Lernen aus echten Daten – warum Demonstrationen, kollektives Wissen und Branchenbibliotheken den KI-Vorteil entscheiden

Learning by Demonstration könnte ein zentraler Durchbruch der humanoiden Robotik werden – und die Logik ist direkt übertragbar auf AI Agents. Bisher mussten Robotik-Trainingsdaten mühsam erzeugt werden: Menschen steuern Roboter per Teleoperation, Bewegungen werden aufgezeichnet, Gelenkwinkel gespeichert, Kräfte gemessen. Das skaliert schlecht. König beschreibt nun einen möglichen Paradigmenwechsel: Wenn Roboter aus menschlichen Videos lernen können – also Bewegungen aus Alltagsszenen oder Demonstrationsaufnahmen extrahieren – entsteht ein riesiger Trainingsdaten-Hebel. Der Mensch ist ein über hunderttausende Jahre optimiertes Manipulationssystem. Wenn humanoide Roboter menschenähnlich gebaut sind, können sie sich menschliche Bewegungen abschauen. Das ist ein starkes Argument für den humanoiden Formfaktor: nicht weil zwei Beine immer ideal sind, sondern weil massenhaft menschliche Demonstrationsdaten existieren. Für AI Agents gilt: Echte Telefonate, echte Einwände, echte Servicefälle sind der eigentliche Motor.

Simulation und reale Tests müssen kombiniert werden – Sim-to-Real ist keine Einbahnstraße, sondern ein Zyklus. König beschreibt den aktuellen Robotik-Lernprozess als Schleife: Reales System beobachten, in Simulation übertragen, Millionen Iterationen in Simulation ausführen, gute Lösung auf echten Roboter übertragen, in der realen Welt nachoptimieren. Warum beides? Simulation ist schnell und skalierbar, aber nicht perfekt. Die reale Welt hat Reibung, Materialunterschiede, ungenaue Sensorik, unerwartete Situationen und menschliches Verhalten. Für Voice-Agent-Projekte sollte derselbe Zyklus gelten: Simulierte Testgespräche, Rollenspiele mit echten Szenarien, interne Testanrufe, begrenzter Pilotbetrieb, echte Kundengespräche, Auswertung, Anpassung, Skalierung. Kein Agent sollte ungeprüft direkt auf echte Kunden losgelassen werden.

Kollektives Lernen ist einer der stärksten Skalierungsvorteile autonomer Systeme – und ETERNUM muss das nutzen. Ein Roboter lernt etwas, und dieses Wissen kann sofort auf andere Roboter übertragen werden. Menschen können das nicht in dieser Geschwindigkeit. Das gleiche gilt für Agenten: Wenn ETERNUM bei einem Installateur lernt, welche Anrufarten häufig sind, kann dieses Wissen in anonymisierter, standardisierter Form für andere Installateure nutzbar werden. Typische Notfallfragen, Pflichtinformationen, Terminlogik, Einwandbehandlung, branchenspezifische Begriffe, Eskalationsregeln, optimale Begrüßung, beste Follow-up-Struktur. Das ist der Kern einer Branchen-Skill-Library. Nicht jeder Kunde wird bei null gebaut. Jeder Kunde verbessert das System.

Weltmodelle geben Systemen echtes Kontextverständnis – und genau das brauchen auch Voice Agents. König beschreibt, wie Pflegezimmer digitalisiert werden: nicht nur als Punktwolke, sondern als semantische virtuelle Umgebung, in der eine Tür nicht nur ein Pixelhaufen ist, sondern ein Objekt mit Gelenk und Funktion. Visual Language Action Models verbinden Sehen, Sprache und Handlung. Für Voice Agents ist die Analogie: Ein Agent braucht ein „Weltmodell" des Betriebs. Was ist ein Notfall? Was ist ein Neukunde? Welche Leistungen gibt es? Welche Termine sind blockiert? Welche Anliegen dürfen nicht automatisiert werden? Ohne dieses Betriebsmodell bleibt ein Agent oberflächlich. Sprache ohne Handlung ist Chatbot. Sprache plus Handlung plus Kontextverständnis ist echter Agent.

Schritt 1 – Branchen-Datenbibliothek als strategisches Asset starten. Für Handwerker als erste Branche: typische Anruftypen sammeln, Notfalllogik definieren, Pflichtinformationen erfassen, Musterantworten schreiben, Follow-up-Regeln definieren, Demo-Call bauen. Nach jedem Kundenprojekt: Welche neuen Intents? Welche häufigen Fehler? Welche Formulierungen funktionieren? Was wird in die Bibliothek übernommen? Das ist kurzfristig am wertvollsten und langfristig der Burggraben.

Schritt 2 – Sim-to-Real-Zyklus für Voice Agents standardisieren. Ablauf: Simulierte Gespräche mit typischen Szenarien, Rollenspiele mit echten Branchenfällen, interne Testanrufe mit Grenzfällen (Dialekt, wütende Anrufer, unklare Sprache), begrenzter Pilotbetrieb mit echten Kunden, Auswertung der Ergebnisse, Anpassung der Wissensbasis und Regeln, dann erst Vollbetrieb. Dieser Zyklus wird zum Standard-Delivery-Prozess.

Schritt 3 – Kollektives Lernen über Kundenprojekte hinweg strukturieren. Anonymisierte, standardisierte Muster aus abgeschlossenen Projekten in eine zentrale Branchen-Wissensbasis überführen. Daraus entstehen: Intent-Kataloge, Einwandbibliotheken, Eskalationsregeln, Gesprächsleitfäden, Qualitätsmetriken und Fehlerkataloge. Das reduziert Setup-Zeit für neue Kunden, erhöht die Qualität ab Tag 1 und wird zum echten Wettbewerbsvorteil.

Schritt 4 – Betriebsmodell für jeden Agenten als Pflicht definieren. Vor jedem Agentenbau: Leistungen, Öffnungszeiten, Zuständigkeiten, Eskalationsregeln, Kundentypen, Notfallkategorien, Terminarten, Pflichtdaten, CRM-Felder und Follow-up-Regeln aufnehmen. Das ist ETERNUMs eigentliche Delivery-Arbeit – und der Grund, warum seriöse Kunden bereit sind, dafür zu bezahlen.