Wissensdatenbank · Voice & Conversational AI · Framework

Rasa – Conversational AI mit voller Kontrolle über Daten und Dialoglogik.

Rasa ist ein Framework und eine Plattform für Chat- und Sprachassistenten, die sich vollständig in der eigenen Infrastruktur betreiben lassen. Mit dem CALM-Ansatz verbindet Rasa das Sprachverständnis großer Sprachmodelle mit fest definierter Geschäftslogik. Für Unternehmen, die Datenhoheit, Nachvollziehbarkeit und technische Tiefe über schnelle Klick-Oberflächen stellen, ist Rasa eine der ernsthaftesten Optionen am Markt – mit klaren Anforderungen an Entwickler-Know-how und Betrieb.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

26 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Rasa
Rasa Technologies · gegründet in Berlin (Rechtsträger prüfen)
Typ
Conversational-AI-Framework & Plattform
Editionen
Open Source, Rasa Pro, Rasa Studio
Dialogansatz
CALM: LLM-Verständnis plus feste Flows
Betrieb
Self-Hosting, Container, Kubernetes
Datenhoheit
Sehr hoch – eigene Infrastruktur möglich
Hauptwettbewerb
Cognigy, Parloa, Voiceflow, Agent-Frameworks
INAGRO Eignung Mittelstand mit eigener Entwicklung
★★★★★
Kapitel 01 · Überblick

Was ist Rasa – und warum ist es anders?

Rasa ist ein Software-Framework und eine darauf aufbauende Plattform, mit der Unternehmen eigene Chat- und Sprachassistenten entwickeln, testen und betreiben. Das Unternehmen wurde in Berlin gegründet und hat sich früh mit einem Open-Source-Kern einen Namen gemacht. Der wichtigste Unterschied zu vielen Wettbewerbern: Rasa ist kein reiner Cloud-Dienst, sondern lässt sich vollständig in der eigenen Infrastruktur betreiben – inklusive Sprachmodell, wenn gewünscht.

Wer heute über Conversational AI spricht, denkt oft zuerst an generative Chatbots, die frei formulierte Antworten erzeugen. Rasa verfolgt einen anderen Weg. Die Plattform trennt konsequent zwischen dem Verstehen einer Nutzeräußerung und der Ausführung von Geschäftslogik. Das Sprachverständnis darf flexibel, robust und gerne LLM-gestützt sein. Die Prozesse dahinter – eine Adressänderung, eine Terminbuchung, eine Schadensmeldung – laufen dagegen nach klar definierten, prüfbaren Regeln ab. Genau diese Trennung macht Rasa für regulierte Branchen, für Unternehmen mit strengen Compliance-Anforderungen und für Teams interessant, die sich nicht auf die Launen eines Sprachmodells verlassen wollen.
Drei Eigenschaften prägen Rasa:
  • Entwicklerzentriert statt Klick-Baukasten – Rasa-Assistenten werden im Kern als Code und Konfiguration beschrieben, versioniert und getestet wie jede andere Software. Eine grafische Oberfläche (Rasa Studio) existiert, ersetzt aber nicht das technische Fundament. Das verlangt Entwickler-Know-how, schafft dafür aber Transparenz und Kontrolle.
  • Datenhoheit durch Self-Hosting – Rasa läuft auf eigenen Servern, in der eigenen Cloud-Umgebung oder bei einem europäischen Hoster. Gesprächsdaten, Trainingsdaten und Protokolle müssen das eigene Rechenzentrum nicht verlassen, sofern auch die genutzten Sprachmodelle selbst betrieben werden.
  • Kontrollierte LLM-Nutzung mit CALM – Mit dem Ansatz „Conversational AI with Language Models“ nutzt Rasa Sprachmodelle gezielt für das Verstehen und Steuern des Dialogs, hält die Geschäftslogik aber deterministisch. Das reduziert das Risiko erfundener Antworten und macht das Verhalten des Assistenten nachvollziehbar.

Von der Berliner Open-Source-Idee zur Enterprise-Plattform

Rasa entstand aus der Beobachtung, dass viele frühe Chatbot-Plattformen Unternehmen in proprietäre Cloud-Dienste zwangen, deren Logik sich kaum nachvollziehen ließ. Der Open-Source-Kern setzte dem ein offenes, lokal betreibbares Framework entgegen und fand schnell eine breite Entwickler-Community. Über die Jahre hat sich Rasa vom reinen Framework zu einer kommerziellen Plattform mit Enterprise-Funktionen weiterentwickelt. Das Unternehmen ist heute international aufgestellt; wo genau der Unternehmenssitz liegt und welcher Rechtsträger im Vertrag steht, sollte im Rahmen der Beschaffung beim Anbieter geprüft werden – das ist für Vertragsrecht, Auftragsverarbeitung und Drittlandfragen relevant.
Für die Praxis bedeutet diese Entwicklung: Rasa ist kein Hobby-Projekt mehr, sondern eine Plattform, die in Banken, Versicherungen, Telekommunikation und im öffentlichen Umfeld eingesetzt wird. Gleichzeitig haben sich Lizenzmodell und Schwerpunkt der Weiterentwicklung verschoben – die Neuerungen rund um CALM sind vor allem in der kommerziellen Edition zu Hause. Wer Rasa heute bewertet, sollte daher nicht auf Basis älterer Blogartikel oder Tutorials entscheiden, sondern den aktuellen Stand direkt beim Anbieter klären.

Für wen Rasa gedacht ist

Rasa adressiert Organisationen, die Conversational AI als strategische Fähigkeit begreifen und bereit sind, dafür eigene Kompetenz aufzubauen. Typisch sind Unternehmen mit eigener Softwareentwicklung, mit einer DevOps-Kultur und mit Anforderungen, die über einfache FAQ-Bots hinausgehen: mehrstufige Prozesse, Anbindung an Kernsysteme, mehrere Kanäle und Sprachen, strenge Datenschutzvorgaben. Für ein kleines Team, das in zwei Wochen einen Website-Chatbot live bringen möchte, ist Rasa dagegen meist überdimensioniert.
INAGRO-Einschätzung

Rasa ist die richtige Wahl, wenn Kontrolle, Datenhoheit und Nachvollziehbarkeit wichtiger sind als die schnellste Time-to-Market. Es ist ein Werkzeug für Teams, die Software bauen – nicht für Fachabteilungen, die ohne IT-Unterstützung einen Bot zusammenklicken wollen. Wer diese Voraussetzung erfüllt, bekommt eine der flexibelsten und souveränsten Plattformen im Markt. Wer sie nicht erfüllt, ist mit einer gemanagten Plattform wie Cognigy oder Parloa oder einem Low-Code-Werkzeug wie Voiceflow oft besser bedient.

