Brand Voice für KI: So bleibt deine Marke markentreu

Warum klingt KI manchmal nicht nach euch?

Eine Branchen-Analyse von Shelf schätzt, dass rund 27 % aller Chatbot-Antworten faktische Drift enthalten. Das ist nicht „die KI klingt komisch", das ist „die KI sagt das Falsche". Bei den meisten Brands, die mit ersten KI-Antworten in den Pilot gehen, zeigt sich dasselbe Muster: nicht die Markentonalität ist das Problem, sondern die strukturelle Frage, ob die KI die Anweisungen überhaupt vollständig umsetzt.

Zwei Beispiele aus unserer eigenen ersten Zeit:

Eine Kundin schreibt auf Deutsch. Ihr Name klingt fremdsprachig, sagen wir polnisch. Die Anweisung ans Modell ist eindeutig: antworte in der Sprache, in der die Kundin geschrieben hat. Trotzdem schreibt die KI auf Polnisch zurück. Das ist kein Branding-Problem. Das ist die Frage, ob diese eine explizite Anweisung beim Modell ankommt, wenn gleichzeitig fast 1.000 weitere Anweisungen mitgegeben werden. Genau die Größenordnung braucht es, um die Vielfalt typischer Kundenanfragen überhaupt abdecken zu können: Storno, Retoure, Versandstatus, Garantiefall, Größenberatung, Rabattanfrage, shop-spezifische Policies, Tonalitäts-Anweisungen. Das sind nur einige der Kategorien.

Zweites Beispiel: Ein Shop hat als Policy hinterlegt, dass Kund:innen innerhalb von 14 Tagen kostenlos zurückschicken können. In einer Antwort macht die KI 30 Tage draus. Sachlich falsch, kommerziell heikel. Das frustrierend Subtile daran: die Antwort liest sich sonst sauber.

Beide Drifts hatten dasselbe Muster. Nicht der Ton war daneben. Die Anweisung selbst kam nicht durch.

Und Brand-Voice-Anweisungen sind die ersten, die unter dieser Last rausfallen. „Antworte auf Deutsch" lässt sich hart überprüfen: die Sprache stimmt oder nicht. „14 Tage sind 14 Tage" auch: die Zahl ist richtig oder falsch. „Klinge nach unserer Marke" dagegen ist weich, ohne klaren Kipp-Punkt, ohne binäre Prüfung. Wenn das Modell priorisieren muss, fallen genau diese tonalen Vorgaben zuerst raus, lange bevor harte Fakt-Anweisungen wegbrechen. Über Brand-Voice nachzudenken, ohne dass die Architektur dahinter steht, ist die falsche Reihenfolge. Die Tonalität ist nicht der erste Hebel, sie ist der letzte, der überhaupt greifen kann.

Wer es trotzdem als reines Tonalitäts-Problem behandelt, mit Brand-Voice-Workshops und Stilfibeln, löst die falsche Aufgabe und wundert sich, dass nichts besser wird.

Was eine robuste KI-Antwort wirklich ist

Wenn ein Prompt zu viel will

Bei den Drifts aus dem letzten Abschnitt hatten beide dieselbe Ursache: das Modell bekam einen einzigen, monolithischen Prompt mit der gesamten Logik. Bei fast 1.000 Anweisungen in einem Atemzug priorisiert ein Sprachmodell unter Last unkontrolliert. Manche Anweisungen kommen durch, andere fallen still raus. Das ist keine schlechte KI. Das ist ein zu großer Schluck.

Approval, Categorization, Answer, Evaluation: was die KI wirklich tut

Stattdessen reden wir mit der KI nicht einmal pro Antwort, sondern zwei- bis sechsmal, je nach Komplexität des Falls. Eine Spam-Mail wird in zwei Schritten ausgesteuert. Eine einfache Service-Anfrage durchläuft typischerweise vier dedizierte LLM-Calls:

Approval: Ist diese Anfrage überhaupt legitim und im definierten Service-Korridor, oder Spam, Out-of-Scope, kritischer Fall?

