Der wichtigste Satz vorweg: Otter.ai ist im Kern ein Transkriptionswerkzeug, dem ein Meeting-Assistent hinzugefügt wurde – nicht ein Meeting-Rekorder, der auch transkribiert. Diese Herkunft erklärt fast alles: warum das Transkript in der Oberfläche im Mittelpunkt steht und nicht das Video, warum Suche, Textbearbeitung und Textexport ungewöhnlich weit ausgebaut sind, warum das Werkzeug auch ohne Videokonferenz funktioniert – und warum es bei Funktionen, die auf Videomitschnitte zielen, weniger zu bieten hat als Wettbewerber, die von dieser Seite kommen. Wer diese Herkunft kennt, trifft eine bessere Auswahlentscheidung als jemand, der Funktionslisten nebeneinanderlegt.
Drei Eigenschaften beschreiben Otter.ai treffender als jede Merkmalstabelle:
Um die Funktionslage einzuordnen, hilft ein Blick auf die Entwicklungslinie. Am Anfang stand eine schlichte Idee: Spracherkennung, die gut genug ist, um Besprechungen mitzuschreiben, verbunden mit einer Oberfläche, in der das Ergebnis lesbar bleibt – mit Absätzen, Zeitmarken und einer Trennung nach Sprechenden. Das war damals bemerkenswert, weil Diktiersoftware bis dahin auf eine einzelne, langsam und deutlich sprechende Person ausgelegt war, während eine Besprechung aus Überlappungen, Nebengeräuschen, Einwürfen und wechselnden Abständen zum Mikrofon besteht.
Der zweite Entwicklungsschritt war die Verknüpfung mit dem Kalender. Statt dass jemand die Aufnahme startet, verbindet sich der Dienst mit dem Terminkalender, erkennt Besprechungen mit Konferenzlink und tritt diesen Terminen selbstständig bei – als sichtbare Teilnehmerin mit eigenem Namen in der Teilnehmerliste. Damit wurde aus einem Werkzeug, das man bewusst benutzt, ein Dienst, der im Hintergrund läuft. Genau an dieser Stelle beginnen die organisatorischen und rechtlichen Fragen, die wir in diesem Artikel ausführlich behandeln, denn ein Assistent, der von allein in Termine kommt, ist etwas anderes als ein Aufnahmeknopf.
Der dritte Schritt kam mit den großen Sprachmodellen. Sobald ein sauberes Transkript vorliegt, lassen sich darauf Zusammenfassungen, thematische Gliederungen, Aufgabenlisten und Antworten auf freie Fragen erzeugen. Und weil viele Transkripte in einem Konto liegen, lässt sich die Frage auch über Gesprächsgrenzen hinweg stellen: Was haben wir diesem Kunden in den letzten Monaten zugesagt? Aus dem Mitschreiber wurde damit ein Gedächtnis. Ob dieses Gedächtnis in Ihrem Unternehmen entstehen darf und wo es liegen soll, ist eine der zentralen Entscheidungen bei der Einführung – und keine, die die IT allein treffen sollte.
Aus unserer Projektpraxis lässt sich der Nutzen erstaunlich präzise beschreiben. Otter.ai ist stark, wenn viel gesprochen wird und wenig geschrieben: in Vertriebs- und Beratungsgesprächen, in Interviews, in Abstimmungsrunden mit vielen Beteiligten, in Terminen, deren Ergebnisse jemand ohnehin protokollieren müsste. Es nimmt die mechanische Arbeit ab – Mitschreiben, Erinnern, Wiederfinden – und gibt sie als Text zurück, der weiterverarbeitet werden kann.
Ein weiterer Punkt gehört an den Anfang, weil er im DACH-Raum über die Eignung entscheidet: die Sprachfrage. Otter.ai kommt aus dem englischsprachigen Markt, und die Produktentwicklung ist erkennbar auf Englisch ausgerichtet. Für die Bewertung im deutschsprachigen Mittelstand ist deshalb nicht die Frage entscheidend, ob deutschsprachige Transkription grundsätzlich unterstützt wird, sondern in welcher Qualität und mit welchem Funktionsumfang – und ob nachgelagerte Funktionen wie Zusammenfassungen und Aufgabenerkennung auf deutschsprachigen Gesprächen ebenso zuverlässig arbeiten wie auf englischsprachigen. Wir behandeln diese Frage ausführlich im Vergleichskapitel und empfehlen ausdrücklich, sie nicht aus Marketingaussagen, sondern aus einem eigenen Test mit echten Aufnahmen zu beantworten.
Aus unserer Beratungspraxis lohnt sich eine ernsthafte Prüfung in vier Situationen. Erstens in Organisationen mit hohem Anteil englischsprachiger Kommunikation – internationale Vertriebseinheiten, Konzerntöchter, Forschungsbereiche –, weil dort die Stärke des Produkts voll zum Tragen kommt. Zweitens überall dort, wo Gespräche außerhalb einer Videokonferenz stattfinden und trotzdem verschriftlicht werden sollen: Interviews, Feldgespräche, Werksbegehungen, Telefonate. Drittens wenn Barrierefreiheit ein konkretes Anliegen ist und Live-Untertitel oder Mitlesetexte gebraucht werden. Viertens in Bereichen, die große Mengen an Audiomaterial nachträglich erschließen müssen, etwa in der Marktforschung oder in der Qualitätssicherung.
Zurückhaltend wären wir in drei Konstellationen. Wenn Ihre Organisation keine Verarbeitung bei US-Anbietern zulässt oder Gesprächsinhalte als besonders schutzbedürftig einstuft, ist die Entscheidung datenschutzseitig vorgeprägt – dann führt der Weg zu europäischen Anbietern oder zu einer selbst betriebenen Lösung auf Basis offener Spracherkennungsmodelle, die wir im Vergleichs- und im Datenschutzkapitel benennen. Wenn Ihre Besprechungen fast ausschließlich in einer Plattform stattfinden, deren eigene Transkriptions- und Zusammenfassungsfunktionen Sie bereits lizenziert haben, ist ein zusätzliches Werkzeug schwer zu begründen. Und wenn in Ihrem Haus überwiegend Deutsch mit starkem regionalem Einschlag, viel Fachvokabular und in schwierigen akustischen Umgebungen gesprochen wird, sollten Sie die Erkennungsqualität sehr sorgfältig prüfen, bevor Sie Prozesse darauf aufbauen.
Die Grundlogik entspricht dem, was im Markt für Meeting-Assistenten üblich ist: Abgerechnet wird pro Person mit eigenem Zugang, in der Regel günstiger bei jährlicher Zahlung, gestaffelt nach einer persönlichen Ebene, einer Teamebene und einer Unternehmensebene. Über die Ebenen hinweg unterscheiden sich vor allem vier Dinge: das zulässige Nutzungsvolumen, die Verfügbarkeit des automatischen Meeting-Assistenten und der weitergehenden KI-Funktionen, die Möglichkeiten zur zentralen Verwaltung und Anmeldung sowie die Steuerbarkeit von Freigaben, Aufbewahrung und Protokollen. Für ein Unternehmen ist der dritte und vierte Punkt entscheidend – und genau die werden bei Werkzeugen, die sich einzelne Beschäftigte selbst besorgen, regelmäßig übersehen.
Otter.ai ist als Spracherkennungsprodukt gestartet, und diese Herkunft prägt die Positionierung bis heute. Sie sehen es an drei Stellen. Erstens an der Oberfläche: Im Mittelpunkt steht ein Textdokument mit Zeitmarken, an dessen Rand Audio, Notizen und Zusammenfassung angeordnet sind – nicht ein Videofenster mit einem Transkript daneben. Zweitens an der Bearbeitbarkeit: Transkripte lassen sich korrigieren, Sprechernamen zuweisen, Passagen markieren, Kommentare setzen. Bei Werkzeugen, die aus der Videoaufzeichnung kommen, ist das Transkript oft nur Anzeige. Drittens an der Unabhängigkeit vom Kanal: Es braucht keine Videokonferenz, um Otter.ai zu nutzen – ein Mikrofon genügt.
Für die Beschaffung hat diese Positionierung eine praktische Konsequenz. Wenn Ihr eigentliches Ziel ist, Vertriebsgespräche als Video für Coaching und Einarbeitung verfügbar zu machen, prüfen Sie zuerst die aufzeichnungsorientierten Werkzeuge. Wenn Ihr Ziel ist, gesprochene Inhalte in verwertbaren Text zu überführen – auch außerhalb von Videokonferenzen –, ist die textorientierte Ausrichtung von Otter.ai der passende Ausgangspunkt. Werkzeuge dieser Kategorie sehen sich in Produktvorführungen sehr ähnlich; die Unterschiede zeigen sich erst, wenn man mit echtem Material und einer echten Fragestellung arbeitet.
In Auswahlprojekten achten Beteiligte auf die Länge der Funktionsliste. Wirksam sind aber vier Trennlinien, und keine davon steht in der Werbung im Vordergrund.
