KI hat eine Stimme. Aber wer hat die Kontrolle? Künstliche Intelligenz kann heute in Sekunden Stimmen erzeugen, die kaum noch von menschlichen zu unterscheiden sind. Sie klingen freundlich, kompetent, empathisch und vertrauenswürdig. Doch wer entscheidet eigentlich, wie Maschinen mit uns sprechen? Und was passiert, wenn eine Stimme Vertrauen vermittelt, das die Technologie dahinter gar nicht verdient?
Während Unternehmen ihre visuelle Identität bis ins kleinste Detail regeln, bleibt ihre akustische Kommunikation oft dem Zufall überlassen. Genau hier setzt Sonic Governance an: ein neuer strategischer Ansatz, der Klang nicht nur als Markenelement, sondern als Frage von Verantwortung, Vertrauen und Unternehmensführung begreift.
Herwig Kusatz, Gründer von Sound Strategy ))) und Autor von Trust You Can Hear, beschäftigt sich seit über 20 Jahren mit der Macht des Klangs. Im Interview sprechen wir über die Unterschiede zwischen Audio Branding und Sonic Governance, die Chancen und Risiken synthetischer Stimmen, akustische Manipulation und darüber, warum in einer zunehmend sprechenden KI-Welt manchmal Stille die klügste Entscheidung ist.
„Visuals are governed. Sound isn’t.“ Du sagst, jede Organisation hat bereits ein akustisches System – nur regiert es niemand. Warum ist Klang in den meisten Unternehmen bis heute ein Betriebsunfall statt eine Führungsentscheidung, während für das Logo zehn Seiten Styleguide existieren?
Auch für Klang gibt es längst Styleguides und Sound-Guidelines. Die entscheidende Frage ist, ob sie in der Praxis funktionieren. Ich habe immer wieder erlebt, dass gute gestalterische Vorgaben an der organisatorischen Realität scheitern. Ein vorhandenes Signal muss in einer neuen Umgebung funktionieren. Eine Stimme wird auf einer anderen Plattform eingesetzt. Eine technische Änderung beeinflusst die Wiedergabe. Plötzlich entstehen Anforderungen, die bei der ursprünglichen Entwicklung nicht ausreichend berücksichtigt wurden. Oft liegt das nicht an mangelnder Disziplin. Die Richtlinien geben auf solche Situationen keine brauchbaren Antworten. Sie beschreiben, wie etwas klingen soll, klären jedoch nicht ausreichend, welche Eigenschaften erhalten bleiben müssen, welche Anpassungen zulässig sind oder wie mit widersprüchlichen Anforderungen umzugehen ist.
Genau diese Lücke möchte ich schließen. Gestalterische und technische Standards müssen mit der tatsächlichen Anwendung verbunden werden. Dafür braucht es nachvollziehbare Entscheidungsregeln, geeignete Prüfverfahren und Möglichkeiten, aus der Praxis zu lernen. Ein Sound-Guide kann ein wertvolles Instrument sein. Er entfaltet seinen Wert jedoch erst, wenn seine Prinzipien auch unter realen Bedingungen tragen.
Video: Herwig Kusatz erklärt sein Modell
Du grenzt dich bewusst vom klassischen Sonic Branding ab und sprichst von Sonic Governance. Ist das ein neues Denkmodell oder ein Rebranding einer Disziplin, die mit Audiologos und Jingles an ihre Grenzen gestoßen ist?
Es ist eine eigenständige organisatorische Disziplin, keine neue Verpackung für Sonic Branding.
Sonic Branding schafft akustische Identität und Wiedererkennbarkeit. Ein gutes Audiologo oder eine charakteristische musikalische Sprache kann über Jahre erheblichen Wert aufbauen. Ich habe selbst lange in diesem Bereich gearbeitet und halte diese Kompetenz weiterhin für wichtig. Sonic Governance hat einen anderen Gegenstand: Sie bestimmt, nach welchen Prinzipien eine Organisation Klang auswählt, einsetzt, verändert, bewertet und über Zeit verantwortet.
