Frage bestimmt: Wurde er für den Bildschirm geschrieben — oder für das Ohr?
Lassen Sie sich direkt mit den Gründern verbinden.
Kostenlos. Ohne Registrierung. Ihr Gespräch wird nicht aufgezeichnet.