Die erste ist die Anmeldung. Ob sich Beschäftigte über Ihren zentralen Identitätsdienst anmelden oder eigene Zugänge mit privaten Passwörtern anlegen, entscheidet darüber, ob Sie beim Austritt eines Menschen alle Gesprächsaufzeichnungen zuverlässig entziehen können. Bei einem Werkzeug, das Kundengespräche enthält, ist das keine Fleißaufgabe, sondern ein Sicherheitsthema ersten Ranges. Wir sehen in Projekten regelmäßig, dass Vertriebsmitarbeitende ein solches Werkzeug selbst besorgt haben und Jahre an Kundengesprächen in einem privaten Konto liegen – rechtlich und wirtschaftlich eine unangenehme Lage.
Die zweite ist die Aufbewahrung. Können Sie festlegen, wie lange Transkripte und Audiodateien gespeichert bleiben, und passiert die Löschung automatisch? Ohne diese Steuerung wächst ein Archiv, dessen Löschung später manuell und lückenhaft erfolgt. Fragen Sie ausdrücklich, ob Aufbewahrungsfristen je Arbeitsbereich gesetzt werden können, ob sie auch die Audiodatei und nicht nur das Transkript umfassen und wie mit Sicherungskopien umgegangen wird.
Die dritte ist die Freigabesteuerung. Transkripte lassen sich per Link teilen, und diese Bequemlichkeit ist der häufigste reale Schwachpunkt. Prüfen Sie, ob Ihre Ebene erlaubt, offene Links zu unterbinden oder auf angemeldete Personen zu beschränken, und ob geteilte Inhalte nachträglich zurückgezogen werden können. Ein Transkript enthält wörtliche Aussagen von Menschen – die Folgen einer unbedachten Weitergabe sind größer als bei einem Dokument.
Die vierte ist die Steuerbarkeit des Assistenten. Kann die Administration festlegen, ob der Assistent überhaupt automatisch Terminen beitreten darf, für welche Kalendertypen, mit welcher Ankündigung und ob externe Termine ausgenommen sind? Diese Frage ist in Deutschland betriebsverfassungs- und datenschutzrechtlich zentral. Wenn Ihre Ebene diese Steuerung nicht bietet, verlagert sich die Verantwortung vollständig auf die einzelnen Beschäftigten – und das ist keine tragfähige Grundlage für eine Betriebsvereinbarung.
Der Bezug erfolgt üblicherweise direkt beim Anbieter, per Selbstbedienung mit Kreditkarte oder – ab der Unternehmensebene – über ein Angebot mit Vertragsverhandlung. Der Unterschied ist erheblich. Über den Selbstbedienungsweg erhalten Sie schnell einen Zugang, aber Standardbedingungen, keine individuellen Datenschutzanlagen, keine verhandelten Aufbewahrungszusagen und keine Supportzusagen mit Reaktionszeit. Für ein Werkzeug, das Gespräche mitschneidet, ist das in einem Unternehmen selten ausreichend.
Fünf Fragen gehören in jedem Fall vor die Unterschrift. Erstens die Sitzplatzfrage: Wer braucht wirklich einen eigenen Zugang, und wie werden Personen behandelt, die Transkripte nur lesen? Zweitens die Volumenfrage: Welche Nutzungsgrenzen gelten je Ebene, worauf beziehen sie sich – Person, Arbeitsbereich, Zeitraum – und was geschieht bei Überschreitung? Drittens die Sprachfrage: Für welche Sprachen ist die Transkription verfügbar, gelten die nachgelagerten KI-Funktionen in gleichem Umfang für Deutsch, und wie verhält sich das Werkzeug bei gemischtsprachigen Gesprächen? Viertens die Datenfrage: Wo wird verarbeitet, gibt es eine europäische Datenresidenz, und ist die Nutzung Ihrer Inhalte für Modelltraining vertraglich ausgeschlossen? Fünftens die Ausstiegsfrage: In welchen Formaten lassen sich Transkripte, Zusammenfassungen und Audiodateien vollständig exportieren, und wie ist die endgültige Löschung nach Vertragsende geregelt?
Der letzte Punkt verdient besondere Aufmerksamkeit, weil er bei Werkzeugen dieser Kategorie selten gestellt wird. Ein Gesprächsarchiv ist über die Zeit ein erheblicher Wert – und zugleich ein erhebliches Risiko. Wenn Sie in drei Jahren wechseln wollen, brauchen Sie einen vollständigen Export in offenen Formaten, und wenn Sie den Vertrag beenden, brauchen Sie eine belastbare Zusage zur Löschung, einschließlich der Sicherungen und einschließlich der Audiodaten. Klären Sie beides schriftlich, bevor das erste Gespräch aufgezeichnet wird, nicht danach.
Die folgenden Bausteine bestimmen den praktischen Alltag. Sie sind bewusst funktional beschrieben, nicht nach Produktnamen, weil Bezeichnungen in dieser Werkzeugkategorie häufig wechseln.
Die Transkription selbst ist der Kern und verdient eine nüchterne Betrachtung, weil in Vorführungen ausnahmslos gute Bedingungen gezeigt werden: eine Stimme, ein gutes Mikrofon, ruhiger Raum, deutliche Aussprache, keine Überlappungen. Die Wirklichkeit im Mittelstand sieht anders aus – ein Freisprechgerät in der Mitte eines Konferenztisches, drei Personen im Raum und zwei zugeschaltet, ein Baustellengeräusch im Hintergrund, jemand spricht während eine andere Person antwortet, dazu Fachbegriffe und Produktnamen, die kein allgemeines Sprachmodell kennt.
Unter diesen Bedingungen sinkt die Qualität jeder Spracherkennung, unabhängig vom Anbieter. Wir nennen bewusst keine Genauigkeitsquoten, weil solche Zahlen ohne Angabe der Bedingungen bedeutungslos sind und weil sie in Ausschreibungen regelmäßig als Zusage missverstanden werden. Belastbar ist stattdessen ein einfaches Vorgehen: Nehmen Sie drei typische eigene Gespräche auf – ein gutes, ein durchschnittliches und ein schwieriges – und lassen Sie zwei Personen aus der Fachabteilung beurteilen, ob das Ergebnis für den gedachten Zweck ausreicht. Diese halbe Stunde ersetzt jede Marktübersicht.
Für die Praxis gibt es vier wirksame Hebel, die mehr bewirken als ein Produktwechsel. Erstens die Mikrofonsituation: Ein einfaches Konferenzmikrofon in einem Raum mit mehreren Personen verbessert die Erkennung deutlicher als jede Softwareeinstellung. Wo möglich, sollten Teilnehmende im Raum über eigene Geräte zugeschaltet sein, weil dann jede Stimme sauber getrennt ankommt. Zweitens das benutzerdefinierte Vokabular: Produktnamen, Abkürzungen, Kundennamen und Fachbegriffe lassen sich hinterlegen, damit sie erkannt statt geraten werden. Diese Liste zu pflegen ist eine der wenigen Aufgaben, die wirklich lohnen. Drittens die Gesprächsdisziplin: Wer ausreden lässt und den eigenen Namen zu Beginn nennt, bekommt ein deutlich besseres Transkript. Viertens die Erwartungshaltung: Ein Transkript ist eine Arbeitsgrundlage, kein Wortprotokoll mit Beweiswert.
Die Sprechererkennung verdient eine eigene Einordnung. Sie funktioniert, indem Stimmen anhand ihrer Merkmale getrennt und einmal benannten Stimmen wieder zugeordnet werden. Das gelingt gut bei klarer Trennung und schlecht, wenn mehrere Personen ein Mikrofon teilen, sich ähnlich anhören oder häufig ins Wort fallen. Zwei praktische Konsequenzen: Rechnen Sie damit, dass Namenszuordnungen im Transkript nachkorrigiert werden müssen, bevor es geteilt wird. Und beachten Sie, dass die Speicherung von Stimmprofilen datenschutzrechtlich eine eigene Kategorie berührt – wir kommen im Datenschutzkapitel darauf zurück, weil es der Punkt ist, den Datenschutzbeauftragte in unseren Projekten zuerst ansprechen.
Der zweite Funktionsblock ist der, in dem sich die Herkunft aus der Transkription auszahlt. Ein Transkript ist bei Otter.ai kein Anzeigefeld, sondern ein Dokument. Sie können Wörter korrigieren, Sprecher umbenennen, Absätze markieren, Kommentare setzen, Passagen mit einem Bild oder einer Notiz ergänzen und aus markierten Stellen eine kurze Übersicht erzeugen. Für Menschen, die Gespräche auswerten – in der Marktforschung, in der Anforderungsaufnahme, im Recruiting –, ist das ein spürbarer Unterschied zu Werkzeugen, in denen das Transkript nur Beiwerk zum Video ist.
