Warum antwortet eine KI nicht so schnell wie ein Mensch?

01Zu früh

Wer schneller antwortet, fällt öfter ins Wort

Wer frei fragt, hält manchmal mitten im Satz inne, sucht ein Wort und redet dann weiter. Für eine Sprach-KI klingt diese Pause wie das Ende der Frage. Sie muss aus der Stille schliessen, dass jemand fertig ist, und kann sich dabei in beide Richtungen irren.

Eine Testperson fragte den KI-Avatar «… wie sollte sich eine Marke verhalten auf Social Media?», hielt knapp eine Sekunde inne und sprach dann weiter. Das System gab die Antwort trotzdem frei, während sie noch redete. Eine knappe halbe Sekunde nach ihrem letzten Wort setzte der KI-Avatar ein, obwohl ihr Satz nicht zu Ende war.

Es kam auch umgekehrt vor. Auf eine kurze Frage entschied das System 0,8 Sekunden zu spät, dass sie fertig war. Die Pausenerkennung war zu empfindlich eingestellt und nahm auch Atmen und Rascheln als Sprache. Wer seine Frage gestellt hat, hält das Mikrofon ruhig, bis der KI-Avatar einsetzt.

Um schneller zu antworten, müsste eine Sprach-KI früher auf die Stille setzen, und je früher sie entscheidet, desto öfter liegt sie falsch. Unter rund 1,5 s kommt der erste Ton unserer Charaktere ohnehin kaum, auch mit einem schnelleren Sprachmodell nicht. Wer einem KI-Avatar eine Frage stellt, denkt deshalb besser vor der Frage nach als mitten in ihr.

02Unter Menschen

Menschen planen die Antwort, bevor die Frage fertig ist

Eine Studie hat in zehn Sprachen auf fünf Kontinenten gemessen, wie schnell Menschen auf Ja-Nein-Fragen antworten. Im Mittel begann die Antwort 208 Millisekunden nach dem Ende der Frage. Im Japanischen lag das Mittel bei 7 Millisekunden, im Dänischen bei 469. In allen zehn Sprachen lag der häufigste Abstand zwischen 0 und 200 Millisekunden.

In so kurzer Zeit lässt sich keine Antwort bauen. Eine Übersichtsarbeit nennt rund 600 Millisekunden, um ein einzelnes Wort zu planen, und etwa 1500, bis ein einfacher Satz beginnt. Wer pünktlich antworten will, plant also, während die andere Person noch spricht, und sagt voraus, wann ihr Satz endet.

Eine Pause hat im Gespräch eine Bedeutung. Eine bestätigende Antwort kam in allen zehn Sprachen im Mittel 100 bis 500 Millisekunden früher als eine verneinende, statistisch gesichert in sieben davon. In englischsprachigen Telefongesprächen folgten auf Bitten, Angebote oder Einladungen nach Pausen ab etwa 700 Millisekunden häufiger Absagen als Zusagen.

• 208 msAbstand bis zur Antwort, im SchnittJa-Nein-Fragen in zehn Sprachen (Stivers u. a., 2009)
• 700 msab hier mehr Absagen als ZusagenAntworten auf Bitten, Angebote, Einladungen; Telefongespräche (Kendrick und Torreira, 2015)

03Auf der Bühne

Auf der Bühne teilt die Moderation das Wort zu

Die 208 Millisekunden stammen aus Gesprächen, in denen jede Person jederzeit das Wort nehmen kann. Auf einer Bühne ruft die Moderation den KI-Avatar beim Namen. Der Saal weiss dann, wer als Nächstes spricht.

Die Pause folgt dort auf einen Aufruf. Die Telefonstudie betraf Antworten auf Bitten, Angebote und Einladungen, also auf etwas, das man ablehnen kann. Nach unserer Lesart trägt eine Pause nach einem Aufruf deshalb weniger Bedeutung. Rund zwei Sekunden sind trotzdem fast zehnmal so viel wie die 208 Millisekunden.

Wie lang diese Pause im Saal wirkt, kann die Moderation schlecht beurteilen, denn sie liest die Antwort auf dem Tablet schon, während der Saal noch wartet. Setzen Sie sich deshalb in der Generalprobe in eine hintere Reihe, wenn die Moderation den KI-Avatar aufruft, und hören Sie, wie lang die Stille dort wirkt.