AWS zeigt multimodalen WhatsApp-Bestellassistenten mit Bedrock AgentCore und Nova 2

AWS zeigt multimodalen WhatsApp-Bestellassistenten mit Bedrock AgentCore und Nova 2

Ein neuer AWS-Blogbeitrag beschreibt die Bereitstellung eines multimodalen WhatsApp-Bestellassistenten für Quick-Service-Restaurants. Laut AWS wird der Assistent mit Amazon Bedrock AgentCore und Amazon Nova 2 gebaut und nutzt die Meta WhatsApp Business Platform als Kunden-Frontend. Über eine einzige WhatsApp-Business-Nummer können Kunden laut AWS per Text, Sprachnotiz oder Anruf bestellen. Ein KI-Agent übernimmt die Bestellung Ende-zu-Ende, von der Begrüßung bis zur Bestätigung – so die Herstellerangabe. Technisch realisiert der Agent dies laut AWS, indem er die Eingaben über die jeweils passenden Modelle verarbeitet – Nova 2 Lite für Textnachrichten und Nova 2 Sonic für Sprachnotizen und Anrufe – und den Gesprächskontext über das Cross-Channel-Gedächtnis aufrechterhält. So laufen Begrüßung, Bestellaufnahme und Bestätigung als zusammenhängender Dialog ab, ohne dass der Kunde seine Identität erneut nachweisen muss.

Technische Rollen: Nova 2 Lite für Text, Nova 2 Sonic für Echtzeit-Sprache

Die Modellzuordnung ist laut AWS klar getrennt: Amazon Nova 2 Lite verarbeitet Text über die Amazon Bedrock Converse API, während Amazon Nova 2 Sonic die Echtzeit-Sprache bei Sprachnotizen und Anrufen übernimmt. Beide Modelle unterstützen laut Herstellerangaben multimodale Verarbeitung – Text, Bild, Video, Dokument und Sprache – und einen Kontext von bis zu 1 Million Token. Nova 2 Lite ist laut AWS ein schnelles, kosteneffizientes Reasoning-Modell, das Text, Bilder und Videos verarbeiten und Text generieren kann. Die Geschwindigkeit und Kosteneffizienz resultieren laut Herstellerangabe aus der Auslegung auf alltägliche Workloads und der Möglichkeit, die Denktiefe („extended thinking“) je nach Anforderung anzupassen. Dadurch lässt sich laut AWS die Balance zwischen Antwortqualität, Latenz und Kosten für textbasierte Chat-Interaktionen optimieren. Nova 2 Sonic ist laut Herstellerangabe ein Speech-to-Speech-Modell für natürliche konversationelle KI. Es verarbeitet gesprochene Eingaben direkt und erzeugt natürlich klingende Sprachantworten, ohne den Umweg über eine separate Transkription. Zudem unterstützt es laut AWS mehrere Sprachen, was es für die Echtzeit-Sprachkommunikation über Sprachnotizen und Anrufe besonders geeignet macht.

Ein Backend, drei Kanäle: Cross-Channel-Gedächtnis und MCP-Anbindung

Alle drei Kanäle – Text, Sprachnotiz und Anruf – teilen sich laut AWS ein gemeinsames Backend und ein Cross-Channel-Gedächtnis. Dadurch wird ein Kunde über Kanäle hinweg wiedererkannt: Wer heute per Text bestellt und morgen anruft, gilt laut Herstellerangabe als dieselbe Person. Technisch wird dies laut AWS durch die persistenten Speicher- und Sitzungsverwaltungsfunktionen von Amazon Bedrock AgentCore realisiert, die eine kanalübergreifende Verknüpfung von Konversationszuständen und Kundenidentitäten ermöglichen. Die Agenten erreichen das Restaurant-Backend laut AWS über das Model Context Protocol (MCP). Die Bereitstellung erfolgt laut Herstellerangabe mit dem AWS Cloud Development Kit (AWS CDK).