KI-Agenten

Google Duplex entwickelt sich zu einem einheitlichen Gemini-Agenten für Live-Telefonate

Google hat seine seit zehn Jahren bestehende Duplex-Sprachtechnologie in die Gemini-App integriert. Dies ermöglicht es der KI, komplexe, ungeskriptete Telefonanfragen unter Verwendung einer einheitlichen Architektur von Foundation-Modellen zu bearbeiten.

Ein Smartphone, das über eine digitale Wellenform mit einem Wählscheibentelefon verbunden ist.
Für diesen Artikel generierte Illustration

Automatisch aus dem englischen Original übersetzt.

Google hat seine Google-Duplex-Sprachtechnologie offiziell in die Aufgabenfunktion (Tasks) der Gemini-App integriert. Dies markiert eine bedeutende Weiterentwicklung darin, wie KI-Agenten reale Koordinationsaufgaben bewältigen. Die Ankündigung erfolgte am 20. November 2026 durch Führungskräfte von Google Research und Google Maps. Dieses Update ermöglicht es dem persönlichen KI-Assistenten, im Namen der Nutzer Live-Telefonanrufe bei Unternehmen zu tätigen. Der Schritt wandelt Duplex von einer Infrastrukturkomponente im Hintergrund zu einer direkt nutzerorientierten Funktion um, die auf den neuesten Gemini-Foundation-Modellen basiert.

Was passiert ist

Die Integration stellt den Höhepunkt einer zehnjährigen architektonischen Reise dar, die mit der ursprünglichen Einführung von Google Duplex im Jahr 2018 begann. Ursprünglich dafür konzipiert, enge, spezifische Aufgaben wie Restaurantreservierungen zu erledigen, operierte die Technologie seither stillschweigend über verschiedene Google-Produkte hinweg. Während der Pandemie spielte sie eine entscheidende Rolle bei der Überprüfung von Händlerinformationen, da sich die Geschäftszeiten schnell änderten; die daraus gewonnenen Daten wurden über eine Billion Mal in Suchergebnissen und Karten angezeigt. Im Laufe der Jahre wurden die zugrunde liegenden Modelle auch für On-Device-Funktionen in Pixel-Smartphones angepasst, wie etwa Call Screen und Hold for Me, die Nutzern helfen, unbekannte Anrufer und Wartezeiten zu verwalten.

In den Jahren 2025 und 2026 wurde der Anwendungsbereich weiter ausgeweitet, als Foundation-Modelle breitere agentische Anrufprozesse innerhalb von Google Search und Ask Maps ermöglichten. Diese Systeme konnten Produktverfügbarkeiten, Serviceangebote und Öffnungszeiten für verschiedene Kategorien überprüfen, die von Autoreparaturen bis hin zur Tierpflege reichten. Der neueste Launch in der Gemini-App beseitigt die verbleibenden Einschränkungen bei Aufgabentypen und erlaubt es der KI, offene Anfragen durch natürliche Sprachgespräche zu bearbeiten. Dieser Wandel ermöglicht es dem Agenten, komplexe Erledigungen zu koordinieren, für die keine digitalen APIs existieren, wie das Buchen von Terminen oder das Verhandeln von Zeitkonflikten direkt am Telefon.

Wie es funktioniert

Das technische Rückgrat dieses Systems hat sich über drei unterschiedliche Generationen hinweg entwickelt. Die früheste Version basierte auf rekurrenten neuronalen Netzen vor der Transformer-Ära, die auf anonymisierten, aufgabenbezogenen Gesprächen trainiert wurden. Diese Closed-Domain-Modelle erforderten umfangreiche manuelle Trainingsdaten für jede vertikale Domäne, beispielsweise um die Logik einer Abendessen-Reservierung von der Prüfung von Feiertagsöffnungszeiten zu unterscheiden. Als Open-Domain-Foundation-Modelle aufkamen, führte Google um 2022 hybride Stacks ein, die generative Modelle wie LaMDA mit deterministischem State-Tracking kombinierten. Dieser Ansatz verbesserte die Flexibilität, erforderte jedoch weiterhin strenze Policy-Guardrails, um Zuverlässigkeit und Geschwindigkeit zu gewährleisten.

Die aktuelle Architektur basiert vollständig auf Gemini und vereint multimodales Verständnis, Planung und Dialoggenerierung in einem einzigen Stack. Anstatt auf feste vertikale Domänen angewiesen zu sein, akzeptiert das System nun Freitext-Beschreibungen von Aufgaben. Dies ermöglicht es ihm, auf neue Geschäftskategorien und nuancierte Anfragen zu generalisieren, ohne separate Dialogmodelle erstellen zu müssen. Beispielsweise kann es Szenarien mit mehreren Nebenbedingungen handhaben, wie die Planung einer Autowartung unter Berücksichtigung von Kalenderkonflikten oder die Anfrage nach bestimmten Sitzplatzarrangements. Dieser einheitliche Ansatz nutzt die Reasoning-Fähigkeiten von Frontier-Modellen, um ungeskriptete menschliche Interaktionen zu navigieren.

Live-Telefonie stellt einzigartige Herausforderungen dar, die beim Web-basierten Pre-Training nicht adressiert werden, insbesondere hinsichtlich Latenz und akustischem Rauschen. Das System verwendet maßgeschneiderte akustische Modelle und Modelle für Gesprächskadenz, um komprimierte Telefonleitungen und Hintergrundgeräusche wie Küchenlärm oder Straßenverkehr zu verarbeiten. Diese Modelle stellen eine Sub-Sekunden-Latenz sicher, sodass die KI höfliche indirekte Ablehnungen interpretieren, Pausen natürlich managen und vermeiden kann, den menschlichen Empfänger zu übertönen. Pragmatische Grounding wird zudem durch historischen Kontext verbessert, was dem Agenten hilft, vorherzusagen, ob eine Aufgabe machbar ist, bevor der Anruf beginnt, basierend auf vergangenen Interaktionen mit spezifischen Händlern.

Wichtige Details

  • Das System verwendet Gemini-4-Modelle, einschließlich Gemini 4 Hydrogen und Gemini 4 Neon, um umfassende Workflows anzutreiben.
  • Jeder automatisierte Anruf beginnt mit einer klaren Offenlegung, dass ein KI-Agent von Google spricht.
  • Unternehmen können sich über die Einstellungen ihres Google Business Profils oder durch mündliche Bitte während eines Anrufs gegen diese Anrufe entscheiden.
  • Für Händler sind keine Softwareinstallation oder Schulung des Personals erforderlich, da die KI über Standardtelefonleitungen interagiert.
  • Informationen, die während der Anrufe gesammelt werden, wie Happy-Hour-Angebote oder Parkhinweise, werden verwendet, um Google-Maps-Einträge zu aktualisieren.
  • Der Agent kann Transaktionen sicher über das Agent Payments Protocol verarbeiten und über E-Mail sowie RCS koordinieren.

Warum es wichtig ist

Für Software-Ingenieure und technische Gründer hebt diese Entwicklung den Wandel von starren, regelbasierten Automatisierungen zu flexiblen, agentischen Systemen hervor, die in der Lage sind, unstrukturierte Umgebungen zu bewältigen. Die Fähigkeit, Live-Sprachgespräche zu navigieren, erfordert die Lösung schwieriger Probleme bei Low-Latency-Streaming-Inferenz und pragmatischem Reasoning, die über standardmäßige textbasierte LLM-Anwendungen hinausgehen. Es zeigt, dass erfolgreiche KI-Agenten tiefes kontextuelles Verständnis mit robuster Echtzeit-Leistung integrieren müssen, um respektvoll und effektiv mit Menschen zu interagieren.

Diese Entwicklung unterstreicht auch die Bedeutung, für beide Seiten einer Transaktion zu designen. Indem Google sicherstellt, dass Unternehmen die Kontrolle behalten und kein Setup benötigen, hat es ein skalierbares Modell für KI-Interaktionen geschaffen, das bestehende Workflows nicht stört. Für Entwickler, die ähnliche Tools bauen, bietet der Fokus auf klare Offenlegung, Opt-out-Mechanismen und Null-Anpassung für die Gegenpartei einen Bauplan für die ethische und praktische Bereitstellung autonomer Agenten in sensiblen Kommunikationskanälen.

Was Sie tun können

  • Untersuchen Sie den Übergang von hybriden Stacks zu einheitlichen Foundation-Modellen, um zu verstehen, wie der Engineering-Aufwand in agentischen Systemen reduziert werden kann.
  • Implementieren Sie klare Offenlegungsprotokolle in jeder KI-Sprachschnittstelle, um Vertrauen zu wahren und neuen Normen zu entsprechen.
  • Entwerfen Sie Fallback-Mechanismen, die es menschlichen Gegenparteien ermöglichen, automatisierte Interaktionen einfach abzubrechen oder umzuleiten.
  • Konzentrieren Sie sich auf Low-Latency-Akustikmodellierung, wenn Ihre Anwendung Echtzeit-Sprachverarbeitung in lauten Umgebungen umfasst.
  • Nutzen Sie historische Interaktionsdaten, um pragmatisches Grounding zu verbessern und die Machbarkeit von Aufgaben vor der Ausführung vorherzusagen.
  • Erkunden Sie, wie Free-Text-Prompting starre domänenspezifische Modelle ersetzen kann, um die Generalisierbarkeit des Systems zu erhöhen.
  • #google duplex
  • #gemini ai
  • #voice agents
  • #llm architecture
  • #ai ethics

Tools aus dem Bytechap-Shop

Weiterlesen

KI-Agenten

Code-Review im Zeitalter von KI-Agenten neu denken

Robert C. Martin und Branchenführer argumentieren, dass Ingenieure vom zeilenweisen Lesen des Codes zum Überprüfen von Absichten, Kriterien und architektonischen Entscheidungen wechseln müssen, da KI immer mehr Software generiert.

KI-Agenten

ClawDOS: KI-Coding-Agent auf historischer IBM-PC-Hardware

Ein neues Projekt ermöglicht es Claude, Code direkt auf einem IBM PC mit 8088-Prozessor zu schreiben, zu kompilieren und auszuführen – eine Brücke zwischen modernen KI-APIs und den Hardware-Beschränkungen der 1980er-Jahre.

Alle Artikel