Die Suche ist der stille Held dieser Kategorie. Sie funktioniert innerhalb eines Gesprächs und über alle Gespräche hinweg, und sie springt an die passende Stelle in der Aufnahme. In der Praxis verändert das die Nutzung: Statt ein Protokoll zu lesen, stellt man eine Frage an das Archiv. Die häufigste Anwendung in unseren Projekten ist der Rückgriff auf Zusagen – was wurde diesem Kunden vor vier Monaten zur Lieferzeit gesagt, was hat der Lieferant im Klärungsgespräch zugesichert. Genau diese Anwendung ist zugleich der Grund, warum Aufbewahrung, Zugriffsrechte und Einwilligung sorgfältig geregelt sein müssen: Ein durchsuchbares Archiv aller Gespräche ist ein mächtiges Werkzeug, und mächtige Werkzeuge brauchen Regeln.
Beim Export gilt es, genau hinzusehen. Üblich sind Textformate, Textverarbeitungsdokumente, Untertiteldateien und Tabellenformate für Transkripte mit Zeitmarken, dazu die Audiodatei. Prüfen Sie für Ihre Ebene, welche Formate verfügbar sind, ob Sprecherzuordnung und Zeitmarken erhalten bleiben, ob Kommentare und Markierungen mit exportiert werden und ob ein Massenexport aller Inhalte eines Arbeitsbereichs möglich ist. Der Massenexport ist die Frage, die über Ihre Handlungsfähigkeit bei einem Anbieterwechsel entscheidet – und die einzige, die sich nach Vertragsende nicht mehr nachverhandeln lässt.
Der dritte Block entscheidet darüber, ob aus einem persönlichen Hilfsmittel eine Unternehmenslösung wird. Transkripte lassen sich in Ordnern organisieren, für ein Team freigeben, mit Kommentaren versehen und per Link teilen. Auf der Teamebene kommen gemeinsame Ordner, Rollen und eine Übersicht für die Administration hinzu.
Drei Punkte sind hier praktisch wichtig. Der erste ist die Ordnerstruktur: Ohne eine Konvention – etwa nach Kunde, Projekt oder Format – entsteht innerhalb weniger Monate eine unsortierte Liste mit Titeln wie dem Kalendereintrag des Termins, in der niemand mehr etwas findet außer über die Suche. Legen Sie die Struktur fest, bevor die ersten hundert Gespräche vorliegen. Der zweite ist die Freigabehygiene: Ein per offenem Link geteiltes Transkript kann von jedem gelesen werden, der die Adresse kennt. Prüfen Sie, ob Ihre Ebene erlaubt, das zu beschränken, und führen Sie einmal jährlich eine Sichtung der bestehenden Freigaben durch. Der dritte ist die Sichtbarkeit: Klären Sie, ob Vorgesetzte auf die Transkripte ihrer Mitarbeitenden zugreifen können. Diese Frage ist technisch trivial und arbeitsrechtlich heikel – sie gehört in die Betriebsvereinbarung, nicht in die Konfiguration.
Ein letzter Hinweis zum Funktionsumfang insgesamt: Werkzeuge dieser Kategorie entwickeln sich schnell, Bezeichnungen wechseln, Funktionen werden zwischen Ebenen verschoben. Behandeln Sie jede Funktion, die für Ihre Entscheidung tragend ist, als Prüfpunkt mit Datum. Wenn eine Fähigkeit wesentlich ist – etwa der Export mit Sprecherzuordnung oder die Abschaltbarkeit des Assistenten –, lassen Sie sie sich für Ihre Ebene schriftlich bestätigen und testen Sie sie im Pilotbetrieb mit echten Inhalten.
Vorab eine Einordnung, die für alle Werkzeuge dieser Kategorie gilt. Jede KI-Funktion oberhalb der Transkription arbeitet auf dem Transkript, nicht auf dem Gespräch. Ist das Transkript lückenhaft, weil die Akustik schwierig war, sind Zusammenfassung und Aufgabenerkennung entsprechend lückenhaft – nur sehen sie dann nicht lückenhaft aus, sondern glatt und vollständig. Diese Eigenschaft ist das Kernrisiko der Kategorie: Ein fehlerhaftes Transkript erkennt man beim Lesen, eine fehlerhafte Zusammenfassung nicht. Wer das nicht organisatorisch abfängt, bekommt Protokolle, die falsch und trotzdem verbindlich wirken.
Die auffälligste KI-Funktion ist der automatische Meeting-Assistent. Er verbindet sich mit Ihrem Kalender, erkennt Termine mit Konferenzlink und tritt diesen selbstständig bei – sichtbar in der Teilnehmerliste, unter einem eigenen Namen, mit Aufzeichnung und Transkription ab dem Moment des Beitritts. Nach dem Termin liegen Transkript und Zusammenfassung im Konto und werden auf Wunsch per E-Mail an die Beteiligten verteilt.
Der Nutzen ist offensichtlich: Es geht kein Termin mehr verloren, weil niemand daran gedacht hat, die Aufnahme zu starten. Für Menschen mit dichtem Kalender ist das der Unterschied zwischen einem Werkzeug, das benutzt wird, und einem, das ungenutzt bleibt. In unseren Projekten ist der Assistent der Grund, warum Vertriebs- und Beratungsteams solche Werkzeuge annehmen – die Hürde, aktiv etwas zu starten, ist im Alltag höher, als sie klingt.
Genauso offensichtlich sind die Fragen, die er aufwirft, und sie sind im deutschsprachigen Raum gewichtiger als im Herkunftsmarkt des Produkts. Ein Assistent, der automatisch in Termine kommt, erzeugt drei Probleme. Erstens die Einwilligung: Externe Gesprächspartner müssen wissen, dass mitgeschnitten wird, und zustimmen können – nicht nachträglich, sondern vor Beginn. Ein Bot, der beim Betreten des Raums schon läuft, macht das schwierig. Zweitens der Kontrollverlust: Wenn der Assistent alle Termine mit Konferenzlink erfasst, erfasst er auch Personalgespräche, Betriebsratsangelegenheiten, Bewerbungsgespräche und Termine, in denen über Krankheiten oder Konflikte gesprochen wird. Drittens die Wahrnehmung: Ein sichtbarer Bot in der Teilnehmerliste verändert das Gespräch – Menschen sagen weniger, formulieren vorsichtiger und stellen unangenehme Fragen später im Zweiergespräch.
Unsere Empfehlung aus Projekten ist deshalb eindeutig und wird gelegentlich als übervorsichtig empfunden: Betreiben Sie den Assistenten nicht im Vollautomatikmodus. Wo die Ebene es zulässt, konfigurieren Sie ihn so, dass er nur Terminen beitritt, die ausdrücklich dafür gekennzeichnet sind – etwa über ein Stichwort im Kalendereintrag oder über eine bewusste Freigabe je Termin. Nehmen Sie Termintypen kategorisch aus: alles mit Personalbezug, alles mit Mitbestimmungsbezug, alles mit besonderen Datenkategorien. Und legen Sie fest, dass bei externen Terminen die einladende Person zu Beginn ausdrücklich auf die Aufzeichnung hinweist und die Zustimmung einholt. Diese drei Regeln kosten nichts und verhindern die Vorfälle, die solche Werkzeuge in Unternehmen wieder abschaffen.
Der zweite Block ist der wirtschaftlich interessanteste. Aus dem Transkript entsteht eine Zusammenfassung – meist in Form einer kurzen Übersicht, einer thematischen Gliederung mit Zeitmarken und einer Liste der besprochenen Punkte. Für die Nachbereitung eines Termins ist das ein echter Zeitgewinn: Wer sonst zwanzig Minuten für ein Protokoll gebraucht hätte, prüft und ergänzt einen Entwurf in fünf.
Wichtig ist die Betonung auf Entwurf. Eine automatische Zusammenfassung leistet drei Dinge gut: Sie gibt wieder, welche Themen behandelt wurden, sie hält Zahlen und Namen fest, die im Gespräch gefallen sind, und sie ordnet den Verlauf. Drei Dinge leistet sie nicht: Sie unterscheidet nicht zwischen einer Idee und einer Entscheidung, sie erkennt keine Ironie und keinen unausgesprochenen Vorbehalt, und sie weiß nicht, welcher Satz der wichtige war. Genau darin liegt die Aufgabe der Menschen im Termin – und die Regel, die sich bewährt hat, lautet: Die Zusammenfassung wird von der Person geprüft und freigegeben, die den Termin geleitet hat, bevor sie verteilt wird. Ohne diese Regel entstehen Protokolle, die niemand verantwortet und auf die sich trotzdem jemand beruft.
Die Erkennung von Aufgaben – häufig als Action Items bezeichnet – filtert aus dem Gespräch Sätze heraus, die eine Handlungszusage enthalten, und listet sie mit vermuteter Zuständigkeit auf. Diese Funktion ist nützlich und gleichzeitig die, bei der wir die meisten Missverständnisse erleben. Sie erkennt gut, was ausdrücklich formuliert wurde: „Ich schicke Ihnen bis Freitag das Angebot.“ Sie erkennt schlecht, was im Raum als selbstverständlich mitschwang, was in einer Rückfrage relativiert wurde und was jemand am Ende beiläufig zurückgenommen hat. Und sie neigt dazu, Zuständigkeiten falsch zuzuordnen, wenn die Sprechererkennung unsicher war.