Categorization: Worum geht es konkret: Storno, Retoure, Versandfrage, Garantiefall?

Answer: Erst hier formuliert das Modell die eigentliche Antwort, mit den shop-spezifischen Anweisungen und den abgerufenen Daten im Kontext.

Evaluation: Ein abschließender Check, ob die Antwort die Anweisungen erfüllt, bevor sie rausgeht.

Zwischen Categorization und Answer passiert das Daten-Holen: Bestellstatus, Tracking, Produktinformationen, Shop-Policies. Das ist technisch kein KI-Schritt, sondern direkte Abfrage in die Shopify-Integration. Die Daten kommen exakt und in Echtzeit, ohne dass ein Modell sie „erraten" müsste. Der häufigste Halluzinations-Vektor ist damit aus dem Spiel.

Strukturiertes Prompt-Engineering reduziert Halluzinationen empirisch um bis zu 36 %. In unserer Praxis ist der Effekt noch deutlicher, weil jeder Call eng auf seinen Schritt zugeschnitten ist. Das Modell muss nicht alles gleichzeitig im Kopf halten. Es bekommt die richtige Frage zur richtigen Zeit, mit der richtigen Datengrundlage.

Genau hier entsteht die Voraussetzung dafür, dass auch die brand-spezifischen Anweisungen am Ende überhaupt noch durchschlagen. Paul Lory, einer unserer Founding Partner, beschreibt das so:

„Mir wurde mal die Frage gestellt, ob ich eine ZYBR-Antwort und eine menschliche Service-Antwort auseinanderhalten könnte. Ja, sagte ich — aber an einem unerwarteten Marker: Die KI-Antwort ist meistens länger und enthält mehr Produktwissen, weil sie die kompletten Shop-Daten in Echtzeit verarbeitet, während ein:e Service-Mitarbeiter:in unter Zeitdruck etliche Tickets beantworten muss."

Das ist die Schicht, auf der Brand Voice überhaupt erst sinnvoll wird. Strukturierte Kategorisierung ist die Voraussetzung. Wie sie aussehen sollte, ist die nächste Frage.

Brand Voice ist Spezifikation, nicht Gefühl

Wenn die Architektur darunter steht, ist Brand Voice keine vage Tonalitäts-Übung mehr. Sie wird zu einer konkreten Konfiguration aus sprachlichen Parametern, die der KI klare Leitplanken dafür gibt, wie eure Marke kommuniziert.

Die Komponenten einer Service-Brand-Voice

Eine Markenstimme besteht nicht nur aus der Frage, ob eine Antwort eher formell oder locker klingen soll. In der Praxis sind mehrere Dimensionen entscheidend:

Anrede der Kundschaft: Soll die KI duzen, siezen oder die passende Anrede automatisch aus dem bisherigen Gespräch ableiten?

Länge der Antworten: Kurz und direkt oder ausführlich und erklärend? Die Antwortlänge lässt sich fest vorgeben oder automatisch an die jeweilige Anfrage anpassen.

Tonalität: Zwischen formell und locker liegt ein breites Spektrum. Entscheidend ist nicht ein starrer Stil, sondern die Position, die zu eurer Marke passt.

Bevorzugte Begriffe: Welche Wörter gehören zu eurer Sprache? Sagt ihr „Drop“ statt „Produkt“, „Routine“ statt „Pflege“ oder verwendet ihr ganz eigene Begriffe?

Unerwünschte Begriffe: Welche Formulierungen sollen in euren Service-Antworten bewusst nicht auftauchen?

Wert-Verben: Verben wie „kümmern“, „lösen“ oder „checken“ transportieren unterschiedliche Haltungen und prägen den Charakter einer Antwort stärker, als es auf den ersten Blick scheint.

Sprecher-Perspektive: Kommuniziert eure Marke als „wir“, aus der Ich-Perspektive oder im Namen des Teams?

Eskalations-Tonalität: Gerade bei Beschwerden oder kritischen Fällen muss eine Marke möglicherweise anders klingen als im normalen Service-Alltag: sachlich, empathisch oder bewusst deeskalierend.

