JEV im Herzen von InsightNarrator: das schnelle Urteil, das Voice of the Customer gefehlt hat

Jeden Tag erhält ein Unternehmen Tausende Sätze von seinen Kunden: Bewertungen, Tickets, Antworten auf Umfragen, Chats. Zu verstehen, was sie sagen, ist der einfache Teil. Die schwierigen Fragen sind andere: Was wollen sie eigentlich? Wie fühlen sie sich? Wie dringend ist es? Und vor allem: Was sollte das Unternehmen jetzt tun?

Die ersten drei sind Fragen des Urteils, die letzte ist eine Frage der Entscheidung. Jahrelang haben Customer-Experience-Teams sie auf zwei unbefriedigende Arten angegangen: mit starren Regeln, die Nuancen übersehen, oder mit Allzweck-LLMs, die zu langsam und zu teuer sind, um sie auf jede Nachricht anzuwenden. Mit JEV wird ein Teil dieses Problems lösbar.

1. Ein Modell, das nicht redet, sondern entscheidet

Am 15. September veröffentlichte TypeSafe, ein KI-Labor, das zwei Jahre im Verborgenen gearbeitet hatte, JEV: ein Modell, das Text und strukturierte Daten klassifiziert, statt sie zu erzeugen. Es unterhält sich nicht und es schreibt nicht: Es erhält einen Kontext und typisierte Fragen und beantwortet jede mit einer der Optionen, die du definiert hast, samt den zugehörigen Wahrscheinlichkeiten. Der Name kommt vom Jevons-Paradox: Wenn ein Vorgang billig genug wird, macht man ihn am Ende viel häufiger.

«System One» verweist auf Kahneman: schnelles, intuitives Denken im Gegensatz zu langsamem, bewusstem Abwägen. Der Preis erklärt einen Teil der Resonanz: Bei USD 0,042 pro Million Input-Tokens und kostenlosem Output wird ein Urteil, das früher «ein LLM-Aufruf, den man rechtfertigen musste» war, zu etwas, das du bei jeder Anfrage laufen lassen kannst. Laut TypeSafe liegen die End-to-End-Antwortzeiten zwischen 70 und 500 Millisekunden. In den ersten 24 Stunden nach der Veröffentlichung auf Vercel probierten es rund 13 % der zahlenden Teams der Plattform aus, die schnellste Einführung eines neuen Modells auf der Plattform.

2. Warum die Erkennung von Absicht und Emotion sein natürliches Terrain ist

Absicht («will kündigen», «verlangt eine Rückerstattung», «vergleicht Mitbewerber») und Emotion («Frustration», «Enttäuschung», «Begeisterung») zu erkennen, sind Probleme mit geschlossener Taxonomie. Genau dafür ist JEV gebaut:

• Immer gültige Kategorien. Das Modell antwortet nie ausserhalb der Optionen, die du definiert hast. Für eine Analytics-Pipeline heisst das: keine erfundenen Labels, und Daten, die bereits strukturiert in den Rest des Systems gelangen.
• Wahrscheinlichkeiten, nicht nur Labels. Mit Wahrscheinlichkeitsverteilungen kannst du Schwellen setzen: Über einem bestimmten Wert geht die Erkenntnis automatisch weiter, darunter in die Prüfung.
• Kosten und Latenz für echte Grössenordnungen. Du analysierst 100 % des Feedbacks, nicht eine Stichprobe, und das in Echtzeit.

In InsightNarrator treibt JEV die CORE-Engines zur Erkennung von Absicht und Emotion an. In unseren Tests mit 1,5 Millionen Feedbacks in verschiedenen Sprachen haben wir eine Genauigkeit von 96,7 % gemessen, bei Kosten von wenigen Cent pro 1000 Feedbacks im Vergleich zur LLM-Lösung.

3. Wo es im Schwarm hingehört

InsightNarrator ist kein Modell mit einem Chatfenster obendrauf: Es ist ein Schwarm aus zehn Agenten, koordiniert von NarratorGPT, mit Spezialisten wie SentimentAI, ThemeMapper, SegmentLens, TrendRadar, RiskAlert, Friction Economist, Data Scientist, Domain Expert, Synthesis Analyst und Quality Auditor.

In diesem Aufbau hat JEV eine genaue Aufgabe: Es erzeugt die elementaren Signale (Absicht, Emotion, Dringlichkeit), die die spezialisierten Agenten dann bündeln, abgleichen und deuten. SentimentAI und ThemeMapper müssen nicht mehr jeden Satz von Grund auf «lesen», weil sie von Urteilen ausgehen, die bereits strukturiert sind und eine angegebene Wahrscheinlichkeit tragen. Das langsame Abwägen (warum sinkt das Sentiment eines Segments? welche Reibung kostet am meisten?) bleibt, wo es hingehört: bei den Agenten, die es sich leisten können.

Auf dieser Urteilsschicht sitzen Funktionen, die über die Klassifikation hinausgehen:

• ABSA-Taxonomie: Das Sentiment wird nicht der ganzen Nachricht zugeordnet, sondern den einzelnen Aspekten, über die der Kunde spricht (Preis, Lieferung, Support), und genau das macht eine Analyse umsetzbar.
• C-Risk-Analyse: Feedback durch die Brille des Risikos lesen, wobei Absicht und Emotion zu Frühindikatoren werden.
• Umfragen: das Erheben von strukturiertem Feedback, das dieselbe Pipeline speist.
• Scoty: die Gesprächsoberfläche, über die Nutzer ihre eigenen Analysen bauen, indem sie mit der Plattform reden.
• ROI Builder: übersetzt Erkenntnisse in wirtschaftlichen Wert, denn eine Analyse, die nicht mit einer Geschäftszahl endet, endet selten in einem Budget.