Für den produktiven Einsatz hat sich ein einfaches Muster bewährt. Die erkannten Aufgaben werden nicht automatisch in Ihr Aufgabenwerkzeug übertragen, sondern als Vorschlagsliste behandelt, die die verantwortliche Person nach dem Termin in zwei Minuten durchgeht: bestätigen, korrigieren, verwerfen. Erst danach wandern sie in das System, in dem Ihr Unternehmen Aufgaben führt. Die vollautomatische Übertragung klingt effizienter und erzeugt in der Praxis eine Aufgabenliste, der niemand vertraut – und eine Aufgabenliste ohne Vertrauen ist wertlos.
Die jüngste Funktionsgruppe ist die interessanteste und die mit den weitreichendsten Folgen. Sie können Fragen in natürlicher Sprache stellen – an ein einzelnes Gespräch, an alle Gespräche eines Kunden oder an das gesamte Archiv. Etwa: Was haben wir diesem Kunden zur Wartung zugesagt? Welche Einwände kommen in unseren Erstgesprächen am häufigsten? Was war der Stand im letzten Abstimmungstermin zu diesem Projekt?
Für Vertrieb, Beratung und Projektleitung ist das der eigentliche Sprung. Wissen, das bisher in den Köpfen einzelner Menschen und in unauffindbaren Notizen lag, wird abfragbar. Wenn eine Mitarbeiterin das Unternehmen verlässt, bleibt zumindest das Gesprochene erschlossen. Und für Muster über viele Gespräche hinweg – wiederkehrende Einwände, häufig gewünschte Funktionen, typische Verzögerungsgründe – liefert die Auswertung Erkenntnisse, die man aus einzelnen Protokollen nicht gewinnt.
Drei Grenzen sollten Sie dabei kennen. Erstens die Belegpflicht: Antworten aus einem Gesprächsarchiv sind nur so verlässlich wie die Transkripte, auf denen sie beruhen, und die Antwort sieht immer sicher aus. Bestehen Sie darauf, dass jede Antwort mit einem Verweis auf die Stelle im Transkript arbeitet, und prüfen Sie bei allem, was Folgen hat, die Originalstelle. Zweitens die Vollständigkeit: Das Archiv kennt nur, was aufgezeichnet wurde. Wenn die Hälfte der Termine ohne Assistent lief, entsteht ein systematisch schiefes Bild – und Entscheidungen auf schiefer Grundlage sind schlechter als Entscheidungen ohne Grundlage, weil sie sich sicher anfühlen. Drittens die Zugriffsfrage: Eine übergreifende Abfrage über alle Gespräche eines Arbeitsbereichs ist ein mächtiges Werkzeug. Wer darf sie stellen? Darf eine Führungskraft fragen, was in den Gesprächen eines Teammitglieds vorkam? Diese Frage ist keine technische, sondern eine der Mitbestimmung.
Zur Sprachqualität gehört an dieser Stelle ein realistischer Hinweis. Nachgelagerte KI-Funktionen arbeiten auf deutschsprachigen Transkripten grundsätzlich, liefern aber nach unserer Erfahrung Ergebnisse, die sprachlich weniger geschliffen und inhaltlich weniger treffsicher ausfallen als auf Englisch. Zusammenfassungen sind verständlich, aber gelegentlich umständlich formuliert; Fachbegriffe aus Fertigung, Handwerk oder Verwaltung werden nicht immer korrekt aufgegriffen; die Zuordnung von Aufgaben zu Personen ist bei deutschsprachigen Höflichkeitsformen und indirekten Formulierungen fehleranfälliger. Für interne Rohentwürfe genügt das häufig. Für alles, was Kunden, Gremien oder Personalakten erreicht, planen Sie eine redaktionelle Durchsicht ein.
Damit sind die drei Funktionsgruppen beschrieben. Bevor Sie eine Entscheidung darauf stützen, gehören fünf Grenzen auf jede Entscheidungsvorlage – sie gelten für alle genannten Funktionen gemeinsam.
Daraus folgt eine Empfehlung, die wir in Einführungen konsequent geben: Klären Sie vor der Freigabe, welche KI-Funktionen aktiv sein sollen, ob sie zentral abschaltbar sind und ob sie auf bestimmte Arbeitsbereiche begrenzt werden können. Diese Steuerungsmöglichkeit ist zweifach wichtig – datenschutzrechtlich, weil Sie bestimmen, welche Inhalte an ein Modell gehen, und praktisch, weil Sie so mit einem Team pilotieren können, statt alle Funktionen gleichzeitig für alle zu öffnen.
Halten Sie schließlich an einem Prinzip fest, das sich in vielen Projekten bewährt hat: Die KI darf mitschreiben und vorschlagen, Menschen entscheiden und geben frei. Solange dieses Prinzip gilt, ist der Einsatz risikoarm und der Nutzen real. Sobald automatische Protokolle ungeprüft in Entscheidungsvorlagen, Kundenkorrespondenz oder Personalunterlagen wandern, kehrt sich das Verhältnis um – und der Zeitgewinn wird durch Korrekturaufwand und Vertrauensverlust mehr als aufgezehrt.
Die konkrete Verfügbarkeit einzelner Anbindungen und ihr Funktionsumfang hängen von der Ebene ab und sollten beim Anbieter verifiziert werden. Bezeichnungen und Umfang der Integrationen ändern sich in dieser Werkzeugkategorie häufig.
Technisch gibt es zwei Beitrittsverfahren, und der Unterschied ist praktisch und rechtlich relevant. Beim sichtbaren Beitritt erscheint der Assistent als eigener Teilnehmer in der Liste. Das ist transparent – alle Beteiligten sehen, dass mitgeschnitten wird – und erzeugt gleichzeitig die Beobachtungswirkung, die Gespräche verändert. Beim lokalen Mitschnitt nimmt eine Anwendung auf dem Gerät des Nutzenden Mikrofon und Systemton auf, ohne dass ein zusätzlicher Teilnehmer sichtbar wird. Das ist unauffälliger und deshalb aus Sicht der Transparenz problematischer: Wenn nicht sichtbar ist, dass aufgezeichnet wird, muss die Ankündigung zwingend mündlich erfolgen. Klären Sie für Ihre Konfiguration, welches Verfahren zum Einsatz kommt, und regeln Sie die Ankündigung entsprechend.
Die Kalenderanbindung ist die zweite Voraussetzung und die datenschutzrechtlich unterschätzte. Damit der Assistent Termine kennt, erhält er Lesezugriff auf den Kalender – und ein Kalender enthält weit mehr als Uhrzeiten: Betreffzeilen, Teilnehmerlisten, Beschreibungen, gelegentlich Vertragsnummern oder Namen von Bewerbenden. Prüfen Sie, welche Berechtigungen die Anbindung verlangt, ob sie auf einzelne Kalender begrenzt werden kann und ob die Auswertung sich auf Termine mit Konferenzlink beschränkt. In unseren Projekten ist dies der Punkt, an dem Datenschutzbeauftragte am häufigsten Nachbesserung fordern – zu Recht.
Ein praktischer Hinweis zur Verankerung: Legen Sie fest, welcher Kalender angebunden wird und wer die Anbindung einrichtet. Wenn jede Person ihren Kalender selbst verbindet, entsteht ein unübersichtlicher Zustand, in dem niemand weiß, welche Termine erfasst werden. Auf der Unternehmensebene sollte die Anbindung Teil der zentralen Einrichtung sein, mit dokumentiertem Umfang.
Die zweite Gruppe entscheidet darüber, ob aus einem Transkript Arbeit wird. Am häufigsten genutzt wird die Anbindung an Chat-Plattformen: Nach dem Termin erscheint die Zusammenfassung samt Verweis auf das Transkript im passenden Kanal, sodass auch Menschen informiert sind, die nicht teilgenommen haben. Das ist eine der wenigen Automatisierungen, die wir vorbehaltlos empfehlen – vorausgesetzt, der Kanal ist bewusst gewählt und die Zusammenfassung wurde vorher freigegeben. Eine automatische Verteilung ungeprüfter Protokolle in offene Kanäle ist dagegen eine der schnellsten Möglichkeiten, ein solches Werkzeug in Verruf zu bringen.
Ebenso wichtig ist die Anbindung an Kundenverwaltungssysteme. Zusammenfassung, Aufgaben und Verweis auf das Gespräch werden dem passenden Datensatz zugeordnet, sodass die Gesprächshistorie eines Kunden vollständig an einem Ort liegt. Für Vertriebsorganisationen ist das der Hauptgrund, Werkzeuge dieser Kategorie einzuführen, weil die Pflege der Kundenakte damit von einer lästigen Nacharbeit zu einem Nebenprodukt wird. Prüfen Sie dabei drei Dinge: welche Systeme direkt unterstützt werden, welche Felder gefüllt werden, und ob Sie steuern können, was übertragen wird – ein vollständiges Wortprotokoll gehört in vielen Fällen nicht in eine Kundenakte, an die viele Menschen Zugriff haben.