Kapitel 02 · Editionen & Positionierung

Die Editionen von Rasa und ihre Positionierung

Rasa besteht aus mehreren Bausteinen, die sich in Lizenz, Funktionsumfang und Zielgruppe deutlich unterscheiden. Wer die Abgrenzung zwischen Open-Source-Kern, kommerzieller Pro-Edition und der grafischen Oberfläche Studio versteht, vermeidet Fehlplanungen bei Architektur und Budget. Konkrete Lizenzbedingungen ändern sich – sie sind immer beim Anbieter zu prüfen.

Rasa Open Source
Open Source

Der historische Kern: klassisches NLU mit Intents und Entitäten, Dialogsteuerung über Stories und Regeln, Kanal-Konnektoren und Action-Server. Frei nutzbar, aber nicht der Ort, an dem die neuesten LLM-Funktionen entstehen.

LizenzOpen Source (prüfen)
DialogansatzIntents, Stories, Rules
StärkeOffenheit, Lernbasis
ZielgruppeEntwickler, Bestandsprojekte
Rasa Pro
Kernplattform

Die kommerzielle Engine mit CALM, LLM-gestützter Dialogsteuerung, Enterprise-Sicherheitsfunktionen, erweiterten Tests, Voice-Kanälen und Betriebswerkzeugen. Hier liegt heute der Schwerpunkt der Weiterentwicklung.

LizenzKommerziell (prüfen)
DialogansatzCALM, Flows
StärkeLLM plus Kontrolle
ZielgruppeProduktive Assistenten
Rasa Studio
No-/Low-Code

Grafische Oberfläche, in der Fachanwender und Conversation Designer Flows modellieren, Antworten pflegen, Gespräche auswerten und Inhalte gemeinsam mit Entwicklern weiterentwickeln. Setzt auf Rasa Pro auf.

LizenzKommerziell (prüfen)
BasisRasa Pro
StärkeZusammenarbeit
ZielgruppeFachbereich & Design
Entwickler- & Testzugang
Einstieg

Rasa stellt nach unseren Beobachtungen Zugänge bereit, mit denen Entwickler die Pro-Funktionen kennenlernen und Prototypen bauen können – mit Nutzungsgrenzen. Art, Umfang und Bedingungen eines solchen Zugangs unbedingt aktuell beim Anbieter prüfen.

LizenzEingeschränkt (prüfen)
ZweckEvaluation, Prototyp
StärkeNiedrige Einstiegshürde
ZielgruppeEntwicklerteams

Open Source und Pro: zwei Generationen der Dialogsteuerung

Der wichtigste Unterschied zwischen den Editionen ist nicht kosmetisch, sondern konzeptionell. Rasa Open Source steht für die klassische Generation von Chatbots: Ein NLU-Modell ordnet jede Nutzeräußerung einem vordefinierten Intent zu, extrahiert Entitäten wie Datum oder Kundennummer, und ein trainiertes Dialogmodell entscheidet anhand von Beispielgesprächen (Stories) und Regeln, was als Nächstes passiert. Das funktioniert, erfordert aber viele Trainingsbeispiele und stößt bei unerwarteten Formulierungen, Themenwechseln und Rückfragen schnell an Grenzen.
Rasa Pro bringt mit CALM die zweite Generation: Statt jede Äußerung in ein starres Intent-Raster zu pressen, interpretiert ein Sprachmodell die Nachricht im Gesprächskontext und übersetzt sie in Befehle an eine deterministische Dialog-Engine. Beide Welten lassen sich in Rasa Pro kombinieren, was Migrationen bestehender Projekte erleichtert. Für Neuprojekte ist in den meisten Fällen der CALM-basierte Weg sinnvoller. Wer heute noch mit einem reinen Open-Source-Projekt plant, sollte bewusst prüfen, wie aktiv die Open-Source-Version weiterentwickelt und gepflegt wird – das ist beim Anbieter und in den öffentlichen Repositories nachzuvollziehen.

Positionierung im Markt: Plattform für Builder

Rasa positioniert sich bewusst als Plattform für Teams, die Conversational AI als eigene Software verstehen. Im Gegensatz zu gemanagten Enterprise-Plattformen, die vieles vorkonfiguriert und als Service liefern, gibt Rasa die Bausteine an die Hand und überlässt Architektur, Hosting und Integration weitgehend dem Kunden. Das ist ein klares Profil mit klaren Konsequenzen: maximale Freiheit, aber auch maximale Eigenverantwortung.
Zum Lizenzmodell lässt sich qualitativ sagen, dass die kommerziellen Editionen typischerweise über Verträge mit volumen- und funktionsabhängigen Komponenten abgerechnet werden – etwa nach Gesprächsvolumen, Umgebungen oder Supportlevel. Wie das Modell zum Zeitpunkt der Entscheidung konkret aussieht, ob es Mindestlaufzeiten gibt und welche Funktionen in welcher Stufe enthalten sind, ist vor jeder Planung beim Anbieter zu klären. Eigene Preise nennen wir bewusst nicht.
Lizenz vor Architektur klären

Viele Tutorials im Netz beziehen sich noch auf Rasa Open Source und den Intent-basierten Ansatz. Wer darauf ein Projekt aufsetzt und später die CALM-Funktionen braucht, steht vor einem Lizenz- und Umbauthema. Klären Sie zu Beginn, welche Edition Sie produktiv nutzen wollen, welche Bedingungen dafür gelten und ob der geplante Funktionsumfang in dieser Edition tatsächlich enthalten ist.

Kapitel 03 · Funktionsumfang

Funktionsumfang und Kernfähigkeiten

Unter der Haube besteht ein Rasa-Assistent aus wenigen, klar getrennten Bausteinen: dem Sprachverständnis, der Dialogsteuerung, den Geschäftsprozessen in Form von Flows, den Aktionen zur Anbindung von Backend-Systemen und den Antwortvorlagen. Wer diese Bausteine kennt, versteht auch, warum Rasa so gut testbar und erweiterbar ist.

Flows: Geschäftsprozesse als prüfbare Schritte

Im CALM-Ansatz sind Flows das zentrale Gestaltungselement. Ein Flow beschreibt einen Geschäftsprozess als Abfolge von Schritten: Informationen abfragen, Aktionen ausführen, Bedingungen prüfen, verzweigen, an andere Flows übergeben. Ein Flow „Adresse ändern“ fragt etwa die neue Straße, Postleitzahl und den Ort ab, validiert die Eingaben, ruft eine Aktion zur Aktualisierung im Kundensystem auf und bestätigt das Ergebnis. Flows werden in einer strukturierten Beschreibungssprache definiert oder in Rasa Studio grafisch modelliert.
Der Vorteil dieser Struktur zeigt sich im Betrieb. Fachabteilung, Entwicklung und Datenschutz können einen Flow gemeinsam lesen und abnehmen. Es ist eindeutig festgelegt, welche Daten erhoben werden, welche Systeme angesprochen werden und was im Fehlerfall passiert. Das Sprachmodell entscheidet nicht über den Prozessablauf, sondern nur darüber, welcher Flow gestartet, welcher Wert gesetzt oder ob eine Rückfrage gestellt werden soll. Gerade für Prüfungen durch Revision, Datenschutzbeauftragte oder Aufsichtsbehörden ist diese Nachvollziehbarkeit ein erheblicher Vorteil gegenüber frei generierenden Agenten.