4. Ohne zu ersetzen, was du schon hast

Die meisten CX-Teams brauchen keinen weiteren Ort, um Feedback zu sammeln. Sie haben schon einen, oft mehrere: hier eine Umfrageplattform, dort ein Text-Analytics-Tool, daneben ein Ticketsystem. Das alles herauszureissen, um ein neues Modell auszuprobieren, kommt nicht in Frage.

InsightNarrator wurde dafür gebaut, auf 25 Voice-of-the-Customer-Systemen aufzusetzen, darunter Medallia und Qualtrics. Es liest das Feedback dort, wo es bereits liegt, ergänzt die Intelligenzschicht (Absicht, Emotion, Aspekte, Risiko, Entscheidungen) und liefert Erkenntnisse ohne Migrationsprojekt. Deshalb lässt sich auch eine neue Engine wie JEV schnell einführen: Sie wird in die Analyseschicht eingesteckt, und deine Datenquellen bleiben genau dort, wo sie sind.

5. Die nötige Ehrlichkeit: Ein falsches Urteil sieht genau so aus wie ein richtiges

JEV ist keine Magie, und wer es produktiv einsetzt, sollte das wissen. Eine unabhängige Analyse hält fest, dass jede Antwort in das Format passt, das du definiert hast, eine falsche Antwort also genau so aussieht wie eine richtige. In deren Tests trieb im Input platzierter Text das Modell mit einer Konfidenz über 70 % zur falschen Option.

In Voice of the Customer zählt das mehr als anderswo, weil der analysierte Text von nicht vertrauenswürdigen Dritten stammt: Bewertungen, Kommentare, E-Mails. Ein schnelles Modell allein reicht nicht. Es braucht etwas darum herum.

6. «Beyond the Model»: das Harness als System

Hier trifft unsere wissenschaftliche Arbeit auf die Nachrichtenlage. Im Paper Beyond the Model: Designing the Harness as a System argumentieren wir, dass nicht das Modell ein KI-Produkt wirklich unterscheidet, sondern das Harness darum herum, beschrieben als System aus sieben Organen: Verfassung, Wissen, Kontextmanagement, Gedächtnis, Guardrails, Verifikation und Feedback, Beobachtbarkeit.

JEV ist ein fast perfektes Fallbeispiel:

• Das Problem des nicht vertrauenswürdigen Inputs ist eine Frage der Guardrails: Kundentext ist Material für die Analyse, nie eine Anweisung, der man folgt.
• Das Risiko der «falschen Antwort, die richtig aussieht» ist eine Frage von Verifikation und Feedback: Im Harness von InsightNarrator prüfen der Quality Auditor und das Goal-Loop-Muster die Arbeit der Agenten, bevor daraus eine Erkenntnis wird.
• Die Frage «Was hat das Modell gelesen, als es falsch lag?» ist eine Frage der Beobachtbarkeit.
• Konfidenzschwellen und die Rolle des Domain Expert betreffen Wissen und Verfassung: was in einem bestimmten Bereich als akzeptable Entscheidung gilt und wer sie treffen darf.

Daraus folgt unsere These: Modelle werden ersetzt, die Architektur bleibt. Wir haben JEV in wenigen Tagen integriert, weil das Harness bereit war, es aufzunehmen, und wir werden es ersetzen oder mit etwas Besserem kombinieren können, ohne das Produkt neu zu schreiben. Unsere Arbeit am A2A-Protokoll zielt in dieselbe Richtung: austauschbare Agenten und Modelle in einer stabilen Orchestrierung.

7. Was sich für CX-Teams ändert

• Von der Stichprobe zur Gesamtheit: Jedes Feedback wird nach Absicht und Emotion klassifiziert, nicht nur das, wofür jemand Zeit zum Lesen hat.
• Vom Report zum Signal: Dringlichkeit und Risiko werden sichtbar, während der Kunde noch schreibt.
• Von Daten zur Entscheidung: Absichten und Emotionen speisen Prioritäten, Routing und Massnahmen, mit einem Menschen im Loop, wo immer die Konfidenz niedrig ist.
• Von Kosten zur messbaren Investition: Der ROI Builder verknüpft Erkenntnisse mit einem wirtschaftlichen Wert, den du vor der Geschäftsleitung vertreten kannst.
• Vom Ersetzen zum Erweitern: keine Migration und kein neues Erhebungstool, weil die Intelligenzschicht auf den Systemen aufsetzt, die du schon betreibst.

8. Probier es mit deinem eigenen Feedback aus

JEV ist eine der Engines, die InsightNarrator zu einer Decision-Orchestration-Plattform für Voice of the Customer machen: schnelles Urteil, wo es gebraucht wird, Abwägung und Kontrolle, wo es darauf ankommt. Wenn du sehen willst, wie die Erkennung von Absicht und Emotion mit dem Feedback funktioniert, das du schon in Medallia, Qualtrics oder einem von 25 VoC-Systemen sammelst, starte einen kostenlosen 14-Tage-Test oder buch eine Demo.