KI als Gesprächspartner – das war das Thema des CLC Lunch&Learn im April. Mit Horst Chris Wagner hatten wir einen engagierten Impulsgeber, der uns Convayla vorstellte. Ein sprachbasierter KI-Agent wie Convayla ist kein klassischer autonomer digitaler Helfer. Es geht nicht um ein System, das für eine einzelne Person selbstständig E-Mails bearbeitet, den Kalender organisiert oder Aufgaben im Hintergrund erledigt. Der vorgestellte KI-Agent wird vielmehr als dialogischer Gesprächspartner („Conversational Agent“) verstanden, mit dem man sprechen, nachdenken, reflektieren und schrittweise zu besseren Einsichten gelangen kann. Entscheidend ist die Frage: Für wen handelt oder spricht die KI — für viele Nutzer:innen in einem Kontext oder für eine einzelne Person über viele Kontexte hinweg?
Der Unterschied zu vielen klassischen Chatbot-Anwendungen? Der Conversational Agent ist keine bessere Suchmaschine und auch kein reines Frage-Antwort-System. Sein Nutzen entsteht nicht nur dadurch, dass er Informationen liefert, sondern dadurch, dass er eine Gesprächsführung ermöglicht. KI-Agenten sind nicht nur „Gesprächspartner“, sondern interaktionsgestaltende Systeme. Bei fortschrittlichen Voice-Agenten wird der Charakter des Agenten künftig nicht nur durch den Prompt geprägt sein, sondern zunehmend auch durch Stimme, Reaktionsgeschwindigkeit, Tonfall und Gesprächsführung.
Ein spezialisierter KI-Voice-Agent ist in erster Linie ein öffentlich oder halböffentlich zugänglicher Gesprächsassistent für einen klar definierten Kontext: Website, Kurs, Produktberatung, Support, E-Learning, interne Wissensdatenbank. Der Agent spricht mit vielen Nutzer:innen, beantwortet Fragen zu einem begrenzten Themenfeld und greift dafür auf eine vorbereitete Knowledge Base (RAG-aufbereitete Wissensdatenbanken, Dokumente oder gecrawlte Webseiten) zurück. Sprache wird nicht nur als komfortable Eingabemöglichkeit verstanden, sondern als Zugang zu einer natürlicheren Interaktion. Gleichzeitig bleibt der Chatverlauf sichtbar, damit Aussagen nachgelesen, kopiert und weiterverarbeitet werden können. Der Agent bewegt sich also zwischen mündlichem Gespräch und schriftlicher Dokumentation.
| Dimension | Spezialisierter KI-Voice-Agent | Persönlicher KI-Agent |
|---|
| Primärer Zweck | Gespräch, Orientierung, Beratung in einem definierten Kontext | Persönliche Unterstützung, Aufgabenbearbeitung, Begleitung |
| Nutzerkreis | Viele Nutzer:innen | Eine Person oder ein kleines Team |
| Ort der Nutzung | Website, Kursplattform, Unternehmensportal, Supportbereich | Persönlicher Arbeitsplatz, Kalender, Mail, Notizen, Tools |
| Wissensbasis | Kuratierte Knowledge Base zum Thema, Produkt, Kurs oder Unternehmen | Persönliche Daten, Arbeitskontext, Präferenzen, Verlauf |
| Typische Aktion | Antwort geben, erklären, weiterleiten, motivieren | Planen, erinnern, zusammenfassen, Aufgaben ausführen |
| Beispiel | Teaching Assistant für einen Onlinekurs | Mein Lernagent, der mir jeden Morgen fünf Minuten Update liefert |
Use Cases: KI-Agenten als spezialisierte Gesprächspartner
Use Cases zeigen, dass dialogbasierte KI-Agenten vor allem dort interessant werden, wo wiederkehrende Gesprächs-, Orientierungs- und Reflexionsbedarfe entstehen. Sie sind keine universellen Werkzeuge, sondern spezialisierte Agenten, die jeweils auf einen klar definierten Anwendungskontext zugeschnitten sind. Dies wird besonders deutlich an den Beispielen Resilienz, Psychologie, Medizin und Bildung.
Als Beispiel wurde ein Resilienz-Agent genannt, der sich an Führungskräfte richtet. Er soll nicht nur Informationen zu Resilienz liefern, sondern als Reflexionspartner dienen. Nach schwierigen Meetings oder belastenden Situationen können Führungskräfte mit dem Agenten über ihr Erleben sprechen, Handlungsoptionen durchdenken und alternative Reaktionsweisen entwickeln. Der Agent wird somit zu einem niedrigschwelligen Denk- und Lernraum im Arbeitsalltag.