Dazu gehören Anwendungen, bei denen Wiedererkennbarkeit zweitrangig oder sogar unerwünscht sein kann. Eine Warnung muss vor allem ihre Schutzfunktion erfüllen. Bei einer öffentlichen Durchsage zählt, ob die Information bei den Menschen ankommt. Die Disziplin ersetzt weder kreative Gestaltung noch Akustik oder technische Entwicklung. Sie sorgt dafür, dass deren Beiträge über einzelne Projekte hinaus zusammenpassen. Ein gelungenes Klang Asset ist eine Leistung. Ein verlässlich geführtes hörbares System ist eine organisationale Fähigkeit.
Bei den Wiener Linien stieg die Zufriedenheit mit Durchsagen von 66 auf 79 Prozent – und du betonst ausdrücklich, das sei kein Beweis alleiniger Kausalität. Wie misst man den Wert von Klang überhaupt seriös, ohne sich in Pseudo-Metriken zu flüchten?
Indem wir zuerst bestimmen, welchen menschlichen oder betrieblichen Nutzen wir erreichen wollen.
Als ich 2011 mit den Wiener Linien zu arbeiten begann, betrachteten wir nicht nur einzelne Signale oder die Stimme. Wir beschäftigten uns damit, wie hörbare Information entlang der Fahrgastreise Orientierung, Verständlichkeit und Wiedererkennung unterstützen kann. Ob das gelingt, lässt sich auf unterschiedliche Weise untersuchen. Verstehen Fahrgäste eine Information unter realen akustischen Bedingungen? Können sie daraus die richtige Handlung ableiten? Finden sie sich schneller zurecht? Erkennen sie wiederkehrende Signale zuverlässig? Dabei muss man unterscheiden, ob eine Veränderung lediglich beobachtet wurde oder ob sich ihre Ursache tatsächlich belegen lässt. Auch Abläufe, Sprache, technische Bedingungen und der weitere Service beeinflussen die Ergebnisse.
Deshalb brauchen wir passende Ausgangswerte, geeignete Vergleiche und eine ehrliche Einschätzung der Aussagekraft. Wichtig ist auch, vorab zu bestimmen, welche Erkenntnisse eine Anpassung, weitere Prüfung oder das Zurücknehmen einer Maßnahme auslösen würden. Nicht jeder Nutzen besitzt einen unmittelbar berechenbaren Geldwert. Weniger Unsicherheit oder bessere Zugänglichkeit können ebenso wesentlich sein.
Messung ist für mich dann gut, wenn sie nicht nur einen Erfolg behauptet, sondern eine fundiertere nächste Entscheidung ermöglicht.
Generative KI kann heute jede Stimme in Sekunden erzeugen – perfekt, günstig, beliebig. Ist das für dich als Klangstratege die größte Chance oder das größte Governance-Problem deiner Laufbahn?
Für mich überwiegt die Chance. Sie liegt allerdings nicht darin, dass wir immer schneller immer mehr Klang erzeugen können. Was mich über viele Jahre beschäftigt und manchmal auch frustriert hat: Klang wurde häufig vor allem als dekoratives Element betrachtet. Dabei kann er wesentlich mehr leisten. Er kann Menschen Orientierung geben, Handlungen erleichtern, Unsicherheit reduzieren und ihnen mehr Handlungsspielraum eröffnen.
Meine Vision ist, dass Organisationen Klang künftig viel bewusster, wirksamer und systematischer einsetzen. Nicht als zusätzliche Schicht, sondern als integraler Bestandteil von Produkten, Dienstleistungen, Reisen und Erlebnissen.
KI eröffnet dafür neue Möglichkeiten. Akustische Informationen können stärker auf den jeweiligen Kontext reagieren. Sprachsysteme können individuell unterstützen und Menschen durch komplexe Vorgänge begleiten.