Aus diesen Einstellungen entsteht kein starres Text-Template. Sie bilden vielmehr die sprachlichen Leitplanken, die jede vom Assist formulierte Antwort prägen.

Beispiel: D2C-Beauty versus Streetwear

Dieselbe Anfrage „Wo ist mein Paket?" klingt in zwei Brands völlig unterschiedlich. Eine Beauty-Brand antwortet vielleicht mit „Liebe Anna, wir verstehen, dass das Warten unangenehm ist. Dein Paket ist heute morgen aus unserem Hamburger Lager rausgegangen und sollte in den nächsten zwei Werktagen bei dir sein." Eine Streetwear-Brand schreibt im selben Fall: „Hey Anna, dein Drop ist seit heute morgen unterwegs. Tracking-Update in 24h. Sorry für die Geduldsprobe." Beide Antworten sind korrekt, beide sind freundlich, beide kommen aus derselben Engine. Und beide klingen nach genau einer Marke.

Brand Voice direkt in ZYBR konfigurieren

Genau diese sprachlichen Leitplanken lassen sich inzwischen direkt in ZYBR konfigurieren.

In den Brand-Voice-Einstellungen legt ihr fest, wie euer Assist mit Kund:innen kommunizieren soll: von der Anrede über die Antwortlänge und den Grad zwischen formell und locker bis hin zu bevorzugten und unerwünschten Begriffen.

Zusätzlich könnt ihr sogenannte Wert-Verben definieren. Begriffe wie „kümmern“, „lösen“ oder „checken“ wirken auf den ersten Blick wie kleine Details, prägen aber erheblich, wie eure Marke wahrgenommen wird.

Auch die Sprecher-Perspektive lässt sich festlegen: Soll die Kommunikation aus der Wir-Form, der Ich-Form oder im Namen des Teams erfolgen?

Für sensible Situationen gibt es eine eigene Eskalations-Tonalität. So kann der Assist bei kritischen Anfragen gezielt sachlich, empathisch oder deeskalierend reagieren, ohne dass dafür jede einzelne Situation manuell als Prompt ausformuliert werden muss.

Die Brand Voice wird dabei als konkrete Prompt-Instruktion in die Antwortgenerierung eingebaut. Der Tonalitäts-Regler ist also kein Zufalls- oder Kreativitätsparameter des Sprachmodells, sondern eine klare sprachliche Vorgabe dafür, wie Antworten formuliert werden sollen.

Das Ziel dahinter ist einfach: Ihr sollt eure Markenstimme nicht in langen Freitext-Anweisungen beschreiben müssen. Ihr definiert die entscheidenden Leitplanken einmal strukturiert und der Assist berücksichtigt sie anschließend bei jeder Antwort.

Hybrid-Modi als Sicherheitsnetz, und warum Audits Pflicht sind

Selbst mit Architektur und Briefing bleibt KI KI. Heißt: Halluzinationen sind technisch nicht ausschließbar, nur kontrollierbar. Dafür gibt es zwei Modi, die pro Anfrage-Kategorie konfigurierbar sind.

Im Human-in-the-Loop-Modus generiert die KI eine Antwort als Entwurf, ein:e Service-Mitarbeiter:in liest sie, passt sie an und schickt sie raus. Das ist der vorsichtige Default für Anfragen mit Tonalitäts-Risiko oder rechtlicher Sensitivität: Eskalationen, Garantiefälle, kritische Reklamationen.

Im Vollautomatik-Modus schickt das System die Antwort selbst, ohne menschlichen Touch dazwischen. Sinnvoll bei klar definierten, häufig wiederkehrenden Standardfällen, in denen das Modell durchgängig zuverlässig liefert. Konfigurierbar pro Anfrage-Kategorie. Spam läuft anders als Garantie.

