KI-Avatar als digitaler Sommelier

Die Herausforderung

Beratung ist im hochwertigen Weinhandel das Produkt. Wer mehrere hundert Euro für eine Flasche ausgibt, will wissen, warum diese und nicht eine andere. Genau diese Beratung ist die knappste Ressource: Ein Sommelier ist zu Öffnungszeiten da, für einen Kunden zur Zeit.

Der Auftrag lautete, dieses Erlebnis digital verfügbar zu machen, ohne es zu entwerten. Ein Chatfenster hätte das nicht geleistet. Es sollte eine Persona sein, die man ansieht und hört, die auf Deutsch antwortet und dabei tatsächlich den eigenen Katalog kennt.

Zwei Bedingungen entschieden über Erfolg oder Misserfolg. Die Empfehlungen mussten echt sein: Ein Sprachmodell, das plausibel klingende Weine erfindet, beschädigt eine Marke, die von Kennerschaft lebt. Und die Antwort musste schnell kommen. Bei einem sichtbar wartenden Gegenüber liegt die Grenze zwischen Gespräch und Formular bei etwa drei Sekunden.

Unser Ansatz

Die Antwort auf die erste Bedingung ist ein RAG-Aufbau statt eines reinen Modells. Der gesamte Katalog liegt als Embeddings in PostgreSQL mit pgvector; zu jeder Frage werden zuerst die passenden Weine gesucht, und erst diese Auswahl bekommt das Modell zusammen mit der Frage vorgelegt. Empfohlen wird damit nur, was tatsächlich lieferbar ist, und die Weinkarte erscheint direkt unter der Antwort.

Die zweite Bedingung ist eine Frage der Kette, nicht einer einzelnen Komponente. Vom Mikrofon läuft die Eingabe über Whisper zur Spracherkennung, durch die Vektorsuche, an Claude Sonnet für die Antwort in der Persona, über ElevenLabs zur Sprachausgabe und schließlich an den Avatar mit Lippensynchronisation. Jeder dieser Schritte kostet Zeit, und nur weil jeder einzeln optimiert und wo möglich gestreamt wird, beginnt die Antwort unter drei Sekunden.

Die Persona selbst ist kein Prompt, sondern ein eigenes Arbeitsergebnis: Tonalität, Haltung und Grenzen wurden gemeinsam mit den Fachleuten des Kunden erarbeitet, bis der Avatar klingt wie das Haus und nicht wie ein Assistent.

Die Ergebnisse

Der Prototyp entstand in zehn Werktagen und zeigt die Kette vollständig, von der gesprochenen Frage bis zur animierten Antwort mit passender Weinempfehlung.

Damit ist der eigentliche Zweck erfüllt: Der Aufbau ist auf weitere Marken übertragbar. Was hier für einen Weinhändler entstanden ist, ist als Vorlage für andere Marken-Personas angelegt, weil die aufwendigen Teile - Vektorsuche, Latenzkette, Persona-Format - nicht am Thema Wein hängen, sondern an der Struktur.