Aus der Büroumgebung kommen die alltäglichen Anbindungen: Transkripte und Audiodateien in Dateiablagen wie Dropbox oder Google Drive ablegen, Textdokumente exportieren, Untertiteldateien für Videos erzeugen. Diese Anbindungen sind unspektakulär und in der Praxis viel genutzt – gerade der automatische Export in eine kontrollierte Ablage ist ein wirksames Mittel, um Inhalte langfristig unter eigener Kontrolle zu haben, statt sie ausschließlich beim Anbieter zu belassen. Beachten Sie dabei, dass ein automatischer Export die Datenschutzfrage nicht löst, sondern verdoppelt: Dann liegen Gesprächsinhalte an zwei Orten, und beide brauchen Aufbewahrungsregeln.
Für Aufgaben empfehlen wir, wie im KI-Kapitel beschrieben, den bewussten Zwischenschritt. Eine direkte Anbindung an ein Aufgabenwerkzeug ist technisch reizvoll; wirksam ist sie nur, wenn eine Person die erkannten Aufgaben vorher bestätigt. Richten Sie die Automatisierung deshalb so ein, dass sie nach der Bestätigung greift, nicht davor.
Für Organisationen mit eigenem Entwicklungsbedarf existiert eine Programmierschnittstelle, über die Transkripte und Metadaten ausgelesen und in eigene Systeme übertragen werden können. In der Mittelstandspraxis sehen wir dafür drei sinnvolle Anwendungen: die Übertragung von Transkripten in ein eigenes Archiv unter eigener Kontrolle, die Auswertung von Gesprächsmengen für Berichtszwecke und die Anbindung an ein Fachsystem, für das keine fertige Integration existiert. Prüfen Sie Verfügbarkeit, Umfang und Ebenenbindung der Schnittstelle beim Anbieter.
Bei allen Anbindungen und Erweiterungen gilt eine Sorgfaltspflicht, die in Projekten regelmäßig übersprungen wird. Jede Integration erhält Zugriff auf Gesprächsinhalte, und jede ist ein eigenes Produkt mit eigenem Anbieter, eigenem Verarbeitungsort und eigenem Lebenszyklus. Bei einem Werkzeug, das Kundengespräche enthält, ist das keine Formalität: Eine unbedacht freigegebene Erweiterung kann bedeuten, dass wörtliche Kundenaussagen bei einem dritten Anbieter verarbeitet werden, von dem Ihre Datenschutzdokumentation nichts weiß. Führen Sie deshalb eine kurze Liste der freigegebenen Anbindungen mit Zweck, Datenumfang und Verantwortlichem – und prüfen Sie, ob Ihre Ebene erlaubt, Installationen administrativ zu beschränken.
Ein letzter, praktischer Rat zur Reihenfolge: Starten Sie mit genau einer Integration, die einen sichtbaren Nutzen hat. In den meisten Fällen ist das die Zusammenfassung im Teamkanal oder die Ablage in der Kundenakte. Ergänzen Sie weitere erst, wenn das Werkzeug angenommen ist und die Regeln eingespielt sind. Eine ungenutzte Schnittstelle ist teurer Ballast; eine funktionierende Übergabe der Gesprächsergebnisse ist der Unterschied zwischen einem Archiv und einem Arbeitsmittel.
Eine Beobachtung aus Auswahlprojekten, die uns wichtig erscheint: Die drei genannten Produkte und Otter.ai unterscheiden sich in der Praxis weniger durch Funktionen als durch die Frage, wie gut sie zu einem bestehenden Arbeitsablauf passen. Ein Werkzeug, das jemand zweimal am Tag ohne Nachdenken benutzt, ist mehr wert als ein funktional überlegenes, an das sich niemand erinnert. Führen Sie deshalb keinen Funktionsvergleich, sondern einen Pilotbetrieb mit zwei Produkten und denselben echten Gesprächen über zwei bis drei Wochen.
Unsere Empfehlung für diese Konstellation lautet meist nicht entweder oder, sondern eine geprüfte Reihenfolge: Klären Sie zuerst, was Ihre bestehende Plattform in Ihrer Lizenz heute leistet – das wird regelmäßig unterschätzt, weil die Funktionen leise dazukommen. Führen Sie ein zusätzliches Werkzeug nur dort ein, wo eine konkrete Lücke bleibt, und begrenzen Sie es auf die Gruppe, die diese Lücke hat. Ein spezialisiertes Werkzeug für zwanzig Menschen im Vertrieb ist gut begründbar; dasselbe Werkzeug für alle Beschäftigten ist meist teuer und schwer zu verteidigen.
Dies ist der Abschnitt, auf den es im deutschsprachigen Mittelstand ankommt – und der Abschnitt, in dem wir bewusst keine Zahlen nennen. Genauigkeitsquoten aus Anbietermaterial oder Marktübersichten sind für Ihre Entscheidung ohne Wert, weil sie ohne Angabe der Aufnahmebedingungen, der Sprecherzahl, des Fachvokabulars und der Akustik gemessen wurden. Wir ordnen deshalb qualitativ ein.
Qualitativ gilt: Otter.ai ist ein Produkt aus dem englischsprachigen Markt, dessen Entwicklung erkennbar auf Englisch ausgerichtet ist. Die deutschsprachige Transkription ist vorhanden und liefert nach unserer Erfahrung brauchbare Ergebnisse für gut aufgenommene Gespräche in Standarddeutsch – als Grundlage für eine Nachbereitung, für die Suche nach einer Aussage und für ein internes Protokoll. Sie ist nach unserer Erfahrung nicht auf dem Niveau, das die englischsprachige Erkennung erreicht, und sie wird bei drei Faktoren merklich schwächer: bei ausgeprägter regionaler Aussprache, bei dichtem Fachvokabular aus Fertigung, Handwerk oder Verwaltung und bei mehreren Personen an einem gemeinsamen Mikrofon. Gemischtsprachige Gespräche, in denen zwischen Deutsch und Englisch gewechselt wird – im Mittelstand mit internationalen Kunden alltäglich –, sind für alle Werkzeuge dieser Kategorie schwierig; prüfen Sie das Verhalten ausdrücklich, wenn es Ihren Fall betrifft.
Für die nachgelagerten KI-Funktionen verschärft sich das Bild, weil Fehler sich fortpflanzen. Eine Zusammenfassung eines schwachen deutschsprachigen Transkripts liest sich glatt und ist inhaltlich unzuverlässig. Die Erkennung von Zusagen ist im Deutschen zusätzlich erschwert, weil Verbindlichkeit hier häufig indirekt ausgedrückt wird – „Ich würde sagen, wir schauen mal, ob wir das bis Freitag hinbekommen“ ist eine Zusage, ein Vorbehalt oder eine Absage, je nach Tonfall. Solche Nuancen erkennt kein Modell zuverlässig.
Daraus folgt ein konkretes Prüfvorgehen, das wir jeder Organisation empfehlen und das eine halbe Stunde kostet. Nehmen Sie drei echte eigene Gespräche auf: eines unter guten Bedingungen mit zwei Personen, eines aus einem Besprechungsraum mit vier bis fünf Personen und Freisprechgerät, eines mit hohem Fachvokabular. Lassen Sie Transkript und Zusammenfassung von zwei Personen aus der Fachabteilung beurteilen, und zwar an einer konkreten Frage: Könnten Sie auf dieser Grundlage ein Protokoll verantworten? Testen Sie dasselbe Material mit einem zweiten Produkt. Dieses Vorgehen ist die einzige belastbare Grundlage – und es verhindert die häufigste Enttäuschung in dieser Kategorie, nämlich eine Beschaffung auf Basis einer englischsprachigen Vorführung.
Ein Hinweis zur Alternative, die im DACH-Raum zunehmend geprüft wird: Selbst betriebene Spracherkennung auf Basis offener Modelle – etwa Whisper-basierte Lösungen im eigenen Rechenzentrum – erreicht bei deutschsprachigem Material inzwischen eine Qualität, die für viele Zwecke ausreicht, und sie hat den entscheidenden Vorzug, dass keine Gesprächsinhalte das Haus verlassen. Der Preis ist Betriebsverantwortung und Funktionsverzicht: keine Kalenderanbindung, kein Assistent, keine fertige Teamablage, keine Zusammenfassungen ohne zusätzlichen Aufbau. Für besonders schutzbedürftige Gespräche ist das häufig trotzdem der richtige Weg – wir behandeln diese Option im Datenschutzkapitel ausführlicher.
Das folgende Vorgehen hat sich in Mittelstandsprojekten bewährt. Es beginnt bewusst nicht mit dem Werkzeug, sondern mit der Frage, welche Gespräche überhaupt aufgezeichnet werden dürfen.