NLU und Sprachverständnis: klassisch oder LLM-gestützt

Rasa bietet zwei Wege zum Sprachverständnis. Der klassische Weg nutzt eine trainierbare NLU-Pipeline aus Tokenisierung, Merkmalsextraktion, Intent-Klassifikation und Entitätserkennung. Diese Pipeline ist schnell, ressourcenschonend und läuft komplett lokal – sie braucht aber gut kuratierte Trainingsbeispiele und ist bei freien, verschachtelten Formulierungen weniger robust. Für eng umrissene Domänen mit wiederkehrenden Anliegen kann sie nach wie vor sinnvoll sein.
Der moderne Weg nutzt ein Sprachmodell, das die Nachricht im Kontext des bisherigen Gesprächs versteht. Ein Kunde, der schreibt „Eigentlich wollte ich nicht die Lieferadresse, sondern die Rechnungsadresse ändern, und ach ja, wann kommt eigentlich meine Bestellung?“, enthält eine Korrektur, einen Themenwechsel und eine neue Frage. Ein LLM kann diese Struktur erkennen und in mehrere Befehle übersetzen. In Rasa Pro lassen sich beide Ansätze kombinieren, etwa indem eine klassische Klassifikation für sehr häufige, eindeutige Anliegen genutzt wird und das LLM für den Rest – das spart Kosten und Latenz.

Dialogmanagement, Aktionen und Antworten

Die Dialog-Engine verwaltet den Gesprächszustand: Welche Flows sind aktiv, welche Informationen (Slots) sind bereits bekannt, welche fehlen noch? Sie behandelt typische Gesprächsmuster wie Unterbrechungen, Korrekturen, Abbrüche, Rückfragen bei Mehrdeutigkeit und das Zurückkehren zu einem unterbrochenen Prozess. Viele dieser Muster liefert Rasa als vordefinierte Standardabläufe mit, die sich anpassen lassen. Das ist ein erheblicher Teil des Mehrwerts, denn genau an diesen Stellen scheitern selbstgebaute Bots in der Praxis am häufigsten.
Über Custom Actions wird der Assistent mit der Außenwelt verbunden. Aktionen laufen typischerweise auf einem separaten Action-Server, sind in Python geschrieben und können beliebige Systeme ansprechen: CRM, ERP, Ticketsystem, Terminkalender, Datenbanken. Antworten werden als Vorlagen gepflegt, die Variablen enthalten und je Kanal unterschiedlich aussehen können – mit Buttons im Chat, mit kurzen Sätzen am Telefon. Optional lässt sich ein LLM einsetzen, um Vorlagen kontextabhängig umzuformulieren, ohne den Inhalt zu verändern.
Testen als eingebaute Disziplin

Rasa unterstützt automatisierte Ende-zu-Ende-Tests, in denen ganze Gesprächsverläufe beschrieben und gegen den Assistenten geprüft werden. In CI/CD-Pipelines eingebunden, verhindern diese Tests, dass eine Änderung an einem Flow unbemerkt andere Gespräche bricht. Diese Testbarkeit ist einer der stärksten Gründe für Rasa – vorausgesetzt, das Team nutzt sie konsequent.

Kapitel 04 · KI- & LLM-Funktionen

CALM und die Anbindung von Sprachmodellen

CALM ist die Antwort von Rasa auf ein Grundproblem der generativen KI im Kundendialog: Sprachmodelle verstehen Menschen erstaunlich gut, halten sich aber nicht zuverlässig an Geschäftsregeln. CALM nutzt das Verständnis und kapselt das Risiko. Dazu kommt eine offene Modellanbindung, die auch selbst gehostete Modelle einschließt.

Wie CALM funktioniert: verstehen, übersetzen, ausführen

Das Herzstück von CALM ist ein Baustein, der die Nutzernachricht zusammen mit dem Gesprächskontext und einer Beschreibung der verfügbaren Flows an ein Sprachmodell gibt. Das Modell antwortet nicht mit einem Text für den Kunden, sondern mit einer Liste von Befehlen: einen bestimmten Flow starten, einen Slot mit einem Wert füllen, einen laufenden Prozess abbrechen, eine Klärungsfrage stellen, an einen Menschen übergeben oder eine Wissensfrage beantworten. Diese Befehle führt anschließend die deterministische Dialog-Engine aus.
Das Ergebnis ist eine Arbeitsteilung, die man aus dem Unternehmensalltag kennt: Das Sprachmodell ist der aufmerksame Empfang, der versteht, was der Kunde will. Die Flows sind die Sachbearbeitung, die nach festen Regeln arbeitet. Der Empfang darf nicht selbst Verträge ändern oder Gutschriften erteilen, sondern leitet an die zuständige Stelle weiter. So bleibt der Spielraum des Modells eng begrenzt, und typische Risiken wie erfundene Zusagen, Prompt-Injection mit Auswirkungen auf Prozesse oder inkonsistente Antworten werden deutlich reduziert – ganz ausgeschlossen sind sie damit nicht, weshalb Tests und Monitoring dazugehören.
Für offene Wissensfragen, die sich nicht sinnvoll als Flow modellieren lassen, bietet Rasa eine Anbindung an Dokumentenbestände im Sinne von Retrieval-Augmented Generation. Der Assistent sucht passende Inhalte aus Handbüchern, FAQ oder Wissensdatenbanken und formuliert daraus eine Antwort. Hier ist der generative Anteil höher, weshalb Quellenqualität, Antwortgrenzen und Hinweise auf KI-generierte Inhalte besonders sorgfältig zu gestalten sind.

