Voker launcht Agent Analytics Plattform mit Intent/Korrektur/Resolution-Prüfmitteln

Voker.ai, ein YC S24 Startup, hat eine Analyseplattform speziell für KI-Agenten auf den Markt gebracht. Das Kernprodukt ist ein leichtgewichtiges SDK (Python & TypeScript), das LLM-Aufrufe an OpenAI, Anthropic und Gemini kapselt, automatisch Gesprächsdaten sammelt und drei Primitiven annotiert: Intents, Korrekturen und Lösungen.

Was es macht

Voker verarbeitet LLM-Aufrufe, indem es automatisch Benutzerziele (Intents) klassifiziert, erkennt, wenn Benutzer den Agenten korrigieren (Korrekturen), und misst, wann der Agent die Absicht erfüllt (Lösungen). Anschließend werden diese mithilfe hierarchischer Textklassifikation (nicht LLMs für Data Engineering) zu dynamischen Kategorien aggregiert, sodass Produktteams Self-Service-Einblicke erhalten, ohne einzelne Abläufe lesen zu müssen.

Wichtige Details aus dem Launch

• SDK-Integration: Zwei Zeilen zur Installation: pip install voker und Einbinden des LLM-Anbieters (z.B. from voker.ai.provider_openai import OpenAI).
• LLM-Stack-unabhängig: Funktioniert mit OpenAI, Anthropic, Gemini, Langchain, CrewAI und Vercel AI SDK.
• Preise: Kostenloser Tarif – 2.000 Ereignisse/Monat (E-Mail-Registrierung erforderlich). Bezahlte Pläne starten bei 80 $/Monat mit 30-tägiger kostenloser Testphase.
• Data-Engineering-Philosophie: Voker vermeidet explizit den Einsatz von LLMs für die Kern-Datenverarbeitung, um konsistente, reproduzierbare und genaue Statistiken zu gewährleisten. Die Mitgründer merken an, dass das Hochladen von Logs in ChatGPT oft zu überangepassten oder inkonsistenten Erkenntnissen führt.

Warum es das gibt

Laut einer Umfrage unter YC-Gründern gaben über 90 % an, dass sie nur durch Kundenbeschwerden erfahren, dass ihre Agenten versagen. Bestehende Tools sind unzureichend: Observability (z.B. Langfuse, Langsmith) ist gut für Trace-Debugging, aber für Nicht-Entwickler nicht zugänglich; Evaluierungen testen bekannte Probleme, übersehen jedoch unerwartete Trends; traditionelle Analysen (PostHog, Mixpanel) sind nicht für unstrukturierte Gesprächsdaten ausgelegt.

Für wen es gedacht ist

Teams, die hochvolumige Gesprächsagenten (1.000+ Chat-Sitzungen pro Monat) mit komplexen Multi-Turn-Interaktionen betreiben und Einblicke benötigen, die funktionsübergreifende Teams (PMs, Ingenieure, Analysten) selbstständig nutzen können.