Cartesia startet Managed Agents, eine End-to-End-Plattform für Sprachagenten

29. Oktober 2026Quelle: Cartesia

Cartesia hat Managed Agents vorgestellt, eine End-to-End-Plattform für Sprachagenten in Unternehmensgesprächen. Nach Angaben des Unternehmens belegt sie zum Start in unabhängigen Benchmarks für Sprachagenten Platz 1 und hat bereits mehrere zehn Millionen Gespräche abgewickelt.

Das Wichtigste in Kürze

Cartesia hat Managed Agents vorgestellt, eine End-to-End-Plattform für Sprachagenten in Unternehmensgesprächen.
In der Speech Agent Arena von Artificial Analysis liegt sie mit einem Präferenz-Elo von 1115 auf Platz 1 von 30 Agenten.
Im EVA-Bench von ServiceNow erreicht sie 87 % Genauigkeit und 91 % Nutzererlebnis, gemessen mit GPT-5.5 als Reasoning-Modell.
Laut Cartesia hat die Plattform mehrere zehn Millionen Gespräche in Finanzwesen, Einzelhandel, Gastgewerbe und Gesundheitswesen abgewickelt.
Die Plattform unterstützt Tool-Aufrufe, Wissensdatenbanken, ausgehende Kampagnen und 44 Sprachen, wobei alle 44 bald verfügbar sein sollen.

Ein System für Zuhören, Schlussfolgern und Sprechen

Cartesia zufolge wurden das Agenten-Framework und die Sprachmodelle gemeinsam entworfen, sodass Zuhören, Sprecherwechsel, Schlussfolgern, Tool-Aufrufe und Sprachausgabe als ein durchgängiges System aufeinander abgestimmt sind. Die Plattform bündelt zudem alles, was Unternehmen für den Produktivbetrieb von Agenten brauchen, darunter Telefonie, Wissensdatenbanken und Tool-Integrationen.

Das Unternehmen argumentiert, dass bestehende Ansätze jeweils eine Schwäche haben. Kaskadierte Pipelines seien das vorherrschende Paradigma für Unternehmensaufgaben, könnten ohne sorgfältiges Co-Design aber bei Natürlichkeit und Gesprächsdynamik wie Sprecherwechseln und Unterbrechungen verlieren. Heutige Speech-to-Speech-Modelle klängen zwar natürlich, so Cartesia, seien aber schwer zu steuern und für Aufgaben auf Unternehmensniveau weniger zuverlässig. Managed Agents soll ein natürliches Gespräch ermöglichen, ohne auf die Intelligenz und Steuerbarkeit zu verzichten, die komplexe Aufgaben erfordern.

Laut Cartesia wurde die Plattform im großen Maßstab getestet und hat mehrere zehn Millionen Gespräche in den Bereichen Finanzen, Einzelhandel, Gastgewerbe und Gesundheitswesen bewältigt.

Benchmark-Ergebnisse

In der Speech Agent Arena von Artificial Analysis vergleichen menschliche Bewerter blind Agenten bei Aufgaben wie Terminbuchungen oder Essensbestellungen zum Mitnehmen. Managed Agents belegt mit einem Präferenz-Elo von 1115 Platz 1 von 30 Agenten. In der Oktober-Auswertung 2026 folgen Googles Gemini 3.1 Flash Live Minimal mit 1099 und Gemini 3.8 Live mit 1079. Grok Voice 3.0 von xAI kommt auf 1064, die GPT-Live-1-Varianten von OpenAI auf 1041 und 1037, die Einträge von ElevenLabs auf 1003 und 989.

Im EVA-Bench, dem offenen Benchmark von ServiceNow für Sprachagenten im Unternehmenseinsatz in CSM, ITSM und HR, erreicht Cartesia nach eigenen Angaben über mehr als 200 Szenarien hinweg sowohl bei der Genauigkeit (87 %) als auch beim Nutzererlebnis (91 %) die höchsten Werte und spricht von einer neuen Pareto-Grenze. Die Detailtabelle nennt für Managed Agents 87,4 % Genauigkeit und 90,7 % Nutzererlebnis. Grok Voice 3.0 kommt auf 73,7 % und 71,2 %, Gemini 3.8 Live auf 45,9 % und 88,6 %. Cartesia weist darauf hin, dass die eigenen Benchmarks mit GPT-5.5 als Reasoning-Modell durchgeführt wurden.

Nitin Aggarwal, Senior Director of Product Management, Agentic Evals and RAI, wird in der Ankündigung mit den Worten zitiert, Managed Agents habe im EVA-Bench „eines der stärksten Ergebnisse erzielt, die wir bisher gesehen haben“.

In Cartesias eigenen internen Auswertungen berichteten Anrufer in 85 % der Gespräche mit Managed Agents von keinerlei Problemen beim Sprecherwechsel, bei anderen Agenten waren es 67 %.

Gebaut für komplexe Anrufe

Cartesia positioniert die Plattform für Anrufe, die selten einfach bleiben, etwa Schadensmeldungen, Patiententerminvergabe, Retouren im Einzelhandel und IT-Helpdesk. Ein einzelnes Gespräch kann die Verifizierung des Anrufers, die Abfrage dreier Systeme und die Nennung von Richtlinien umfassen. Als Funktionen werden genannt:

Mehrsprachig: Agenten lassen sich in 44 Sprachen erstellen. Mitten im Gespräch können sie zwischen Englisch, Spanisch, Hindi, Französisch und Japanisch wechseln, alle 44 sollen bald folgen.
Tool-Aufrufe: Backend-APIs, CRMs und führende Systeme lassen sich einbinden, sodass ein Agent während des Anrufs Datensätze abrufen und Aktionen ausführen kann.
Wissensdatenbanken: Agenten können präzise Antworten aus Hunderten von Dokumenten geben, wobei der Kontext dynamisch vorab geladen wird, damit sie ohne Suchpause antworten.
Ausgehende Kampagnen: Tausende Anrufe lassen sich in Outbound-Batches planen, jeweils auf die angerufene Person zugeschnitten.

Was das für Unternehmen bedeutet

Für Unternehmen, die Voice-KI in Kundenanrufen einsetzen, lautet das Versprechen: eine einzige Plattform statt separat zusammengestellter Komponenten für Sprache, Reasoning und Telefonie. Die Benchmark-Zahlen stammen von Artificial Analysis und aus ServiceNows EVA-Bench, die Zahlen zum Sprecherwechsel dagegen aus Cartesias internen Tests, und alle Ergebnisse wurden mit GPT-5.5 als Reasoning-Modell erzielt. Angaben zu Preisen oder Verfügbarkeit macht Cartesias Startankündigung nicht.