Modellwahl: Cloud-API oder selbst gehostetes LLM

Rasa ist bei der Modellwahl bewusst offen. Unterstützt werden gängige kommerzielle Modell-APIs ebenso wie Modelle, die über eine kompatible Schnittstelle selbst betrieben werden – etwa mit einem eigenen Inferenzserver im Rechenzentrum oder bei einem europäischen GPU-Hoster. Welche Anbieter und Schnittstellen in der jeweils aktuellen Version offiziell unterstützt werden, ist in der Dokumentation des Anbieters nachzulesen.
Für Unternehmen mit hohen Anforderungen an die Datenhoheit ist das der entscheidende Punkt: Erst wenn neben der Rasa-Engine auch das Sprachmodell in der eigenen Kontrolle läuft, verlassen Gesprächsinhalte die eigene Infrastruktur tatsächlich nicht. Da die Aufgabe des Modells in CALM vergleichsweise eng ist – Befehle erzeugen statt lange Texte schreiben –, kommen dafür auch kleinere, offene Modelle in Frage, die sich mit überschaubarer Hardware betreiben und gegebenenfalls auf die eigene Domäne feinabstimmen lassen. Wie gut ein bestimmtes Modell diese Aufgabe in Deutsch und in der eigenen Fachsprache löst, muss im Projekt mit eigenen Testdaten gemessen werden.

Qualität, Latenz und Kosten im Gleichgewicht

Jeder LLM-Aufruf kostet Zeit und – bei API-Nutzung – Geld. Im Chat fällt eine Verzögerung von einer Sekunde kaum auf, am Telefon wirkt sie wie eine unangenehme Pause. CALM-Architekturen lassen sich deshalb an mehreren Stellen optimieren: kleinere Modelle für die Befehlserzeugung, klassische Klassifikation für sehr häufige Anliegen, kurze Prompts durch knapp beschriebene Flows und Caching wiederkehrender Antworten. Die richtige Balance hängt vom Kanal, vom Volumen und von den Qualitätsanforderungen ab.
Wichtig ist eine realistische Erwartung: CALM macht einen Assistenten nicht automatisch gut. Die Qualität entsteht aus sauber geschnittenen Flows, präzisen Beschreibungen, guten Testfällen und kontinuierlicher Auswertung realer Gespräche. Das Sprachmodell ist ein Baustein, nicht die Lösung.
Praxis-Hinweis

Starten Sie die Evaluation mit einem leistungsfähigen Cloud-Modell, um die Flows und Testfälle zu stabilisieren. Prüfen Sie danach systematisch, ob ein selbst gehostetes, kleineres Modell mit den eigenen Testgesprächen eine vergleichbare Trefferquote erreicht. So trennen Sie Fragen der Dialoggestaltung sauber von Fragen der Modellwahl – und treffen die Hosting-Entscheidung auf Basis eigener Messwerte.

Kapitel 05 · Integrationen & Ökosystem

Kanäle, Voice und Backend-Integration

Ein Assistent ist nur so nützlich wie seine Verbindungen: zu den Kanälen, über die Kunden ihn erreichen, und zu den Systemen, in denen die eigentliche Arbeit passiert. Rasa ist hier offen und modular – mit dem Vorteil großer Freiheit und der Konsequenz, dass Integrationsarbeit eingeplant werden muss.

Bereich Typische Anbindung Aufwand Hinweis
Website-Chat Chat-Widget über REST oder Websocket Gering Frontend selbst wählen oder entwickeln
Messenger & Kollaboration Vorhandene Konnektoren, z. B. für Teams oder Slack Gering bis mittel Verfügbarkeit je Kanal beim Anbieter prüfen
Telefonie / Voice Voice-Gateway, Telefonie-Anbieter, STT und TTS Mittel bis hoch Latenz und Barge-in sorgfältig testen
CRM, ERP, Ticketing Custom Actions über APIs Mittel Saubere APIs der Kernsysteme vorausgesetzt
Contact Center Übergabe an Agenten, Kontext-Weitergabe Mittel Handover-Konzept früh definieren
Analytics & Datenplattform Event-Streaming, Tracker-Datenbank Mittel Datenschutz bei Protokollen beachten

Text-Kanäle und Frontends

Für Text-Kanäle bringt Rasa eine Reihe von Konnektoren mit und erlaubt darüber hinaus, eigene Kanäle über eine schlanke Schnittstelle anzubinden. Für den Website-Chat wird meist ein Widget eingesetzt, das per REST oder Websocket mit dem Rasa-Server spricht – entweder eine vorhandene Open-Source-Komponente oder ein eigenes Frontend, das sich nahtlos ins Corporate Design einfügt. Für interne Assistenten im Mitarbeiterumfeld sind Kollaborationswerkzeuge der naheliegende Kanal. Ein Vorteil der Architektur: Dieselben Flows bedienen alle Kanäle, unterschiedlich sind nur die Antwortvarianten.

Voice: Telefonie, Speech-to-Text und Text-to-Speech

Für Sprachassistenten am Telefon benötigt Rasa ein Zusammenspiel mehrerer Komponenten. Der Anruf kommt über einen Telefonie-Anbieter oder eine bestehende Telefonanlage herein, ein Voice-Gateway oder eine Voice-Plattform übernimmt die Audioströme, ein Speech-to-Text-Dienst wandelt Sprache in Text, Rasa versteht und steuert den Dialog, und ein Text-to-Speech-Dienst spricht die Antwort. Rasa Pro bietet dafür eigene Voice-Kanäle und Anbindungen an verbreitete Gateways und Telefonie-Dienste; welche davon in der aktuellen Version unterstützt werden, ist beim Anbieter zu prüfen.
Bei der Wahl der Sprachdienste stellt sich die Datenhoheitsfrage erneut. Cloud-Dienste für Spracherkennung und Sprachsynthese liefern oft hervorragende Qualität, verarbeiten aber Audio außerhalb der eigenen Infrastruktur. Alternativ lassen sich offene Modelle für die Spracherkennung selbst betreiben – ein Thema, das wir im Artikel zu Whisper vertiefen. Wer stattdessen einen spezialisierten Echtzeit-Dienst nutzt, findet in unseren Beiträgen zu Deepgram und Twilio Voice die passenden Bausteine. Entscheidend ist in jedem Fall die Gesamtlatenz vom Ende der Kundenäußerung bis zum Beginn der Antwort sowie die Fähigkeit, Unterbrechungen durch den Anrufer (Barge-in) sauber zu behandeln.

Backend-APIs, Contact Center und Datenflüsse

Die eigentliche Wertschöpfung eines Assistenten entsteht in den Custom Actions: Kundendaten nachschlagen, Bestellstatus abfragen, Termine buchen, Tickets anlegen, Verträge ändern. Rasa macht hier keine Vorgaben, sondern lässt den Code frei gestalten. Das ist bei gewachsenen, individuellen IT-Landschaften im Mittelstand ein Vorteil, setzt aber voraus, dass die Kernsysteme über stabile Schnittstellen verfügen. Wo diese fehlen, liegt der größte Projektaufwand oft nicht im Assistenten, sondern in der API-Bereitstellung.
Für die Übergabe an menschliche Mitarbeitende lässt sich Rasa an Contact-Center-Lösungen anbinden, wobei der bisherige Gesprächsverlauf und die erhobenen Daten mitgegeben werden sollten, damit der Kunde nichts wiederholen muss. Gesprächsereignisse lassen sich in Datenbanken und Event-Streams schreiben und von dort in Analyse- und BI-Systeme übernehmen. Genau hier entstehen auch die datenschutzrelevanten Protokolle, die mit Löschkonzept und Zugriffsrechten versehen werden müssen.
Kapitel 06 · Abgrenzung

Rasa im Vergleich zu Alternativen

Rasa konkurriert mit sehr unterschiedlichen Ansätzen: gemanagten Enterprise-Plattformen, spezialisierten Voice-AI-Anbietern, Low-Code-Baukästen und frei programmierbaren LLM-Agent-Frameworks. Die folgende Einordnung ist herstellerneutral und qualitativ – sie ersetzt keinen Proof of Concept mit eigenen Anforderungen.