Klang wurde häufig vor allem als dekoratives Element betrachtet. Dabei kann er wesentlich mehr leisten. Er kann Menschen Orientierung geben, Handlungen erleichtern, Unsicherheit reduzieren und ihnen mehr Handlungsspielraum eröffnen. – Herwig Kusatz
Die Herausforderung besteht darin, diese Fähigkeiten nicht mit tatsächlichem Nutzen zu verwechseln. Eine technisch beeindruckende Interaktion kann unnötig, aufdringlich oder unzuverlässig sein. Deshalb braucht es Sonic Governance: um neue Möglichkeiten an menschlichen Bedürfnissen auszurichten, ihre Anwendung sinnvoll zu begrenzen und ihre Wirkung zu überprüfen. Die große Chance liegt nicht darin, mehr Klang zu erzeugen, sondern darin, dass Klang mehr für Menschen leisten kann.
Wenn ein Unternehmen seinen Voice-Agenten mit einer synthetischen Stimme betreibt, die am Telefon, in der App und im Fahrzeug spricht: Wer ist dann in der Organisation dafür verantwortlich, wie diese Stimme klingt – IT, Marketing, Customer Service, Legal? Und wer ist es in der Praxis?
Ich habe selbst schon mehrfach mit Voice-Agenten gesprochen und mich dabei missverstanden, hilflos und schließlich alleingelassen gefühlt. Nicht weil die Stimme schlecht geklungen hätte, sondern weil das System mein Anliegen nicht lösen konnte und keinen sinnvollen Ausweg angeboten hat. Das zeigt, warum sich die Verantwortung nicht auf die Auswahl einer angenehmen Stimme beschränken darf. In der Praxis werden die betreffenden Entscheidungen häufig verteilt getroffen. Das ist grundsätzlich sinnvoll, weil unterschiedliche Fachkompetenzen benötigt werden. Entscheidend ist jedoch, dass die Verantwortung für das gesamte hörbare System klar geregelt ist und die zuständige Person über die notwendigen Entscheidungsbefugnisse verfügt.
Sie sollte verbindliche Prinzipien festlegen, bereichsübergreifende Konflikte klären und kritische Änderungen überprüfen können. Alltägliche Entscheidungen können weiterhin dort getroffen werden, wo die jeweilige Kompetenz liegt. Bei einem Voice-Agenten wäre für mich besonders wichtig, den Umgang mit gescheiterten Interaktionen verbindlich zu regeln. Das System sollte seine Grenzen erkennen, einen erreichbaren menschlichen Ansprechpartner anbieten und den bisherigen Gesprächskontext sinnvoll übergeben können. Eine Stimme kann noch so angenehm klingen. Wenn ich mit meinem Problem alleinbleibe, hat das System seine Aufgabe nicht erfüllt.
Du sprichst von „deserved trust“ – verdientem Vertrauen. KI-Stimmen werden gezielt so gestaltet, dass sie warm, kompetent und vertrauenswürdig klingen, unabhängig davon, ob das System dahinter vertrauenswürdig ist. Wo liegt für dich die Grenze zwischen Klangdesign und akustischer Manipulation?
Die Grenze liegt dort, wo akustische Gestaltung Menschen zu einer Einschätzung verleitet, die durch das tatsächliche Verhalten nicht gerechtfertigt ist. Eine freundliche und gut verständliche Stimme ist nicht manipulativ. Sie kann eine Interaktion erleichtern. Problematisch wird es, wenn ihr Ausdruck relevante Unsicherheit verdeckt oder Sicherheit vermittelt, für die es keine ausreichende Grundlage gibt. Ein System sollte deshalb nicht selbstbewusster auftreten, als es sachlich gerechtfertigt ist. Es muss auch Unsicherheit ausdrücken können, Einschränkungen kenntlich machen und deutlich werden lassen, wann eine Aussage überprüft werden sollte.
