Agenten-Commerce: So lernen Marken zu denken wie Alexa

Der Erfolg von Sprachassistenten kam überraschend. Zwar hat sich die Technologie mit Siri und Co. bereits seit angekündigt. Doch erst Amazons   smarte Echo-Lautsprecher haben den Durchbruch geschafft - und die hatte niemand auf dem Radar. Inzwischen gilt in der Digitalbranche als ausgemacht, dass Sprachassistenten - neben AR und VR vielleicht - das nächste große Ding sein werden. Allerdings: Auch wenn es kaum einer zugeben mag - wohin die Reise genau gehen wird, weiß immer niemand genau zu sagen. Für die Alexa-Plattform - deren System recht offen gestrickt ist - gibt es zwar inzwischen tausende Skills. Die meisten davon haben jedoch einen äußerst eingeschränkten Nutzwert. Wetterbericht und TV-Programm gehören im Reigen der zahlreichen Furzkissen- und Witze-Skills bereits zu den Highlights.

Die bisherigen Einsatzmöglichkeiten geben nur einen eingeschränkten Hinweis auf die zukünftige Entwicklung. Genaue Nutzungs-Statistiken sind nicht verfügbar. Bei Befragungen stellt sich bisher heraus, dass die Kunden zwar viele Funktionen ausprobieren, sich aber schnelle auf eine übersichtliche Anzahl von Anwendungen beschränken. Das Abspielen von Musik und die Steuerung des Smarthomes stehen ganz oben auf den Listen. Allenfalls lässt sich festhalten, dass das Interface "Spracheingabe" auf einen fruchtbaren Boden fällt und von den Nutzern - vor allem in den eigenen vier Wänden - akzeptiert wird.



Bislang mangelt es vor allem an Business-relvanten Szenarien. Allenfalls Amazon selbst verdient bislang mit dem Verkauf seiner Speaker etwas Geld (siehe iBusiness: Alexa & Co. - Wie sich mit Sprachassistenten Geld verdienen lässt). Obwohl es für Alexa bereits ein offenes App-Ökosystem in Form des Skill-Stores gibt, hat sich bislang kaum eine Anwendung gefunden, mit der sich das App-Ökosystem monetarisieren ließe. Dabei lägen die wirtschaftlich sinnvolle Einsatzzwecke im Marketing, E-Commerce sowie Service und Support auf der Hand.

Woran es bei Alexa & Co hapert

Zunächst: Entwickler müssen komplett neu denken. Sprachassistenten dürfen nicht überschätzt werden. Die Dinger wirken schlau (weil sie ein Gespräch simulieren und manchmal überraschende, charmante und erheiternde Antworten liefern), tatsächlich sind sie es aber nicht. Der einzig wirklich "intelligente" Teil, den Alexa bietet, ist die automatische Spracherkennung (ASR, Automatic Speech Recognition) und das Verständnis natürlicher Sprache (NLU, Natural Language Understanding). Im direkten Anschluss daran endet Alexas "Intelligenz" sehr schnell. Bei den meisten Anwendungen beginnt im Anschluss ein sehr schematischer Teil der Kommunikation.

Die Grenzen von Alexa lassen sich plastisch darstellen:

• Die Automatic Speech Recognition übernimmt die Rolle einer Tastatur, die aus einem gesprochenen Kommando ("Alexa, wie wird das Wetter am Wochenende?") einen Text erzeugt.
  
• Diese Zeichenkette wird an das Natural Language Understanding weitergereicht und dort in Intention und Parameter zerlegt. "Wie wird das Wetter" bestimmt die Intention ("Abfrage Wetterbericht"); die Angabe "am Wochenende" wird in ein konkretes Datum übersetzt, die fehlenden Ortsangabe wird durch den hinterlegten Standort des Geräts ersetzt.
  
• Anschließend werden diese Informationen in der durch die API definierten Form an den Wetterserver weitergereicht.
  
• Dieser startet eine entsprechende Datenbankabfrage und liefert einen aus vorgefertigten Bausteinen zusammengestellten Text an den Assistenten zurück, den die dort eingebaute Text-to-Speech-Engine in gesprochene Sprache umwandelt.
  
• Alternativ kann auch eine Audio-Datei oder eine Stream als Antwort erfolgen. Der Assistent spielt dann diesen ab.

Manche Intentionen - wie die Abfrage des Wetterberichts - werden von Alexa an Services weitergeleitet, die Amazon selbst bereitstellt. Nur wenn ein Skill installiert ist, von denen es inzwischen mehr als 15.000 gibt, werden Anfragen auch an externe Server geleitet. Die Phrase "Alexa, frage WetterOnline wie das Wetter am Wochenende wird" würde Alexa dann anweisen, Intention und Parameter an die Serveradresse des Drittanbieters zu übermitteln und die Antwort von dort zu erwarten.

Alexa: Wie Tastatur und Display - nur völlig anders

Die künstliche Intelligenz hat in Sachen Spracherkennung und -Verständnis zweifellos gewaltige Fortschritte gemacht. Trotzdem: Sie funktionieren am besten mit einfach strukturierten Sätzen, die eine klare Intention erkennen lassen. Komplexe Anfragen oder implizite Informationen verstehen die Systeme gar nicht erst.

Und selbst wenn die Spracheingabe funktioniert, macht das noch keinen "intelligenten" Assistenten. Denn für die passende Antwort ist der Sprachassistent in den wenigsten Fällen zuständig. Auch wenn der Nutzer den Eindruck hat, mit Alexa zu reden, stammt die Antwort nicht unbedingt von ihr. Alexa ist wie Tastatur und Display. Schlau muss der dahinter liegenden Service schon selbst sein.