Aspekt Rasa Cognigy Parloa Voiceflow Agent-Frameworks
Grundansatz Framework plus Plattform, Code-first Enterprise-Plattform, Low-Code Voice-first-Plattform für Kundenservice Kollaboratives Design- und Bot-Werkzeug Bibliotheken für eigene Agenten
Self-Hosting Kernstärke Je nach Vertrag Eher SaaS Eher SaaS Vollständig
Kontrolle über Logik Sehr hoch Hoch Mittel bis hoch Mittel Selbst zu bauen
Time-to-Market Mittel Schnell Schnell für Voice Sehr schnell Prototyp schnell, Produktion langsam
Benötigte Skills Entwicklung & DevOps Mittel Gering bis mittel Gering Hoch
Sweet Spot Datenhoheit, Tiefe, eigenes Team Großes Contact Center Telefonischer Kundenservice Prototyping, Design, KMU-Bots Experimente, Spezialfälle

Rasa vs. Cognigy und Parloa: selbst bauen oder als Plattform beziehen

Cognigy ist eine Enterprise-Plattform für Conversational AI im Kundenservice mit grafischem Flow-Editor, umfangreichen Contact-Center-Integrationen und eigenen Agenten-Funktionen. Gegenüber Rasa bietet Cognigy mehr vorkonfigurierte Bausteine und eine stärker fachbereichsorientierte Bedienung, typischerweise als gemanagter Dienst. Rasa punktet, wenn die vollständige Kontrolle über Code, Infrastruktur und Modell wichtiger ist als vorgefertigte Contact-Center-Komfortfunktionen.
Parloa ist auf Sprachassistenten im telefonischen Kundenservice spezialisiert und liefert die Telefonie- und Sprachkette als integriertes Paket. Für ein Unternehmen, dessen Hauptziel ein Voice-Agent in der Hotline ist, kann Parloa deutlich schneller zum Ergebnis führen. Rasa ist kanalneutraler und tiefer anpassbar, verlangt für Voice aber die eigene Orchestrierung von Telefonie, Spracherkennung und Sprachsynthese. Die Faustregel: Wer Voice als Produkt einkaufen will, schaut auf Parloa; wer Voice als Teil einer eigenen Conversational-Architektur bauen will, schaut auf Rasa.

Rasa vs. Voiceflow und reine LLM-Agent-Frameworks

Voiceflow ist ein kollaboratives Werkzeug für das Design und den Betrieb von Chat- und Sprachassistenten mit sehr niedriger Einstiegshürde. Es eignet sich hervorragend für schnelle Prototypen, für Teams mit Conversation-Design-Schwerpunkt und für überschaubare Bots. Bei strengen Hosting-Anforderungen, komplexer Backend-Integration und großen Volumina stößt das Modell eher an Grenzen. Rasa ist das Gegenstück: höhere Einstiegshürde, dafür mehr Tiefe und Souveränität.
Reine LLM-Agent-Frameworks und Echtzeit-Voice-Frameworks wie Pipecat oder LiveKit setzen auf maximale Freiheit: Ein Sprachmodell entscheidet mit Hilfe von Werkzeugen selbst, was zu tun ist, oder die Audio-Pipeline wird frei zusammengesteckt. Das ist faszinierend flexibel und für Prototypen schnell, verlagert aber Themen wie Gesprächszustand, Prozesstreue, Tests, Fehlerbehandlung und Governance komplett ins eigene Team. Rasa liefert genau diese Struktur mit. In der Praxis ergänzen sich die Ansätze durchaus – etwa wenn ein Echtzeit-Voice-Framework die Audioverarbeitung übernimmt und Rasa die Prozesslogik.
Wann Rasa gewinnt – und wann nicht
Rasa gewinnt, wenn Datenhoheit und Self-Hosting Pflicht sind, die Prozesslogik nachweisbar kontrolliert ablaufen muss und ein Entwicklungsteam vorhanden ist oder aufgebaut wird. Rasa verliert gegen Cognigy und Parloa, wenn schnelle Ergebnisse im Contact Center ohne eigene Entwicklung gefragt sind, gegen Voiceflow bei kleinen Bots und Prototypen, und gegen freie Agent-Frameworks bei Experimenten, in denen Prozesstreue noch keine Rolle spielt.
Kapitel 07 · Einführung & Betrieb

Self-Hosting, Kubernetes und die nötigen Skills

Die größte Stärke von Rasa – der Betrieb in eigener Hand – ist zugleich die größte Verpflichtung. Wer Rasa produktiv einsetzt, betreibt eine verteilte Anwendung mit mehreren Diensten, Datenbanken und gegebenenfalls eigener GPU-Infrastruktur. Eine strukturierte Einführung trennt Pilot, Plattformaufbau und Skalierung sauber voneinander.

01
Use-Case-Auswahl und Erfolgskriterien
Welche Anliegen sollen automatisiert werden, über welchen Kanal, mit welchem Volumen? Wir priorisieren nach Häufigkeit, Prozessklarheit und Integrationsaufwand und definieren messbare Ziele wie Automatisierungsquote, Übergabequote und Kundenzufriedenheit.
02
Architektur- und Hosting-Entscheidung
Eigenes Rechenzentrum, private Cloud oder europäischer Hoster? Welches Sprachmodell, wo betrieben? Welche STT- und TTS-Dienste für Voice? Diese Entscheidungen bestimmen Datenschutz, Kosten und Betriebsaufwand und sollten vor dem ersten Flow getroffen werden.
03
Prototyp mit echten Gesprächsdaten
Zwei bis drei zentrale Flows werden umgesetzt und mit realistischen, anonymisierten Formulierungen getestet. Ziel ist nicht Perfektion, sondern eine belastbare Aussage zu Verständnisqualität, Latenz und Integrationsaufwand.
04
Plattformaufbau und CI/CD
Container-Images, Deployment auf Kubernetes, Datenbanken für Gesprächszustand, Secrets-Management, Monitoring, Logging, automatisierte Tests und getrennte Umgebungen für Entwicklung, Test und Produktion.
05
Pilotbetrieb und Auswertung
Start mit begrenztem Traffic, enger Begleitung und klarer Übergabe an Menschen. Gespräche werden regelmäßig ausgewertet, Flows und Beschreibungen nachgeschärft, neue Testfälle aus realen Fehlern abgeleitet.
06
Skalierung und Weiterentwicklung
Ausbau auf weitere Anliegen, Kanäle und Sprachen, Lasttests, Hochverfügbarkeit, Update-Prozess für Rasa-Versionen und Modelle sowie ein festes Team, das den Assistenten als Produkt verantwortet.