Egal welcher Modus: regelmäßige Stichproben bleiben Pflicht. Unsere KI-Zusatzvereinbarung verlangt sie explizit. Genau diese Audits sind der Ort, an dem Voice-Drift wie das Polnisch-Beispiel aus dem ersten Abschnitt heute aufgefangen wird. Die Modelle sind besser geworden, der Vorgang seltener, aber nie null. Wer „Vollautomatik" als „Set-and-forget" versteht, baut sich ein Reputations-Risiko, das auch das beste Briefing nicht mehr abfedert. Hybrid-KI in der Praxis heißt: beide Modi nebeneinander, nicht nacheinander, plus die Stichproben dazwischen.

Soweit die Architektur. Bleibt die Frage, wieviel Briefing-Arbeit das eigentlich von euch erwartet.

Briefing-Realität bei ZYBR (und warum es entspannter ist als ihr denkt)

Eine kleine Ehrlichkeit an dieser Stelle: In unseren ersten Jahren war ein gutes ZYBR-Setup tatsächlich Arbeit. Wir hatten lange Formulare, viel Hin und Her mit Brands und mehrstündige Abstimmungen. Heute leistet die Architektur das meiste selbst. Die Kategorien sind erprobt, die Datenflüsse stehen und das Modell trifft bereits einen soliden Standardton, selbst wenn ihr nur wenige Vorgaben macht.

Mit der Brand-Voice-Konfiguration könnt ihr diesen Standard gezielt an eure Marke anpassen. Anrede, Antwortlänge, Tonalität, bevorzugte und unerwünschte Begriffe, Wert-Verben, Sprecher-Perspektive und die gewünschte Tonalität bei Eskalationen lassen sich direkt festlegen.

Was darüber hinaus bleibt, sind echte Spezialfälle: eine ungewöhnliche Versandregel, eine ganz bestimmte Formulierung, ein interner Branchen-Slang oder eine Besonderheit, die nur für euren Shop gilt.

Genau dieser Rest ist der Unterschied zwischen einer guten Service-KI und einer KI, die wirklich wie eure Marke kommuniziert.

In unter 15 Minuten ist das Grundsetup live. Die Verfeinerung passiert anschließend iterativ, sobald ihr die ersten echten Antworten gesehen habt.

Heißt: Ihr müsst nicht erst alles wissen, bevor ihr loslegt. Ihr müsst nur wissen, wo eure Marke besonders sein soll.

Was Markentreue im KI-Service heute wirklich heißt

Persönlichkeit nicht verlieren, das war Leas Maßstab im ersten Absatz. Brand-Voice-Workshops sind nicht das Problem dabei. Sie lösen nur das falsche. Eine markentreue KI-Antwort entsteht aus zwei Layern: einer Architektur, die alle Anweisungen, auch die brand-spezifischen, sauber durchschlagen lässt, und einem Briefing, das definiert, was an euch besonders ist. Klarna bearbeitet zwei Drittel der Kundenanfragen automatisch, in unter zwei Minuten pro Fall (Stand 2024). KI-Service in der Größenordnung ist längst Standardpraxis. Über 98 % unserer Kund:innen bleiben Monat für Monat. Und Googles E-E-A-T-Update vom März 2026 gewichtet authentische, kompetente Stimmen messbar höher als generische KI-Outputs.

Probier ZYBR 14 Tage kostenlos. 500 KI-Antworten inklusive, keine Kreditkarte, in unter 15 Minuten live.

Über den Autor

Paul Lory ist Founding Partner und Technical Advisor bei ZYBR. Er begleitet das Engineering-Team seit dem Start und kennt die Architektur hinter den hier beschriebenen Multi-Step-KI-Antworten aus eigener Praxis.

Quellen

• Shelf, „Stop AI Hallucinations: A Developer's Guide to Prompt Engineering", 2024. https://shelf.io/blog/stop-ai-hallucinations-a-developers-guide-to-prompt-engineering/

• Klarna AI Assistant (offizielle Pressemitteilung), Klarna, 2024. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/

• E-E-A-T March 2026 Update, Digital Applied, 2026. https://www.digitalapplied.com/blog/e-e-a-t-march-2026-google-rewards-experience-content-guide

• ZYBR KI-Zusatzvereinbarung, AI-Com Innovations GmbH. https://zybr.ai/ai-addendum