Was das anbelangt, ist bislang nicht viel geboten. Alexa scheitert selbst an Aufgaben, für die lediglich bereits vorliegende Nutzerinformationen verknüpft werden müssten. Auf der Amazon-Website kann etwa dankenswerter Weise eingestellt werden, welches genaue Automodell der Kunde fährt - doch Alexa ist nicht in der Lage, diese Information zu berücksichtigen, wenn der Kunde neue Scheibenwischer bestellt. Stattdessen empfiehlt der Sprachassistent einen Wischer Typ "Bosch Dreimilliarden dreihundertsiebenundneunzigmillionen einhundertachtzehntausend neunhundertneunundsiebzig Aerotwin". Der natürlich nicht passt.

Noch weniger kann der Assistent intelligente Vorschläge aus der Einkaufshistorie ableiten. Wer Ersatzzahnbürsten bestellt, darf nicht erwarten, dass Alexa berücksichtigt, welche elektrische Zahnbürste man zuvor gekauft hat. Immerhin: Hat man einmal einen bestimmten Bürstentyp bestellt, schlägt Alexa diesen auch bei zukünftigen Käufen vor. Verbrauchsartikel lassen sich so unkompliziert nachbestellen.

Das Beispiel zeigt: Beim Entwickeln sprachgesteuerter Skills muss komplett neu gedacht werden. Einerseits sind Assistenzfunktionen gefordert, denen nicht alles haarklein erklärt werden muss. Sie sollten statt dessen sinnvolle Vorschläge aus den vorhandenen Informationen ableiten können. Andererseits muss klassische Visualisierung durch Sprachkonzepte abgelöst werden. Diese Voice-User-Interfaces (VUI) müssen die speziellen Anforderungen einer Sprachein- und -ausgabe berücksichtigen. Die Informationsmenge muss reduziert sein und gegebenenfalls schrittweise abgefragt werden. Suchergebnisse müssen durch Filter vorselektiert und strukturiert werden. Bei der Gestaltung der Kommunikation mit Alexa gibt es zwei grundsätzliche Ansätze:

• Zum einen das "One-Shot"-Model, welches durch eine einfache, schnelle Art die Kommunikation mit den Skills ermöglicht. "One Shots" eignen sich für einfache Fragen oder Befehle ("Wie wird das Wetter heute?")" oder ""Spiele SWR3-Radio"
• Für komplexere Anfragen eignet sich ein mehrstufiges Dialog-Modell. Dabei werden Daten des Nutzers abgefragt, gespeichert, zurückgegeben, verändert oder gelöscht werden. Die eindeutige Identifikation des Nutzers bei Alexa erfolgt über die AMAZON.UserProfil_ID.

Für eine Fahrplanauskunft wählt der Nutzer beispielsweise zuerst den Service ("Öffne Fahrplanauskunft") und teilt dem System schrittweise den Start- und Zielbahnhof sowie die gewünschte Ankunfts- oder Abfahrtszeit mit. Anschließend fragt das System, ob die Ergebnisse nach günstigsten oder schnellsten Verbindungen sortiert werden sollen und nennt erst dann eine passende Verbindung mit Start- und Ankunftszeit, Anzahl der Umsteigebahnhöfen und Fahrpreis. Anschließend fragt das System, ob diese Verbindung passend ist, oder ob noch eine frühere oder spätere Verbindungen, eine schnellere oder eine günstigere gesucht werden soll. Zuletzt kann das System - sofern der Kunde eingeloggt ist - die Verbindungsdetails per Mail schicken oder gleich ein Ticket kaufen und einen Sitzplatz reservieren.

Ebenso komplex würde ein funktionierender Einkaufsdialog aussehen. Nach der Scheibenwischerbestellung würde sich Alexa vergewissern, ob das hinterlegte Automodell das richtige ist. Anschließend danach fragen, ob die Suchergebnisse nach Preis, Beliebtheit oder Bewertung sortiert werden sollen oder ob eine bestimmte Marke präferiert wird. Erst dann nennt Alexa das erste Suchergebnis (ohne dabei die Artikelnummer vorzulesen!) und bietet die Bestellung an.

Daten neu strukturiert

Die Beispiele zeigen, warum die meisten Alexa-Skills bislang One-Shots sind und sich kaum für komplexe Szenarien eignen. Obwohl die formalen Anforderungen an eine Alexa-Skill gering sind und sie sich schnell erstellen lassen, sind für die meisten nützlichen Anwendungen grundlegende Vorarbeiten notwendig. Einfach nur den ersten Treffer einer Suchergebnisseite an die Text-to-Speech-Maschine zu parsen, kann kein Konzept für ein Voice-User-Interface sein. In vielen Fällen muss nicht nur der Prozess der Informationsaufbereitung und -Abfrage neu durchdacht werden. Selbst die vorhandenen Datensätze müssen zunächst für eine Sprachausgabe passend aufbereitet werden, wie der Scheibenwischer "Bosch 3397118979 Aerotwin" zeigt. Vor allem müssen die Daten mittels mehrstufiger Filter selektierbar sein, die vom VUI durch Nachfragen oder mittels bereits vorhandener User-Informationen gesetzt werden.

Immerhin können Entwickler in der Regel auf bereits bestehende Schnittstellen wie eigene Datenbanken oder Server zugreifen und müssen selten komplett neue Datenstrukturen aufzubauen. Und: Die Arbeit lohnt sich. Denn entsprechende Systeme lassen sich nicht nur über Smartspeaker - von denen Prognosen zufolge bis 2020 in den USA rund 138 Millionen installiert sein sollen -, sondern auch von Sprachassistenten in Smarthones und textbasierte Chatbots ansprechen. Der Bedarf an smarten Informationssystemen wird also steigen.