Betriebsarchitektur: was im Cluster läuft

Ein produktives Rasa-Setup besteht typischerweise aus dem Rasa-Server mit der Dialog-Engine, einem oder mehreren Action-Servern, einer Datenbank für den Gesprächszustand, gegebenenfalls einem Message-Broker für Gesprächsereignisse, einem Speicher für trainierte Modelle, optional Rasa Studio sowie der Anbindung an das Sprachmodell. Der Anbieter stellt für die Bereitstellung auf Kubernetes Vorlagen und Dokumentation bereit. Container-Orchestrierung ist dabei kein Selbstzweck: Sie erlaubt horizontale Skalierung bei Lastspitzen, rollierende Updates ohne Ausfallzeit und eine saubere Trennung der Umgebungen.
Wer kein eigenes Kubernetes-Know-how hat, kann auf gemanagte Kubernetes-Angebote europäischer Cloud-Anbieter oder auf einen Dienstleister zurückgreifen, der den Betrieb übernimmt. Wichtig ist, die Verantwortlichkeiten klar zu regeln: Wer patcht Sicherheitslücken, wer aktualisiert Rasa-Versionen, wer überwacht die Verfügbarkeit, wer reagiert nachts auf Störungen? Bei selbst gehosteten Sprachmodellen kommt die GPU-Infrastruktur als eigener Betriebsbaustein hinzu.

Rollen und Kompetenzen im Team

Ein Rasa-Projekt braucht mehr als einen Entwickler. Bewährt hat sich ein kleines, interdisziplinäres Team: Python-Entwicklung für Aktionen und Integrationen, DevOps- oder Plattform-Kompetenz für Betrieb und CI/CD, Conversation Design für Flows, Tonalität und Antworttexte, ein fachlicher Product Owner, der Prioritäten setzt und Ergebnisse verantwortet, sowie punktuell Datenschutz und Informationssicherheit. Für die LLM-Anteile kommt Wissen über Prompt-Gestaltung, Evaluation und gegebenenfalls Modellbetrieb hinzu.
Im Mittelstand sind diese Rollen selten alle intern vorhanden. Ein realistischer Weg ist ein gemischtes Modell: Ein externer Partner baut die Plattform und die ersten Flows auf und befähigt parallel ein internes Kernteam, das Pflege und Weiterentwicklung schrittweise übernimmt. Wer dauerhaft keine eigene Entwicklungskapazität aufbauen will, sollte ehrlich prüfen, ob eine gemanagte Plattform nicht besser passt.
Realistische Zeitplanung

Ein belastbarer Prototyp mit wenigen Flows ist mit erfahrenem Team in einigen Wochen machbar. Der Weg in die stabile Produktion mit Integrationen, Tests, Monitoring und Datenschutz-Dokumentation dauert typischerweise mehrere Monate. Der Engpass liegt meist nicht bei Rasa selbst, sondern bei Schnittstellen, Freigaben und der Qualität der Gesprächsdaten.

Kapitel 08 · Einsatz im Mittelstand

Rasa im DACH-Mittelstand

Rasa wird oft mit Großunternehmen und Konzernen in Verbindung gebracht. Für den Mittelstand ist es dennoch relevant – vor allem dort, wo Datenschutz, Branchenregulierung oder ein eigenes Softwareteam den Ausschlag geben. Die folgenden Szenarien zeigen, wo Rasa realistisch Wert stiften kann.

Kundenservice mit Prozesstiefe

Statusabfragen, Adressänderungen, Terminvereinbarungen und Reklamationen werden direkt im Gespräch erledigt – mit Zugriff auf die Kernsysteme und klar definierter Übergabe an Mitarbeitende.

Entlastung im First Level
Telefon-Assistent für die Hotline

Anliegen werden am Telefon erfasst, vorqualifiziert und je nach Thema automatisiert gelöst oder mit Kontext an die richtige Stelle weitergeleitet. Telefonie und Sprachdienste werden passend kombiniert.

Weniger Warteschleife
Interner IT- und HR-Assistent

Passwort-Resets, Urlaubsanträge, Richtlinienfragen und Ticketanlage über Teams oder das Intranet – vollständig im eigenen Netz betrieben, ohne Mitarbeiterdaten an Dritte zu geben.

Selfservice für Mitarbeitende
Regulierte Branchen

Finanzdienstleister, Versicherungsmakler, Gesundheitsanbieter und Energieversorger profitieren von nachvollziehbarer Logik, eigenem Hosting und prüfbaren Prozessen.

Compliance by Design
Service für technische Produkte

Hersteller im Maschinen- und Anlagenbau beantworten Fragen zu Ersatzteilen, Wartung und Fehlercodes über Flows plus Wissenssuche in Handbüchern – auch mehrsprachig für internationale Kunden.

Wissen rund um die Uhr
Softwarehäuser und SaaS-Anbieter

Mittelständische Softwareanbieter integrieren einen Assistenten in ihr eigenes Produkt und behalten volle Kontrolle über Code, Hosting und Kundendaten – ohne Abhängigkeit von einer fremden Bot-Cloud.

Assistent als Produktfunktion

Wer zu Rasa passt – und wer nicht

Rasa passt besonders gut zu Mittelständlern mit eigener IT- oder Softwareentwicklung, zu Unternehmen mit hohen Datenschutz- oder Branchenanforderungen, zu Organisationen, die bereits Container-Infrastruktur betreiben, und zu Softwarehäusern, die Conversational AI in eigene Produkte einbauen wollen. Diese Profile nutzen die Stärken – Kontrolle, Hosting-Freiheit, Testbarkeit – tatsächlich aus.
Weniger gut passt Rasa zu Unternehmen ohne Entwicklungskapazität, die einen Assistenten vollständig durch die Fachabteilung pflegen lassen möchten; zu Projekten mit sehr kleinem Budget und einfachem FAQ-Charakter, bei denen ein gemanagter Dienst oder ein Low-Code-Werkzeug schneller und günstiger ist; und zu Organisationen, die ausschließlich einen Telefon-Agenten suchen und die Sprachkette nicht selbst orchestrieren wollen. Diese ehrliche Eingrenzung gehört zu jeder seriösen Empfehlung.