Sensibler sind auch die Use Cases im psychologischen und medizinischen Umfeld. Im psychologischen Bereich wird der Agent als mögliche Entlastung gedacht, etwa für Menschen, die lange auf einen Termin warten. Zugleich wird deutlich, dass solche Anwendungen besondere Sorgfalt erfordern, etwa beim Umgang mit Krisensituationen oder suizidalen Äußerungen. Im medizinischen Beispiel geht es eher um Vororientierung: Menschen mit Beschwerden könnten besser einschätzen, ob sie direkt ärztliche Hilfe brauchen oder zunächst andere Wege sinnvoll sind.
Für Bildungsanbieter ergibt sich ein weiterer Anwendungsfall. Statt eines allgemeinen Lernbots könnten einzelne Kurse oder Programme eigene Agenten erhalten. Diese würden kursbezogene Fragen beantworten, Orientierung geben und die Lernenden im Dialog begleiten.
Allen Use Cases ist gemeinsam, dass der Nutzen nicht durch „KI an sich“ entsteht, sondern durch Spezialisierung, eine saubere Wissensbasis, klare Grenzen und kontinuierliches Testen. Gerade in sensiblen Bereichen sind menschliche Verantwortung und fachliche Kontrolle unerlässlich.
Datensouveränität: Mehr als ein Serverstandort
Datensouveränität klingt zunächst nach einer einfachen Frage: Wo liegen die Daten? Doch gerade bei KI-Agenten reicht diese Antwort nicht aus. In der Diskussion wurde genau dieser Punkt deutlich. Es wurde betont, dass Server und Datenbank in Deutschland stehen und damit ein hohes Maß an Kontrolle, Nähe zur DSGVO und Unabhängigkeit von großen Hyperscalern angestrebt wird. Gerade in sensiblen Bereichen wie der Psychologie, der Medizin oder dem Führungskräfte-Coaching reicht ein formaler Verweis auf Verträge möglicherweise nicht aus. Entscheidend ist, wer technisch Zugriff auf welche Daten hat und ob für die eigentliche KI-Verarbeitung ein Modell eines externen Anbieters genutzt wird. Daraus ergeben sich Risiken für die weitere Debatte: Datensouveränität ist kein Entweder-Oder, sondern ein Kontinuum. Zwischen lokaler Wissenshaltung, externer Modellverarbeitung, rechtlicher Absicherung und faktischem Vertrauen gibt es Abstufungen.
Agenten im Lernkontext: Potenzial, Grenzen und Verantwortung
Für Corporate Learning ist die Unterscheidung wichtig: Ein spezialisierter Voice-Agent kann zum Beispiel einen Kurs begleiten, Fragen beantworten oder Reflexion anregen. Ein persönlicher AI-Agent würde dagegen individuelle Lernfortschritte beobachten, Lerninhalte vorschlagen, Routinen aufbauen und möglicherweise mehrere Lernquellen koordinieren. Der eine ist eher dialogische Lern- und Support-Infrastruktur, der andere eher persönlicher Lern- und Arbeitsbegleiter.
Und auch das ist sehr wichtig: Vor dem Einsatz solcher Agenten muss eine saubere Risikoanalyse durchgeführt werden, es müssen klare Use-Case-Grenzen definiert werden und es muss Transparenz gegenüber den Nutzer:innen bestehen. Für Corporate Learning können KI-Agenten wertvolle Lern- und Reflexionsräume eröffnen. Bevor sie jedoch eingesetzt werden, muss eine nüchterne Prüfung erfolgen: Welche Daten entstehen? Wohin fließen sie? Wer kann darauf zugreifen? Und welche Risiken sind für den jeweiligen Use Case vertretbar? Datensouveränität ist kein Label, sondern eine Gestaltungsaufgabe.
Hinweise zum Einsatz von KI bei der Erstellung dieses Beitrags
Dieser Beitrag wurde unter ko-kreativer Nutzung generativer KI-Systeme erstellt. Zum Einsatz kamen ChatGPT(OpenAI) sowie Gemini (Google) in ihren jeweils aktuellen Modellgenerationen. Für die Videotranskription wurde TurboScribe genutzt, zur Paraphrasierung und Überprüfung DeepL.
Die inhaltliche Konzeption, Auswahl, Bewertung und redaktionelle Verantwortung des Beitrag liegen beim Autor.
Stand der KI-Unterstützung: 10.05.2026.