Die Kalenderanbindung ist der Punkt, an dem eine Einführung entweder sauber oder dauerhaft angreifbar wird. Technisch ist sie einfach: Der Dienst erhält Lesezugriff auf den Kalender und tritt Terminen mit Konferenzlink bei. Organisatorisch braucht sie drei Festlegungen.
Erstens der Auslöser. Wir empfehlen, den Beitritt nicht als Standard, sondern als bewusste Handlung zu konfigurieren – etwa über ein Stichwort im Titel des Kalendereintrags oder eine Freigabe je Termin. Der Unterschied ist gewaltig: Bei einem Standardbeitritt muss jede Person aktiv verhindern, dass ein Gespräch aufgezeichnet wird, und das wird zuverlässig vergessen. Bei einer bewussten Freigabe muss jemand aktiv entscheiden, dass aufgezeichnet wird – was zugleich dokumentiert, dass die Entscheidung getroffen wurde.
Zweitens der Umfang der Kalenderrechte. Klären Sie, welche Kalender angebunden sind, ob private Kalender ausgenommen sind und welche Kalenderinhalte der Dienst liest. Betreffzeilen und Teilnehmerlisten sind personenbezogene Daten, und ihre Verarbeitung gehört in das Verarbeitungsverzeichnis, auch wenn kein Gespräch aufgezeichnet wird.
Drittens die Ankündigung. Dies ist die wichtigste Betriebsroutine überhaupt, und sie besteht aus zwei Teilen. Vor dem Termin: ein Satz in der Einladung, dass ein Transkriptionsassistent zugeschaltet wird, mit Angabe des Zwecks und der Aufbewahrungsdauer. Zu Beginn des Termins: ein mündlicher Hinweis der einladenden Person mit ausdrücklicher Frage, ob alle Beteiligten einverstanden sind – und der ernst gemeinten Möglichkeit, dass jemand widerspricht. Wenn jemand widerspricht, wird nicht aufgezeichnet. Diese Routine ist nicht Bürokratie, sondern die Grundlage dafür, dass die Aufzeichnung rechtlich tragfähig und im Team akzeptiert ist.
Ein praktischer Hinweis dazu: Schreiben Sie beide Sätze vor und stellen Sie sie den Nutzenden als Textbaustein bereit. In Projekten, in denen die Formulierung jeder Person selbst überlassen wurde, entstanden innerhalb weniger Wochen fünf Varianten, von denen zwei keine Einwilligung einholten, sondern nur informierten. Ein vorgeschriebener Satz kostet nichts und schließt diese Lücke.
Ein Gesprächsarchiv wächst unauffällig und schnell. Nach einem Jahr intensiver Nutzung liegen in einem Vertriebsteam mehrere hundert Transkripte mit wörtlichen Aussagen von Kunden, Kolleginnen und Dritten. Ohne Regeln wird dieser Bestand zu einem Risiko, das mit jedem Monat größer wird – und dessen Aufräumen niemand angeht.
Drei Festlegungen sind nötig. Aufbewahrungsfristen je Anwendungsfall: Ein Erstgespräch im Vertrieb braucht eine andere Frist als eine Anforderungsaufnahme im Projekt oder ein Interview in der Marktforschung. Setzen Sie die Fristen konkret, automatisieren Sie die Löschung, wo Ihre Ebene das erlaubt, und behandeln Sie Audiodateien getrennt: In vielen Fällen ist es sinnvoll, das Transkript länger zu behalten als die Aufnahme, weil die Stimme das eigentlich sensible Datum ist. Rechte: Wer sieht welche Transkripte, wer darf teilen, wer darf übergreifende Abfragen stellen, und – der arbeitsrechtlich heikle Punkt – haben Vorgesetzte Zugriff auf die Gespräche ihrer Mitarbeitenden? Legen Sie das ausdrücklich fest und stimmen Sie es mit der Mitbestimmung ab. Löschung auf Verlangen: Wenn ein Gesprächspartner die Löschung seiner Aufzeichnung verlangt, muss das innerhalb kurzer Zeit möglich und dokumentiert sein. Klären Sie vorab, wer das umsetzt und wie.
Ein Punkt, der in unseren Projekten regelmäßig Überraschung auslöst: die Stimmprofile. Wenn die Sprechererkennung Stimmen wiedererkennt, liegt dahinter eine Repräsentation der Stimme. Ob und in welcher Form solche Profile gespeichert werden, wie lange und wie sie gelöscht werden, sollten Sie beim Anbieter ausdrücklich erfragen – und in der Bewertung berücksichtigen, dass die Rechtsauffassungen zur Einordnung von Stimmmerkmalen nicht einheitlich sind. Behandeln Sie diesen Punkt vorsichtig und ziehen Sie Ihre Datenschutzbeauftragten hinzu.
Der laufende Betrieb umfasst fünf Aufgaben, die einer benannten Rolle zugeordnet sein sollten – in der Regel einer Person in der IT gemeinsam mit einer fachlichen Ansprechperson.
Zur Befähigung eine Empfehlung, die von der üblichen Schulungspraxis abweicht. Die Bedienung eines Transkriptionswerkzeugs lernt man in fünfzehn Minuten – Schulungen dazu sind Zeitverschwendung. Was Menschen brauchen, ist etwas anderes: die Sicherheit, in welchen Gesprächen sie das Werkzeug einsetzen dürfen, die richtige Formulierung für die Ankündigung, ein Gefühl dafür, wie zuverlässig die Ergebnisse sind, und die Klarheit, dass sie für das freigegebene Protokoll verantwortlich bleiben. Ein halbstündiger Termin mit diesen vier Punkten und zwei echten Beispielen wirkt mehr als jede Produktschulung.
Für die Verwaltung gilt schließlich eine organisatorische Regel, die wir jeder Organisation empfehlen: Auch ein Werkzeug, das per Kreditkarte in fünf Minuten eingeführt werden kann, braucht einen benannten Eigentümer. Ohne ihn entstehen parallele Konten in verschiedenen Abteilungen, jedes mit eigener Rechnung, eigenen Freigaben und eigenen Gewohnheiten – und mit Kundengesprächen in privaten Konten, auf die das Unternehmen keinen Zugriff hat. Wenn in Ihrem Haus schon einzelne Personen eigenständig gestartet sind, ist die Konsolidierung auf einen Vertrag mit zentraler Verwaltung der erste sinnvolle Schritt, noch vor jeder Funktionsdiskussion.
Wichtig ist die Reihenfolge: Wählen Sie ein Szenario, führen Sie es sauber ein, und ergänzen Sie das zweite erst, wenn das erste läuft. Der häufigste Einführungsfehler in dieser Kategorie ist die gleichzeitige Freigabe für alle Anwendungsfälle – weil dann niemand mehr sagen kann, ob der Nutzen eingetreten ist, und weil die Verbotszonen im Alltag verschwimmen.
Der Vertrieb ist der Bereich, in dem Werkzeuge dieser Kategorie am schnellsten angenommen werden, und der Grund ist einfach: Die Nacharbeit eines Kundengesprächs ist unbeliebt, zeitaufwendig und wird deshalb häufig verkürzt. Ein Transkript mit Zusammenfassung verändert das Verhältnis – aus zwanzig Minuten Erinnerungsarbeit werden fünf Minuten Prüfarbeit, und die Kundenakte ist vollständiger als vorher. In Organisationen mit mehreren Vertriebsmitarbeitenden kommt ein zweiter Effekt hinzu, der oft unterschätzt wird: Neue Kolleginnen und Kollegen können echte Gespräche nachlesen, statt sich Verkaufsargumente erzählen zu lassen.
Drei Regeln haben sich für diesen Anwendungsfall bewährt. Erstens die Ankündigung als fester Bestandteil des Gesprächseinstiegs, nicht als nachgeschobene Bemerkung. Ein Satz genügt: „Wir zeichnen dieses Gespräch zur internen Nachbereitung auf – sind Sie damit einverstanden?“ Erfahrungsgemäß stimmen die meisten Gesprächspartner zu, wenn der Zweck klar ist – und wer nicht zustimmt, hätte sonst ein unangenehmes Gefühl gehabt, ohne es zu äußern. Zweitens die Trennung zwischen Transkript und Kundenakte: In die Akte gehört die geprüfte Zusammenfassung mit den Zusagen, nicht das vollständige Wortprotokoll. Drittens die Aufbewahrungsfrist: Ein Erstgespräch, das zu keinem Auftrag geführt hat, braucht kein Archiv über Jahre.
Bei Projekt- und Abstimmungsterminen liegt der Nutzen etwas anders. Hier ist der Zeitgewinn geringer, weil ein gutes Projektprotokoll ohnehin kurz ist – aber die Qualität steigt, weil niemand mehr mitschreiben muss und deshalb alle zuhören. Für Termine mit Lieferanten und Dienstleistern kommt ein zweiter Nutzen hinzu: Zusagen sind nachvollziehbar. Achten Sie hier besonders darauf, dass der Protokollentwurf von der Projektleitung geprüft und freigegeben wird, bevor er verteilt wird. Ein automatisch verteiltes Protokoll, das eine Zusage falsch wiedergibt, erzeugt genau den Konflikt, den es verhindern sollte – und in Vertragsbeziehungen kann das teuer werden.
