Intent-Recognition klassifiziert eine Anrufer-Äußerung in eine vordefinierte Absicht — "Termin buchen", "Termin verschieben", "Rechnungsfrage", "Beschwerde". In modernen Voice-AI-Stacks übernimmt diese Klassifikation typischerweise das LLM selbst, oft kombiniert mit einer kleinen, gehärteten Klassifikator-Schicht für hochfrequente Standardfälle.
Gute Intent-Recognition braucht ein realitätsbasiertes Intent-Inventar: zu viele Intents (>30) machen das Modell unsicher, zu wenige (<5) lassen relevante Fälle unbehandelt. In der Praxis bewährt sich ein zweistufiges Modell: 6–12 Top-Level-Intents plus optionale Slot-Felder ("zu welchem Datum?", "welcher Behandlungstyp?").
Operativ kritisch: jede Intent-Klasse braucht eine Fallback-Strategie für niedrige Konfidenz, ein gemessenes Confusion-Matrix-Reporting aus echten Anrufen und einen Review-Zyklus, in dem neu auftretende Anliegen entweder als Intent ergänzt oder zur menschlichen Bearbeitung eskaliert werden.