Besonders kritisch sehe ich Versuche, aus vermuteter Verletzlichkeit oder emotionaler Verfassung eines Menschen gezielt Überzeugungskraft zu gewinnen. Anpassung sollte zuerst Verständlichkeit und Handlungsfreiheit verbessern, nicht die Beeinflussbarkeit einer Person ausnutzen. Es geht nicht darum, künstliche Stimmen unfreundlich klingen zu lassen. Es geht um Übereinstimmung zwischen dem, was Menschen wahrnehmen, und dem, worauf sie sich tatsächlich verlassen können. Das ist für mich der Unterschied zwischen dem Eindruck von Vertrauen und deserved trust. Vertrauen wird durch Verhalten verdient. Klang kann helfen, dieses Verhalten richtig einzuordnen.
Im Nahverkehr trifft Barrierefreiheit auf Markenidentität, Sicherheit auf Betrieb. Wenn diese Interessen kollidieren – etwa eine Marke, die sanft klingen will, und ein Warnsignal, das durchdringen muss – was muss „halten“ und was darf „sich bewegen“?
Halten müssen jene Anforderungen, die Menschen schützen und ihnen ermöglichen, die Situation zu verstehen und angemessen zu handeln. Wie wir sie akustisch erfüllen, kann sich verändern.
Ein sicherheitsrelevantes Signal braucht ausreichende Wahrnehmbarkeit und Eindeutigkeit. Dafür muss es nicht zwangsläufig maximal laut sein. Seine Gestaltung hängt unter anderem von der Umgebung, konkurrierenden Geräuschen und den Wahrnehmungsbedingungen der Nutzer ab. Mit Sonic Right-of-Way beschreibe ich, wie solche Prioritäten festgelegt werden. Wenn mehrere hörbare Ereignisse zusammentreffen, muss geregelt sein, welches Vorrang hat. Auch innerhalb einer einzelnen Information gibt es eine sinnvolle Reihenfolge.
Beispielsweise kann ein kurzer Aufmerksamkeitston den Beginn markieren und anschließend Raum für die eigentliche Sprachnachricht schaffen. Die beiden Elemente haben unterschiedliche Aufgaben und sollten einander nicht behindern. Barrierefreiheit bedeutet außerdem, dass wesentliche Informationen nicht ausschließlich von einem einzigen Wahrnehmungskanal abhängen dürfen. Gute Governance schützt damit nicht eine bestimmte Klangform um jeden Preis. Sie schützt die Funktion, für die diese Form gewählt wurde, und lässt begründete Anpassungen zu.
Dein Framework heißt SIGNAL und wird „nur so weit wie nötig“ angewendet. Was ist der häufigste Fehler, den Unternehmen machen, wenn sie zum ersten Mal versuchen, ihr Klangsystem zu ordnen – zu viel, zu wenig, oder das Falsche zuerst?
Aus meiner Sicht beginnt man häufig mit dem Falschen: mit Maßnahmen, bevor die eigentliche Aufgabe verstanden wurde. Ich würde zunächst eine einzige Situation auswählen, in der hörbare Informationen spürbare Konsequenzen haben. Zum Beispiel einen kritischen Übergang in einer Fahrgastreise oder eine digitale Interaktion, bei der Menschen wiederholt zögern. Dann untersuchen wir, was dort geschieht: Wo fehlt Orientierung? Welche Information kommt zu spät? Welche Bedingungen erschweren ihre Wahrnehmung? Was funktioniert bereits gut?
Erst aus diesen Beobachtungen ergibt sich, welche Art von Eingriff sinnvoll ist. Manchmal genügt eine kleine Änderung. Manchmal zeigt sich ein grundlegenderes Problem, das mehrere Anwendungen betrifft.
SIGNAL strukturiert den Weg von der strategischen Klärung bis zur Anwendung, Überprüfung und Weiterentwicklung. Dabei ist nicht die Größe der Organisation ausschlaggebend, sondern die Tragweite der jeweiligen Situation.
Ich möchte vermeiden, dass Sonic Governance zu unnötiger Bürokratie wird. Sie soll gewöhnliche Arbeit erleichtern und dort zusätzliche Sorgfalt schaffen, wo die Folgen es verlangen. Der beste Anfang ist nicht unbedingt ein großes Projekt, sondern ein gut gewählter Moment, an dem man die Qualität der eigenen Entscheidungen verbessern kann.
Stille taucht in deiner Arbeit explizit als Gestaltungselement auf. In einer Welt, in der KI-Assistenten, Notifications und Sprachinterfaces permanent reden wollen: Ist die wichtigste Governance-Entscheidung der nächsten Jahre, wann ein System nicht spricht?
Sie gehört sicher zu den wichtigsten. Denn jedes zusätzliche Geräusch beansprucht etwas, das wir nicht beliebig vermehren können: menschliche Aufmerksamkeit. Ein System kann technisch in der Lage sein, ständig Rückmeldungen zu geben. Daraus folgt noch nicht, dass diese Rückmeldungen hilfreich sind.
Es gibt Momente, in denen eine kurze akustische Bestätigung notwendig ist. Beispielsweise nach einer Handlung, deren erfolgreicher Abschluss sonst unklar bleibt. In anderen Situationen unterbricht derselbe Mechanismus unnötig. Stille ist deshalb weder ein Mangel noch automatisch eine Tugend. Sie ist eine bewusste Gestaltungsentscheidung. Für mich beginnt gute akustische Gestaltung mit einer einfachen Prüfung: Muss dieser Moment hörbar werden? Wenn ja, warum? Manchmal ist der wertvollste Beitrag eines Klangsystems, dass es sich zurückhält.
Ein Blick nach vorn: Wenn in fünf Jahren KI-Agenten untereinander und mit Menschen vor allem per Sprache interagieren – braucht es dann einen Sonic-Governance-Standard auf Branchen- oder gar Regulierungsebene, ähnlich wie es ihn für visuelle Barrierefreiheit gibt? Und wer sollte ihn schreiben?
Wir brauchen gemeinsame Anforderungen dort, wo sprachbasierte Systeme erhebliche Konsequenzen für Menschen haben. Einheitliche Vorgaben für ihren klanglichen Charakter halte ich dagegen nicht für sinnvoll.
Bestehende Normen und gesetzliche Anforderungen decken bereits Teilbereiche ab, etwa bestimmte Aspekte von Sicherheit und Zugänglichkeit. Neue Anwendungen können zusätzliche Regelungen erfordern, insbesondere bei synthetischer Identität, zulässiger Einflussnahme und folgenreichen automatisierten Interaktionen.
Wer solche Anforderungen entwickelt, darf nicht allein aus einer technologischen Perspektive denken. Notwendig sind Fachleute aus Akustik, Mensch-Technik-Interaktion, KI, Sicherheit, Barrierefreiheit, Recht und Organisationsführung. Ebenso wichtig ist die Beteiligung der Menschen, die mit den Systemen leben und arbeiten.
Wir sollten dabei zwischen technischen Mindeststandards, rechtlichen Schutzpflichten und unternehmensinternen Entscheidungsregeln unterscheiden. Nicht jede sinnvolle Governance-Anforderung gehört in ein Gesetz.
Ob Maschinen künftig überwiegend miteinander sprechen, ist für mich weniger entscheidend als die Frage, welche Folgen ihre Kommunikation für Menschen hat. Die Zukunftsfrage ist nicht, wie menschlich Maschinen klingen dürfen. Sie lautet, wie verantwortlich Organisationen handeln, wenn Maschinen für sie sprechen.
Kurzbiografie Herwig Kusatz:
Herwig Kusatz ist Sonic Governance Advisor, Gründer von Sound Strategy ))) in Wien und Autor von Trust You Can Hear. Seit über 20 Jahren entwickelt und begleitet er akustische Systeme, unter anderem für Wiener Linien, ÖBB und adidas. Er lehrte acht Jahre an Hochschulen und erhielt sechs International Sound Awards. Mit Sonic Governance richtet er den Blick über einzelne Klang Assets hinaus auf die Entscheidungen dahinter: wie Organisationen Klang sinnvoll einsetzen, weiterentwickeln und dafür Verantwortung übernehmen.
Buchseite mit allen Ausgaben:
https://sound-strategy.com/trust-you-can-hear