Ein Hinweis zur Erwartungssteuerung, der in unseren Projekten wichtig geworden ist: Rechnen Sie damit, dass Gespräche sich in den ersten Wochen verändern. Menschen formulieren vorsichtiger, wenn sie wissen, dass mitgeschnitten wird, und offene Konfliktpunkte wandern in Zweiergespräche ohne Assistent. Das ist kein Fehler des Werkzeugs, sondern eine vorhersehbare Reaktion. Sprechen Sie sie im Team offen an, statt sie zu ignorieren – und ziehen Sie daraus die richtige Schlussfolgerung: Nicht jedes Gespräch gehört aufgezeichnet.
Der stärkste, am wenigsten diskutierte Anwendungsfall ist die Auswertung von Interviews. Überall dort, wo Gespräche als Datenquelle dienen – Kundeninterviews in der Produktentwicklung, Prozessbefragungen in der Organisationsentwicklung, Bewerbungsgespräche in strukturierten Verfahren, Erhebungen in der Marktforschung –, ist die Verschriftlichung bisher der teuerste Arbeitsschritt gewesen. Wer schon einmal ein einstündiges Interview manuell transkribiert hat, kennt das Verhältnis: mehrere Stunden Arbeit für eine Stunde Gespräch.
Hier verschiebt automatische Transkription die Wirtschaftlichkeit deutlich. Aus einem Arbeitsschritt, den man sich sorgfältig überlegt, wird ein Nebenprodukt. Das ändert die Methodik: Wenn zwanzig Interviews genauso auswertbar sind wie fünf, führt man zwanzig. Und mit der übergreifenden Abfrage lassen sich Muster über alle Gespräche hinweg finden, die in Einzelauswertungen untergehen – wiederkehrende Einwände, häufig genannte Hindernisse, gemeinsame Formulierungen.
Zwei Einschränkungen gehören dazu. Erstens: Für wissenschaftlich belastbare Auswertungen reicht ein automatisches Transkript nicht ohne Korrektur; wer zitiert, muss die Stelle im Original prüfen. Zweitens: Bei Bewerbungsgesprächen ist besondere Zurückhaltung geboten. Eine Aufzeichnung von Bewerbungsgesprächen berührt sensible Fragen der Bewerberauswahl, der Einwilligungsfreiwilligkeit in einer Situation mit Machtgefälle und der Aufbewahrung. Wir raten in der Regel davon ab und behandeln Bewerbungsgespräche in unseren Einführungen als Verbotszone.
Ein Nebeneffekt, der in Mittelstandsprojekten immer wieder auftaucht: die Erschließung vorhandener Bestände. In vielen Unternehmen liegen Aufzeichnungen von Schulungen, Fachvorträgen, Kundenveranstaltungen und internen Informationsterminen, die niemand mehr ansieht, weil das Suchen zu mühsam ist. Werden diese Dateien nachträglich verschriftet, entsteht daraus ein durchsuchbarer Bestand – und häufig zeigt sich erst dann, wie viel brauchbares Wissen dort lag. Prüfen Sie vor einem solchen Vorhaben allerdings, ob die damaligen Einwilligungen eine spätere Verschriftlichung und Auswertung abdecken. Häufig tun sie das nicht.
Der Anwendungsfall, der in Wirtschaftlichkeitsrechnungen nie auftaucht und für die Betroffenen den größten Unterschied macht, ist die Barrierefreiheit. Live-Transkription ermöglicht Menschen mit Hörbeeinträchtigung die Teilnahme an Besprechungen ohne Dolmetschung. Sie hilft Beteiligten, die in einer Fremdsprache arbeiten und beim Mitlesen mehr verstehen als beim Zuhören. Sie unterstützt Menschen mit Konzentrationsschwierigkeiten, die den Faden verlieren und ihn im Text wiederfinden. Und sie erlaubt es, in lauten Umgebungen – Fertigung, Baustelle, unterwegs – einem Gespräch zu folgen.
Aus Transkripten lassen sich außerdem Untertiteldateien für aufgezeichnete Videos erzeugen. Für Unternehmen, die Schulungsvideos, Produktvorstellungen oder interne Informationsformate produzieren, senkt das die Hürde für barrierefreie Angebote erheblich – ein Punkt, der angesichts der steigenden Anforderungen an digitale Barrierefreiheit auch strategisch relevant wird. Beachten Sie dabei, dass automatisch erzeugte Untertitel eine redaktionelle Durchsicht brauchen, insbesondere bei Fachbegriffen und Eigennamen; für öffentlich zugängliche Angebote ist eine ungeprüfte Fassung nicht ausreichend.
Ein Hinweis zur Einordnung, der uns wichtig ist: Wenn Barrierefreiheit ein wesentlicher Beweggrund für die Einführung ist, sollten Sie die deutschsprachige Erkennungsqualität besonders gründlich prüfen. Ein Untertitel, der drei von zwanzig Wörtern falsch wiedergibt, ist für jemanden, der auf das Mitlesen angewiesen ist, nicht hilfreich, sondern anstrengend – und im schlechtesten Fall irreführend. Beziehen Sie deshalb betroffene Personen in die Bewertung ein, statt die Qualität von außen zu beurteilen. Das ist der wirksamste Test, den es für diesen Anwendungsfall gibt.
Abschließend eine Beobachtung aus mehreren Einführungen: Der Barrierefreiheitsnutzen wird häufig erst nachträglich entdeckt, wenn ein Werkzeug aus anderen Gründen eingeführt wurde. Das ist eine verschenkte Gelegenheit, denn dieser Nutzen ist der einzige in dieser Kategorie, der sich schwer bestreiten lässt, und er verändert die Diskussion mit der Mitbestimmung spürbar – weil ein Werkzeug, das Teilhabe ermöglicht, anders bewertet wird als eines, das nur Protokolle spart. Nennen Sie ihn deshalb von Anfang an, wenn er für Sie zutrifft.
Zunächst zu den Kosten. Die Gesamtkosten setzen sich aus fünf Blöcken zusammen, von denen nur der erste auf einem Angebot steht.
Diesen Kosten steht ein Nutzen gegenüber, der sich benennen lässt: geringere Nacharbeit nach Gesprächen, vollständigere Kundenakten, auffindbare Zusagen, schnellere Auswertung von Interviews, bessere Einarbeitung neuer Mitarbeitender und ein realer Beitrag zur Barrierefreiheit. Wir empfehlen, diese Nutzenerwartung vor der Einführung schriftlich zu fixieren – mit zwei oder drei einfachen Messpunkten wie der Zeit für die Nachbereitung eines Gesprächs oder der Vollständigkeit der Kundenakte –, damit nach zwölf Monaten überprüfbar ist, ob sie eingetreten ist.
Die datenschutzrechtliche Ausgangslage ist bei einem US-amerikanischen Anbieter strukturell anspruchsvoller als bei einem europäischen, und bei Gesprächsaufzeichnungen wiegt das schwerer als bei anderer Software. Vier Punkte sind zu klären.
Erstens der Verarbeitungsort. Bei Otter.ai ist die Verarbeitung in den Vereinigten Staaten der Regelfall. Ob eine europäische Datenresidenz angeboten wird, ab welcher Vertragsebene und ob sie sich auf alle Funktionen erstreckt – einschließlich der KI-Funktionen, der Sicherungen, der Protokolle und des Supports –, ist beim Anbieter zu prüfen und schriftlich bestätigen zu lassen. Verlassen Sie sich hier nicht auf allgemeine Aussagen über Rechenzentren in Europa: Die Frage lautet nicht, ob der Anbieter irgendwo in Europa Infrastruktur betreibt, sondern ob Ihre Inhalte dort verarbeitet und gespeichert werden.
Zweitens die Transfergrundlage. Verlassen Daten das EU-Gebiet, brauchen Sie eine tragfähige Grundlage. In Betracht kommen die Zertifizierung des Anbieters nach dem EU-U.S. Data Privacy Framework – deren Bestand Sie in der offiziellen Liste nachprüfen sollten, weil eine Zertifizierung entfallen oder ausgesetzt werden kann – sowie Standardvertragsklauseln, ergänzt um eine dokumentierte Abschätzung der Übermittlungsfolgen. Beachten Sie dabei, dass die Belastbarkeit von Angemessenheitsbeschlüssen in der Vergangenheit mehrfach Gegenstand gerichtlicher Auseinandersetzungen war; eine Bewertung, die sich allein darauf stützt, ist entsprechend zu dokumentieren und regelmäßig zu überprüfen.
Drittens die Kette der Verarbeiter. Ein Meeting-Assistent verarbeitet nicht nur beim Anbieter. Für die Spracherkennung, für Zusammenfassungen und für Abfragefunktionen können weitere Anbieter beteiligt sein – Modellanbieter, Infrastrukturanbieter, Anbieter der Konferenzintegration. Fordern Sie die Liste der Unterauftragsverarbeiter an, prüfen Sie Standort und Zweck jedes Eintrags, und lassen Sie sich zusagen, dass Sie über Änderungen informiert werden und widersprechen können. Bei Gesprächsinhalten ist diese Prüfung keine Formalie.