Ein typischer Einstiegspfad

In der Praxis bewährt sich ein schrittweiser Einstieg. Am Anfang steht ein klar umrissener, häufiger Anwendungsfall mit überschaubarer Integration – etwa die Statusabfrage oder ein interner Selfservice. Dieser wird als Text-Assistent umgesetzt, weil Text-Kanäle schneller zu testen und zu verbessern sind. Erst wenn Flows, Integrationen und Betrieb stabil laufen, folgt der Schritt in die Telefonie, wo Latenz und Spracherkennung zusätzliche Komplexität bringen. Wer den Gesamtkontext zu Sprachassistenten vertiefen möchte, findet in unseren Grundlagenartikeln zu Voice AI und zu STT, TTS und Voice Agents die nötige Einordnung.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO und Datenhoheit

Bei Rasa unterscheiden sich Kostenstruktur und Datenschutzbewertung grundlegend von reinen SaaS-Plattformen. Lizenzkosten sind nur ein Teil der Rechnung, und Datenhoheit ist keine automatische Eigenschaft, sondern das Ergebnis bewusster Architekturentscheidungen. Konkrete Preise nennen wir nicht; sie sind beim Anbieter zu erfragen.

Lizenz
Variabel / beim Anbieter prüfen
Open Source frei, kommerzielle Editionen vertraglich
  • Abrechnungslogik, enthaltene Funktionen, Volumengrenzen und Supportlevel vor der Architekturentscheidung klären.
Infrastruktur
€€ / laufend
Server, Kubernetes, Datenbanken, Monitoring
  • Mehrere Umgebungen, Hochverfügbarkeit und Backups einplanen. Bei selbst gehostetem LLM kommt GPU-Kapazität hinzu.
Modelle & Sprachdienste
€–€€€ / volumenabhängig
LLM-API oder eigenes Modell, STT und TTS für Voice
  • Bei API-Nutzung skaliert der Aufwand mit dem Gesprächsvolumen, bei Self-Hosting mit der vorgehaltenen Hardware.
Team & Betrieb
€€€ / laufend
Entwicklung, Conversation Design, DevOps
  • Häufig der größte Kostenblock. Ein Assistent ist ein Produkt, das kontinuierlich gepflegt und verbessert wird.

Total Cost of Ownership ehrlich rechnen

Der Eindruck, Rasa sei als Open-Source-Lösung im Wesentlichen kostenlos, ist einer der häufigsten Planungsfehler. Selbst bei freier Lizenz entstehen Kosten für Infrastruktur, Betrieb, Integration, Sprachdienste und vor allem für die Menschen, die den Assistenten bauen und weiterentwickeln. Bei der kommerziellen Edition kommt die Lizenz hinzu. Diesen Kosten steht die Entlastung im Service gegenüber – eingesparte Bearbeitungszeit, bessere Erreichbarkeit, weniger Wartezeit, höhere Kundenzufriedenheit.
Für einen fairen Vergleich mit gemanagten Plattformen sollte die Betrachtung über mindestens drei Jahre erfolgen und alle Kostenblöcke umfassen. Häufig zeigt sich: Bei kleinen Volumen und ohne vorhandenes Entwicklungsteam ist eine gemanagte Plattform günstiger. Bei hohen Volumen, vorhandener Infrastruktur und strategischer Bedeutung der Conversational AI kann Rasa wirtschaftlich vorteilhaft sein, weil volumenabhängige Plattformgebühren und Abhängigkeiten entfallen oder geringer ausfallen. Eine pauschale Antwort gibt es nicht – entscheidend ist die eigene Rechnung.
Datenschutz-Stack im Detail

Rasa schafft mit dem Self-Hosting die technische Grundlage für hohe Datenhoheit. Ob diese tatsächlich erreicht wird, entscheidet die Gesamtarchitektur – insbesondere die Wahl von Sprachmodell, Sprachdiensten und Hosting. Folgende Punkte sind besonders relevant:

Hosting
Eigenes Rechenzentrum oder EU-Hoster – Standort und Betreiber dokumentieren
LLM
Selbst gehostet oder API – bei API Anbieter, Region und Datenverwendung prüfen
Voice-Dienste
STT und TTS verarbeiten Audio – Auftragsverarbeitung und Speicherdauer klären
AVV
Mit allen Dienstleistern, die personenbezogene Daten verarbeiten, abschließen
Protokolle
Gesprächsverläufe minimieren, pseudonymisieren, Löschfristen festlegen
Vertragspartner
Sitz und Rechtsträger des Anbieters prüfen, Drittlandbezug bewerten

DSGVO und Datenhoheit in der Praxis

Wird Rasa vollständig selbst betrieben und auch das Sprachmodell lokal oder bei einem europäischen Hoster ausgeführt, verlassen Gesprächsinhalte die eigene Kontrolle nicht. Das vereinfacht die datenschutzrechtliche Bewertung erheblich, entbindet aber nicht von den Grundpflichten: Rechtsgrundlage für die Verarbeitung, Information der Nutzer, Datenminimierung, Löschkonzept, technische und organisatorische Maßnahmen sowie gegebenenfalls eine Datenschutz-Folgenabschätzung, etwa bei der Verarbeitung sensibler Daten oder bei Sprachaufzeichnungen.
Sobald externe Dienste ins Spiel kommen – eine Modell-API, ein Cloud-Dienst für Spracherkennung, ein Telefonie-Anbieter –, gelten die üblichen Anforderungen an Auftragsverarbeitung und gegebenenfalls Drittlandtransfer. Auch der Rasa-Anbieter selbst kann je nach Vertragsmodell, Lizenzprüfung, Telemetrie oder Support-Zugriff Berührungspunkte mit Daten haben. Welche Daten in welchem Fall an den Anbieter fließen und welcher Rechtsträger Vertragspartner ist, sollte vor Vertragsabschluss schriftlich geklärt werden.

EU AI Act: Transparenz im Kundendialog

Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Nutzer sollen erkennen können, dass sie mit einem KI-System und nicht mit einem Menschen sprechen, sofern das nicht ohnehin offensichtlich ist. Für Chat- und Sprachassistenten bedeutet das in der Praxis einen klaren Hinweis zu Beginn des Gesprächs – am Telefon idealerweise gesprochen. Auch für KI-generierte oder synthetisch erzeugte Inhalte, etwa synthetische Stimmen, sind Kennzeichnungsfragen zu beachten. Die meisten Kundenservice-Assistenten fallen nicht in die Hochrisiko-Kategorie; je nach Einsatzzweck – etwa bei Entscheidungen über Zugang zu wesentlichen Dienstleistungen – kann das aber anders sein und ist im Einzelfall zu bewerten.
Rasa unterstützt die Umsetzung dieser Anforderungen durch seine Architektur: Hinweistexte lassen sich als feste Bestandteile der Flows definieren, Entscheidungen der Dialog-Engine sind protokolliert, und die Trennung zwischen Sprachmodell und Geschäftslogik erleichtert die Dokumentation, was das System tut und was nicht. Die Umsetzung bleibt aber Aufgabe des einsetzenden Unternehmens.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die datenschutzrechtliche Bewertung des konkreten Einsatzes – insbesondere zu Sprachaufzeichnungen, Modell-APIs, Drittlandtransfer und den Pflichten aus dem EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung im Sinne der DSGVO bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Rasa

Diese Fragen tauchen in Beratungsgesprächen zu Rasa und Conversational AI am häufigsten auf – kurz und sachlich beantwortet.