Viertens die Frage des Modelltrainings. Dies ist der Punkt, den Datenschutzbeauftragte in unseren Projekten am häufigsten zuerst stellen und der am seltensten sauber beantwortet wird. Werden Ihre Aufnahmen, Transkripte und Eingaben zur Verbesserung allgemeiner Modelle genutzt? Gibt es einen Unterschied zwischen kostenloser und bezahlter Nutzung? Lässt sich eine Nutzung vertraglich ausschließen, und gilt der Ausschluss auch für Unterauftragsverarbeiter? Verlassen Sie sich nicht auf eine Aussage auf einer Produktseite, sondern lassen Sie sich die Zusage im Vertrag oder in den Auftragsverarbeitungsanlagen geben. Wenn ein Anbieter das nicht schriftlich zusagt, ist das eine Antwort für sich.
Dieser Abschnitt betrifft den Punkt, an dem Transkriptionswerkzeuge sich von jeder anderen Software unterscheiden: Es geht um die Aufzeichnung des gesprochenen Wortes, und dafür gelten in Deutschland eigene Regeln, die über das Datenschutzrecht hinausgehen.
Das allgemeine Persönlichkeitsrecht umfasst nach ständiger Rechtsprechung auch das Recht am eigenen gesprochenen Wort: Jede Person entscheidet grundsätzlich selbst, ob ihre Äußerungen aufgezeichnet und wem sie zugänglich gemacht werden. Eine Aufzeichnung ohne Kenntnis und Zustimmung greift in dieses Recht ein – unabhängig davon, ob der Inhalt vertraulich ist. Das gilt für interne Besprechungen ebenso wie für Kundengespräche.
Strafrechtlich flankiert wird das durch § 201 StGB (Verletzung der Vertraulichkeit des Wortes). Danach ist das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes eines anderen auf einen Tonträger strafbewehrt, ebenso der Gebrauch oder das Zugänglichmachen einer solchen Aufnahme. Nichtöffentlich ist ein Gespräch bereits dann, wenn es nicht für einen unbestimmten Personenkreis bestimmt ist – eine Besprechung mit fünf Personen ist nichtöffentlich. Entscheidend ist das Merkmal unbefugt: Mit einer wirksamen Einwilligung aller Beteiligten ist die Aufnahme befugt. Ohne sie ist sie es nicht, und daran ändert auch ein berechtigtes betriebliches Interesse nichts. Wir betonen diesen Punkt, weil er in der Praxis unterschätzt wird: Ein heimlicher Mitschnitt eines Kundengesprächs ist keine Datenschutzfrage, die man später mit einem Vertrag heilt.
Daraus folgt eine schlichte, aber nicht verhandelbare Betriebsregel: Vor jeder Aufzeichnung wird angekündigt und die Zustimmung eingeholt. Konkret heißt das drei Dinge. Erstens einen Hinweis in der Termineinladung, damit niemand überrascht wird. Zweitens eine mündliche Ankündigung zu Beginn mit Zweck, Aufbewahrungsdauer und der ausdrücklichen Frage nach dem Einverständnis. Drittens – und das ist der Teil, der ernst gemeint sein muss – die tatsächliche Möglichkeit zu widersprechen, mit der Konsequenz, dass dann nicht aufgezeichnet wird. Eine Einwilligung, die praktisch nicht verweigert werden kann, ist keine.
Ein besonderes Augenmerk verdient die Einwilligung von Beschäftigten. Wegen des Über- und Unterordnungsverhältnisses ist die Freiwilligkeit einer Einwilligung im Arbeitsverhältnis rechtlich problematisch. In der Praxis stützt man die Verarbeitung im Beschäftigungskontext deshalb selten allein auf Einwilligung, sondern arbeitet mit einer Betriebsvereinbarung als Grundlage und Rahmen. Das ist der übliche und tragfähigere Weg – und ein weiterer Grund, die Mitbestimmung früh einzubeziehen.
Ergänzend ist das TDDDG im Blick zu behalten. Es regelt unter anderem den Schutz der Endeinrichtung: Das Speichern von Informationen auf Endgeräten und der Zugriff darauf bedürfen grundsätzlich einer Einwilligung, soweit keine Ausnahme greift. Für Anwendungen, die lokal auf dem Gerät aufzeichnen, Browser-Erweiterungen einsetzen oder auf Systemton und Mikrofon zugreifen, ist die Einordnung im Einzelfall zu prüfen. Ebenso relevant bleibt der Grundsatz des Fernmeldegeheimnisses in Konstellationen, in denen Kommunikationsinhalte betroffen sind. Beides ist fachlich zu bewerten und gehört auf die Liste der Punkte, die Sie mit Ihren Datenschutzbeauftragten klären, bevor Sie den Assistenten scharf schalten.
Nach § 87 Abs. 1 Nr. 6 BetrVG hat der Betriebsrat mitzubestimmen bei der Einführung und Anwendung technischer Einrichtungen, die dazu bestimmt sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen. Nach der Rechtsprechung genügt es, dass eine Einrichtung objektiv zur Überwachung geeignet ist – eine Überwachungsabsicht ist nicht erforderlich. Ein Werkzeug, das Gespräche aufzeichnet, Sprechende identifiziert, Redeanteile sichtbar macht, Zusagen einzelnen Personen zuordnet und übergreifende Abfragen über alle Gespräche erlaubt, erfüllt dieses Merkmal ohne Weiteres. Die Mitbestimmung ist damit nicht eine Frage der Höflichkeit, sondern eine der Rechtmäßigkeit der Einführung.
Praktisch bewährt hat sich, den Betriebsrat nicht am Ende der Auswahl, sondern zu Beginn einzubeziehen – idealerweise bei der Festlegung der Anwendungsfälle und Verbotszonen. Eine tragfähige Betriebsvereinbarung regelt typischerweise: für welche Gesprächsarten das Werkzeug eingesetzt werden darf und für welche ausdrücklich nicht, wie die Ankündigung erfolgt, wer Zugriff auf Transkripte hat und wer nicht, dass personenbezogene Leistungsauswertungen ausgeschlossen sind, welche Aufbewahrungsfristen gelten, wie Löschungen erfolgen und wie mit Verstößen umgegangen wird. Ergänzend ist die Frage zu klären, ob Auswertungen auf aggregierter Ebene zulässig sein sollen und in welcher Granularität.
Ein Hinweis zur Datenschutz-Folgenabschätzung: Bei systematischer Aufzeichnung und automatisierter Auswertung von Gesprächen, insbesondere unter Beteiligung von Beschäftigten und Dritten, liegt die Durchführung einer Folgenabschätzung nach Artikel 35 DSGVO nahe. Ob sie im konkreten Fall verpflichtend ist, hängt vom Umfang, den Datenkategorien und der Eingriffstiefe ab; die Bewertung gehört zu den Datenschutzbeauftragten. Unsere Empfehlung aus der Praxis lautet, sie im Zweifel durchzuführen – sie erzwingt genau die Klärungen, die ohnehin nötig sind, und sie ist das Dokument, das später zeigt, dass sorgfältig entschieden wurde.
Sieben Punkte gehören abschließend in jede Einführung. Erstens der Auftragsverarbeitungsvertrag mit allen Anlagen, abgeschlossen vor der ersten Aufzeichnung, samt Bewertung des Drittlandtransfers und Dokumentation im Verarbeitungsverzeichnis. Zweitens die schriftliche Zusage zum Ausschluss der Nutzung Ihrer Inhalte für Modelltraining, einschließlich der Unterauftragsverarbeiter. Drittens ein Einwilligungsverfahren für externe Beteiligte mit vorformulierten Textbausteinen und einer echten Widerspruchsmöglichkeit. Viertens eine Liste der Gesprächsarten, die niemals aufgezeichnet werden. Fünftens Aufbewahrungsfristen je Anwendungsfall, getrennt für Transkript und Audiodatei, mit automatisierter Löschung, wo möglich. Sechstens ein Rechte- und Freigabekonzept einschließlich der Frage, wer übergreifende Abfragen stellen darf. Siebtens die Betriebsvereinbarung mit dem Betriebsrat, abgeschlossen vor dem Rollout.
Diese sieben Punkte lassen sich in überschaubarem Umfang abbilden, wenn sie zu Projektbeginn angegangen werden. Nachträglich sind sie deutlich aufwendiger, weil dann bereits Aufzeichnungen existieren, deren Rechtsgrundlage unklar ist – und in dieser Lage bleibt oft nur die Löschung des Bestands. Der häufigste Fehler bei Meeting-Assistenten ist nicht die falsche Produktwahl, sondern der Start ohne Regeln, meist weil ein einzelner Mensch das Werkzeug ausprobiert hat und es sich still verbreitete.