Was ist Rasa?
Rasa ist ein Framework und eine Plattform für die Entwicklung von Chat- und Sprachassistenten. Das Unternehmen wurde in Berlin gegründet und ist mit einem Open-Source-Kern bekannt geworden. Heute umfasst das Angebot den Open-Source-Kern, die kommerzielle Engine Rasa Pro mit dem CALM-Ansatz und die grafische Oberfläche Rasa Studio. Charakteristisch sind der entwicklerzentrierte Ansatz, die Testbarkeit und die Möglichkeit, alles in der eigenen Infrastruktur zu betreiben.
Was bedeutet CALM?
CALM steht für „Conversational AI with Language Models“. Ein Sprachmodell versteht die Nutzernachricht im Kontext und übersetzt sie in Befehle wie „Flow starten“, „Wert setzen“ oder „Rückfrage stellen“. Die eigentlichen Geschäftsprozesse laufen als fest definierte Flows deterministisch ab. So wird das Sprachverständnis moderner LLMs genutzt, ohne dass das Modell eigenmächtig über Prozesse entscheidet.
Ist Rasa kostenlos?
Der Open-Source-Kern ist frei nutzbar, die modernen CALM-Funktionen und Enterprise-Features befinden sich jedoch in der kommerziellen Edition. Darüber hinaus fallen in jedem Fall Kosten für Infrastruktur, Sprachmodelle, Sprachdienste und vor allem für Entwicklung und Betrieb an. Konkrete Lizenzbedingungen und Preise sind beim Anbieter zu prüfen; eine Gesamtkostenbetrachtung über mehrere Jahre ist unerlässlich.
Kann ich Rasa komplett selbst hosten?
Ja, das ist eine der Kernstärken. Rasa läuft in Containern und lässt sich auf eigenen Servern, in einer privaten Cloud oder bei einem europäischen Hoster betreiben, typischerweise auf Kubernetes. Für vollständige Datenhoheit muss allerdings auch das Sprachmodell selbst betrieben werden. Ob die konkrete Lizenz Telemetrie, Lizenzprüfungen oder andere Verbindungen zum Anbieter vorsieht, sollte vertraglich geklärt werden.
Welche Sprachmodelle kann Rasa nutzen?
Rasa ist bei der Modellwahl offen und unterstützt sowohl kommerzielle Modell-APIs als auch selbst gehostete Modelle über kompatible Schnittstellen. Da die Aufgabe des Modells in CALM vergleichsweise eng ist, kommen auch kleinere offene Modelle in Frage. Welche Anbieter offiziell unterstützt werden, steht in der aktuellen Dokumentation. Die Eignung eines Modells für Deutsch und die eigene Fachsprache sollte mit eigenen Testgesprächen gemessen werden.
Eignet sich Rasa für Telefon- und Sprachassistenten?
Ja. Rasa Pro bietet Voice-Kanäle und lässt sich mit Telefonie-Anbietern, Voice-Gateways sowie Diensten für Spracherkennung und Sprachsynthese kombinieren. Anders als bei spezialisierten Voice-Plattformen muss die Sprachkette jedoch selbst zusammengestellt und abgestimmt werden. Kritisch sind die Gesamtlatenz, die Erkennungsqualität am Telefon und der Umgang mit Unterbrechungen durch den Anrufer.
Rasa, Cognigy oder Parloa – was passt besser?
Rasa passt, wenn Datenhoheit, Self-Hosting und volle Kontrolle über Code und Logik im Vordergrund stehen und ein Entwicklungsteam vorhanden ist. Cognigy passt eher zu großen Contact Centern, die eine umfassende Enterprise-Plattform mit vielen vorkonfigurierten Bausteinen suchen. Parloa ist auf Voice-Agenten im telefonischen Kundenservice spezialisiert und führt dort oft schneller zum Ziel. Ein Proof of Concept mit eigenen Anforderungen bringt Klarheit.
Welche Kompetenzen braucht ein Team für Rasa?
Mindestens Python-Entwicklung für Aktionen und Integrationen, DevOps- und Kubernetes-Kenntnisse für den Betrieb, Conversation Design für Flows und Texte sowie einen fachlichen Product Owner. Für die LLM-Anteile kommt Wissen zu Evaluation und gegebenenfalls Modellbetrieb hinzu. Im Mittelstand bewährt sich ein Modell, in dem ein externer Partner startet und ein internes Kernteam schrittweise übernimmt.
Ist Rasa DSGVO-konform einsetzbar?
Rasa bietet durch Self-Hosting sehr gute Voraussetzungen. Die Konformität hängt aber von der Gesamtarchitektur ab: Hosting-Standort, Wahl des Sprachmodells, Sprachdienste, Protokollierung, Löschkonzept und Auftragsverarbeitungsverträge. Zudem sind Sitz und Rechtsträger des Anbieters zu prüfen. Dies ist eine fachliche Einordnung und keine Rechtsberatung – die konkrete Bewertung gehört zum Datenschutzbeauftragten oder zu fachkundiger rechtlicher Begleitung.
Was verlangt der EU AI Act von einem Rasa-Assistenten?
Für Systeme, die direkt mit Menschen interagieren, gelten Transparenzpflichten: Nutzer müssen erkennen können, dass sie mit einer KI sprechen. Praktisch heißt das ein klarer Hinweis zu Beginn des Gesprächs, am Telefon gesprochen. Kundenservice-Assistenten sind meist nicht hochriskant, die Einstufung hängt aber vom Einsatzzweck ab. Rasa erleichtert die Umsetzung durch feste Hinweistexte in Flows und nachvollziehbare Protokolle.

Conversational AI souverän einsetzen

Brauchen Sie eine ehrliche Rasa-Strategie?

Wir prüfen herstellerunabhängig, ob Rasa zu Ihren Anforderungen passt: Use-Case-Auswahl, Architektur und Hosting, Modellwahl, Voice-Anbindung, Datenschutz-Setup und Betriebsmodell – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf Cognigy, Parloa und Voiceflow als Alternativen.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich