Wissensdatenbank · Voice & Conversational AI · Voice-Agent-Plattform

Vapi – der Baukasten für Voice Agents am Telefon und im Web.

Vapi ist eine Entwicklerplattform, die die vielen Einzelteile eines Sprach-Agenten zusammenführt: Spracherkennung, Sprachmodell, Sprachsynthese, Telefonie, Gesprächssteuerung und Werkzeuge. Statt eine Echtzeit-Pipeline selbst zu programmieren, konfigurieren Teams einen Assistenten per Dashboard oder API und wählen für jede Stufe den passenden Anbieter. Das beschleunigt den Weg zum ersten Telefon-Agenten erheblich. Für den Mittelstand bleibt aber Arbeit: Gesprächsdesign, Systemanbindung, Tests mit deutscher Sprache und ein belastbares Datenschutz-Konzept bei einem US-Anbieter.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

27 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Vapi
Vapi · USA (Vertragspartner und Datenstandort prüfen)
Typ
Entwicklerplattform und API für Voice Agents
Kanäle
Telefon (inbound/outbound), Web, Apps
Bausteine
Assistants, Squads, Tools, Workflows
Provider
STT, LLM und TTS frei wählbar, eigene Keys
Datenhoheit
US-Plattform – Drittlandtransfer, Sub-Prozessoren prüfen
Hauptwettbewerb
Retell AI, Bland AI, LiveKit, Pipecat
INAGRO Eignung Mittelstand mit Umsetzungspartner
★★★★★
Kapitel 01 · Überblick

Was ist Vapi?

Vapi ist eine Cloud-Plattform, mit der Entwickler Sprach-Agenten bauen, testen und betreiben – vor allem für das Telefon, aber auch für Websites und Apps. Die Plattform übernimmt die technisch schwierigste Aufgabe eines Voice Agents: das Zusammenspiel aus Zuhören, Verstehen, Nachdenken und Sprechen in Echtzeit so zu orchestrieren, dass sich ein Gespräch natürlich anfühlt. Unternehmen liefern Anweisungen, Wissen und Schnittstellen, Vapi kümmert sich um den Gesprächsfluss.

Wer einen Voice Agent von Grund auf baut, muss erstaunlich viele Teile verbinden. Ein Anruf kommt über einen Telefonie-Anbieter herein, das Audio wird in kleinen Paketen an eine Spracherkennung gestreamt, deren Text geht an ein Sprachmodell, dessen Antwort an eine Sprachsynthese, und das erzeugte Audio muss zurück ins Telefonnetz. Dazwischen liegen Entscheidungen, die über die Gesprächsqualität bestimmen: Wann ist der Anrufer fertig? Was passiert, wenn er dazwischenredet? Wie überbrückt der Agent die Sekunden, in denen er im Warenwirtschaftssystem nachschaut? Wie wird das Gespräch an einen Menschen übergeben? Jede dieser Fragen kostet in Eigenentwicklung Wochen.
Vapi bündelt diese Aufgaben in einer Orchestrierungsschicht. Ein Assistent wird über das Dashboard oder per API konfiguriert: Systemprompt, erste Begrüßung, Sprachmodell, Stimme, Spracherkennung, Werkzeuge, Regeln für das Gesprächsende. Danach kann er sofort mit einer Telefonnummer verbunden oder per Web-SDK in eine Website eingebettet werden. Das Unternehmen bleibt flexibel, weil die einzelnen Bausteine austauschbar sind: Heute ein Modell von OpenAI, morgen eines von Anthropic oder Google; heute eine Stimme von ElevenLabs, morgen eine von Cartesia.
Drei Eigenschaften prägen Vapi:
  • API-first statt Komplettlösung – Vapi ist in erster Linie eine Entwicklerplattform. Alles, was im Dashboard möglich ist, lässt sich auch programmatisch steuern. Das macht die Plattform attraktiv für Agenturen, Softwareanbieter und IT-Teams, die Voice Agents in eigene Produkte und Prozesse einbauen.
  • Modulare Provider-Wahl – Spracherkennung, Sprachmodell und Sprachsynthese werden einzeln gewählt. Wer eigene Verträge mit Modellanbietern hat, kann deren Schlüssel hinterlegen. Diese Freiheit ist auch für den Datenschutz relevant, weil sie die Wahl europäischer Bausteine ermöglicht.
  • Telefonie eingebaut – Rufnummern, eingehende und ausgehende Anrufe, Weiterleitung an Menschen und die Anbindung bestehender Telefonie über SIP gehören zum Kern. Das unterscheidet Vapi von reinen Sprach-APIs, bei denen die Telefonie separat gelöst werden muss.

Vom Bastelprojekt zur Voice-Infrastruktur

Vapi ist ein vergleichsweise junges Unternehmen aus den USA und gehört zu der Generation von Anbietern, die mit dem Aufkommen leistungsfähiger Sprachmodelle entstanden sind. Die Plattform wurde schnell in der Entwickler-Community bekannt, weil sie den Weg vom Prompt zum telefonierenden Agenten auf Minuten verkürzte. Seither hat der Anbieter den Funktionsumfang deutlich erweitert: um Mehr-Agenten-Konstellationen, visuelle Gesprächsabläufe, Test- und Auswertungsfunktionen, Kampagnen für ausgehende Anrufe sowie Optionen für Unternehmenskunden. Da sich Funktionen, Bezeichnungen und Konditionen in diesem Markt in kurzen Abständen ändern, gilt für jede Planung: Den aktuellen Stand liefern die Dokumentation und das Änderungsprotokoll des Anbieters, nicht ältere Tutorials oder Videos.
Für die Einordnung ebenso wichtig ist der Sitz des Anbieters. Vapi ist ein US-Unternehmen, die Plattform läuft nach unserem Kenntnisstand standardmäßig in US-Rechenzentren, und sie bindet ihrerseits weitere Dienstleister ein – Modellanbieter, Sprachdienste, Telefonie-Carrier, Cloud-Hosting. Daraus ergeben sich Fragen zu Drittlandtransfer, US-Zugriffsbefugnissen und der Kette der Unterauftragsverarbeiter, die wir in Kapitel 09 ausführlich behandeln. Diese Fragen gehören an den Anfang eines Projekts, nicht ans Ende.

Für wen Vapi gedacht ist

Die Plattform richtet sich an Teams mit technischem Know-how: Entwickler in Unternehmen mit eigener IT, Digitalagenturen und Systemhäuser, die Voice Agents für Kunden bauen, Softwareanbieter, die Sprachfunktionen in ihr Produkt integrieren, und spezialisierte Voice-AI-Dienstleister. Wer sich mit APIs, Webhooks und JSON wohlfühlt, kommt schnell voran. Für eine Fachabteilung ohne IT-Unterstützung ist Vapi trotz Dashboard und visueller Werkzeuge nur bedingt geeignet: Sobald echte Systeme angebunden werden, braucht es Server, Schnittstellen und Fehlerbehandlung. Hier sind ein Umsetzungspartner oder eine stärker kuratierte Plattform oft der bessere Weg.
INAGRO-Einschätzung

Vapi ist einer der schnellsten Wege, einen telefonierenden Voice Agent mit frei wählbaren Bausteinen aufzubauen. Die Plattform spart viel Infrastruktur-Arbeit, nimmt Ihnen aber weder Gesprächsdesign noch Systemintegration oder Qualitätssicherung ab. Für den Mittelstand ist sie besonders interessant, wenn ein erfahrener Partner beteiligt ist und die Datenschutzfrage – US-Plattform, Sub-Prozessoren, Aufzeichnung – vor dem ersten Echtgespräch geklärt wird.

Kapitel 02 · Produktumfang & Positionierung

Pläne, Produktumfang und Vapis Rolle im Markt

Vapi bietet einen nutzungsbasierten Einstieg für Entwickler und darüber hinaus Konditionen für Unternehmen mit höheren Anforderungen an Volumen, Support und Compliance. Konkrete Preise, Kontingente und Planbezeichnungen ändern sich regelmäßig – wir beschreiben die Struktur qualitativ. Aktuelle Konditionen sind beim Anbieter zu prüfen.

Einstieg für Entwickler
Pay-as-you-go

Selbstregistrierung, Startguthaben je nach Aktion, Abrechnung nach Gesprächsminuten. Ideal für Prototypen, Lernprojekte und erste Piloten. Begrenzte parallele Gespräche und Standard-Support – Details beim Anbieter prüfen.

ZugangSelf-Service
AbrechnungNutzungsbasiert
StärkeSchneller Start
EinsatzPrototyp, Pilot
Erweiterte Kapazität
Add-ons

Zusätzliche gleichzeitige Leitungen, erweiterte Speicherfristen, bevorzugter Support oder spezielle Funktionen werden je nach Modell als Zusatzoptionen angeboten. Struktur und Preise ändern sich – vor einer Kalkulation aktuell erfragen.

ZugangSelf-Service / Vertrieb
AbrechnungMinuten plus Optionen
StärkeSkalierung
EinsatzProduktivbetrieb
Enterprise
Individuell

Individuelle Verträge mit Volumenkonditionen, Service-Levels, erweiterten Sicherheits- und Compliance-Optionen sowie dediziertem Ansprechpartner. Hier sind auch Fragen zu Datenresidenz, Aufbewahrung und AVV zu verhandeln.

ZugangVertrieb
AbrechnungVertraglich
StärkeSLA, Compliance
EinsatzHohe Volumen, Regulierung
Provider-Kosten
Durchgereicht oder eigen

Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie verursachen eigene Kosten. Sie werden entweder über Vapi abgerechnet oder – mit eigenen Schlüsseln – direkt beim jeweiligen Anbieter. Das beeinflusst Kosten und Vertragskette.

ZugangÜber Vapi oder direkt
AbrechnungJe Anbieter
StärkeTransparenz, Wahlfreiheit
EinsatzJede Ausbaustufe

Plattformgebühr plus Bausteine: das Abrechnungsprinzip

Das Geschäftsmodell von Vapi folgt einem Muster, das viele Voice-Agent-Plattformen nutzen: Die Plattform berechnet eine eigene Gebühr pro Gesprächsminute für die Orchestrierung, und dazu kommen die Kosten der eingesetzten Bausteine – Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie. Diese Bausteinkosten können über Vapi abgerechnet werden; alternativ hinterlegt das Unternehmen eigene API-Schlüssel und zahlt die Anbieter direkt. Die tatsächlichen Kosten pro Minute hängen daher stark von der gewählten Kombination ab: Ein großes Sprachmodell mit einer Premium-Stimme kostet ein Vielfaches einer schlanken Konfiguration.
Für die Planung heißt das: Ein Minutenpreis, der in Marketingmaterial oder Foren genannt wird, ist selten der Preis, den ein produktiver Agent tatsächlich verursacht. Seriös ist nur eine Rechnung mit der konkreten Konfiguration, realistischen Gesprächslängen und dem eigenen Anrufvolumen. Hinzu kommen Rufnummern, Zusatzoptionen und gegebenenfalls Enterprise-Konditionen. Wir empfehlen, die Kostenstruktur im Piloten mitzumessen und die Rechnung auf ein gelöstes Anliegen statt auf eine Minute zu beziehen.

Positionierung: Orchestrierung als Kernleistung

Vapi positioniert sich nicht als Anbieter eines bestimmten Sprachmodells oder einer bestimmten Stimme, sondern als neutrale Schicht dazwischen. Der Wert liegt im Echtzeit-Zusammenspiel: geringe Verzögerung, saubere Sprecherwechsel, Unterbrechungen, Werkzeugaufrufe während des Gesprächs, Übergaben an Menschen und andere Agenten, Telefonie, Protokollierung und Auswertung. Diese Positionierung hat Vorteile, denn das Unternehmen bleibt bei den Modellen flexibel und profitiert von Fortschritten verschiedener Anbieter. Sie hat aber auch eine Kehrseite: Jeder Baustein bringt eigene Verträge, eigene Datenflüsse und eigene Ausfallrisiken mit.
Im Markt steht Vapi zwischen zwei Polen. Auf der einen Seite stehen Open-Source-Frameworks wie LiveKit Agents oder Pipecat, die maximale Kontrolle bieten, aber eigene Infrastruktur und mehr Engineering verlangen. Auf der anderen Seite stehen Enterprise-Plattformen für den Kundenservice wie Parloa oder Cognigy, die stärker kuratiert sind, Fachanwendern mehr Werkzeuge an die Hand geben und häufig europäische Hosting-Optionen mitbringen. Vapi bietet mehr Komfort als ein Framework und mehr Freiheit als eine Komplettplattform – und spricht damit vor allem Entwickler und Agenturen an.
Pläne sind Momentaufnahmen

Planbezeichnungen, Kontingente für gleichzeitige Gespräche, Speicherfristen und Preise wurden bei Vapi wie bei vielen jungen Anbietern mehrfach angepasst. Legen Sie Kalkulationen und Verträge nicht auf Zahlen aus Blogartikeln fest, sondern auf ein aktuelles Angebot des Anbieters und Messwerte aus dem eigenen Piloten.

Kapitel 03 · Funktionsumfang

Assistants, Squads, Tools und Telefonie

Die Bausteine von Vapi lassen sich in vier Gruppen ordnen: der einzelne Assistent als Gesprächspartner, Squads als Team mehrerer spezialisierter Assistenten, Tools als Verbindung zu Unternehmenssystemen und die Telefonie als Kanal. Wer diese Bausteine versteht, kann auch komplexe Anrufabläufe sauber modellieren.

Assistants: Konfiguration eines Gesprächspartners

Der Assistant ist die zentrale Einheit in Vapi. Er bündelt alles, was einen Gesprächspartner ausmacht: den Systemprompt mit Rolle, Tonalität, Regeln und Gesprächszielen; die erste Nachricht, mit der er ein Gespräch eröffnet; das Sprachmodell, das die Antworten erzeugt; die Spracherkennung, die den Anrufer versteht; die Stimme, mit der er spricht; die verfügbaren Werkzeuge; und Regeln für Sonderfälle wie Stille, Mailbox oder Gesprächsende. Hinzu kommen Einstellungen für die Gesprächsmechanik: wie lange der Agent nach einer Sprechpause wartet, wie empfindlich er auf Unterbrechungen reagiert, ob er Füllwörter oder Hintergrundgeräusche einspielt, wie lange ein Gespräch maximal dauern darf.
Assistenten können dauerhaft angelegt oder bei jedem Anruf dynamisch erzeugt werden. Letzteres ist für den Unternehmenseinsatz besonders wertvoll. Bei einem eingehenden Anruf fragt Vapi einen Endpunkt des Unternehmens an, und dieser liefert eine Konfiguration zurück, etwa mit dem Namen des Kunden, seiner letzten Bestellung oder einer passenden Sprache. So entstehen personalisierte Gespräche, ohne dass für jede Variante ein eigener Assistent gepflegt werden muss. Variablen im Prompt erlauben zudem, Kontext wie Kundennummer oder Termin direkt einzusetzen.

Squads und Workflows: mehrere Agenten, ein Gespräch

Ein einzelner Assistent mit einem sehr langen Prompt und vielen Werkzeugen wird schnell unzuverlässig. Vapi bietet daher Squads an: Gruppen von Assistenten, die sich ein Gespräch teilen und einander übergeben. Ein Empfangsassistent klärt das Anliegen und übergibt an einen Spezialisten für Terminvereinbarung, Reklamation oder Bestellstatus. Jeder Spezialist hat einen schlanken Prompt und nur die Werkzeuge, die er braucht. Bei der Übergabe kann der Gesprächskontext mitgegeben werden, sodass der Anrufer nichts wiederholen muss. Für den Anrufer wirkt das im besten Fall wie ein durchgehendes Gespräch, auf Wunsch auch mit unterschiedlichen Stimmen.
Ergänzend hat Vapi visuelle Werkzeuge eingeführt, mit denen Gesprächsabläufe als Knoten und Verbindungen modelliert werden – etwa für Abläufe, die streng einem Schema folgen müssen, wie Identitätsprüfung oder Datenerfassung. Bezeichnung, Umfang und Reifegrad dieser Workflow-Funktionen haben sich mehrfach verändert; ihr aktueller Stand ist beim Anbieter zu prüfen. Grundsätzlich gilt: Freie, promptgesteuerte Agenten sind flexibel, aber schwerer vorherzusagen; strukturierte Abläufe sind berechenbarer, aber weniger natürlich. Gute Lösungen kombinieren beides.

Tools und Telefonie: vom Gespräch zur Aktion

Tools machen aus einem Gesprächspartner einen Sachbearbeiter. Vapi unterstützt eigene Funktionen, die das Modell mit strukturierten Parametern aufruft und die ein Server des Unternehmens ausführt, etwa „Lieferstatus abfragen“ oder „Termin buchen“. Daneben gibt es eingebaute Werkzeuge für typische Telefonaufgaben: Anruf an eine Rufnummer oder einen anderen Assistenten weiterleiten, Gespräch beenden, Tastentöne senden, Wissensdatenbanken abfragen. Hinzu kommen vorgefertigte Integrationen zu verbreiteten Diensten sowie die Anbindung über das Model Context Protocol (MCP) – die jeweils verfügbare Auswahl ist in der Dokumentation zu prüfen.
Bei der Telefonie bietet Vapi mehrere Wege. Rufnummern können direkt über die Plattform bezogen werden, wobei die Verfügbarkeit deutscher Nummern ausdrücklich zu prüfen ist. Alternativ werden Nummern bestehender Anbieter wie Twilio, Vonage oder Telnyx importiert, oder ein SIP-Trunk bindet die eigene Telefonanlage an. Unterstützt werden eingehende und ausgehende Anrufe, Weiterleitungen mit oder ohne Ankündigung an den Mitarbeiter sowie Kampagnen für größere Mengen ausgehender Anrufe. Für Websites und Apps stehen Web- und Client-SDKs bereit, über die Nutzer direkt im Browser mit dem Agenten sprechen.
Gesprächsmechanik ist Feintuning

Die Standardwerte für Sprechpausen, Unterbrechungen und Endpunkterkennung sind auf englischsprachige Gespräche optimiert. Deutsche Sätze mit Verb am Ende, Zahlenfolgen und Nachdenkpausen brauchen oft andere Einstellungen. Planen Sie gezielte Tests über echte Telefonleitungen ein – kleine Änderungen wirken hier oft stärker als ein Modellwechsel.

Kapitel 04 · KI- & Automatisierungsfunktionen

Wissen, Analyse und automatisierte Qualitätssicherung

Neben der eigentlichen Gesprächsführung bietet Vapi Funktionen, die vor und nach dem Gespräch ansetzen: Wissensquellen für fundierte Antworten, automatische Auswertung jedes Anrufs, Testsimulationen und Ereignisse, die nachgelagerte Prozesse anstoßen. Gerade diese Funktionen entscheiden, ob ein Voice Agent im Alltag steuerbar bleibt.

Wissensbasis und Kontext aus Unternehmenssystemen

Ein Voice Agent soll Fragen zu Öffnungszeiten, Produkten, Lieferbedingungen oder Garantieregeln beantworten können, ohne dass all das im Prompt steht. Vapi bietet dafür die Möglichkeit, Wissensquellen wie Dokumente oder Webseiten hinzuzufügen, auf die der Agent bei Bedarf zugreift. Technisch handelt es sich um eine Suche in aufbereiteten Textabschnitten, deren Treffer dem Sprachmodell als Kontext mitgegeben werden. Für einfache FAQ-Szenarien funktioniert das gut. Bei umfangreichen, sich häufig ändernden Inhalten oder sensiblen Daten ist es oft sinnvoller, die Suche im eigenen System zu betreiben und per Tool anzubinden – dann bleiben Datenhaltung, Aktualität und Zugriffsrechte in der eigenen Hand.
Wichtig für Telefonanwendungen: Jede Suche kostet Zeit, und Stille am Telefon wird schnell als Verbindungsabbruch gedeutet. Bewährt haben sich kurze Ankündigungen („Einen Moment, ich sehe nach“), schlanke Wissensabschnitte und klare Anweisungen, was der Agent tun soll, wenn er keine verlässliche Antwort findet – etwa einen Rückruf anbieten, statt zu raten.

Gesprächsanalyse, strukturierte Daten und Webhooks

Nach jedem Gespräch kann Vapi eine automatische Auswertung erzeugen: eine Zusammenfassung, eine Bewertung, ob das Gesprächsziel erreicht wurde, und strukturierte Daten, die nach einem vorgegebenen Schema aus dem Gespräch extrahiert werden – etwa Anliegen, Kundennummer, Terminwunsch, Dringlichkeit oder Stimmung. Diese Daten werden über Webhooks an einen Endpunkt des Unternehmens geschickt und können von dort ins CRM, ins Ticketsystem oder in eine Automatisierungsplattform fließen. Während des Gesprächs liefert die Plattform ebenfalls Ereignisse, etwa Statusänderungen, Transkriptfragmente oder Werkzeugaufrufe.
Diese Auswertung ist einer der größten Hebel für den Nutzen eines Voice Agents. Selbst wenn der Agent ein Anliegen nicht abschließend löst, liefert er eine saubere Zusammenfassung, die dem Mitarbeiter beim Rückruf Zeit spart. Gleichzeitig entstehen Daten, die besonders schutzbedürftig sein können: Transkripte, Aufzeichnungen, abgeleitete Merkmale. Welche davon gespeichert werden, wo und wie lange, sollte bewusst konfiguriert werden – Vapi bietet dafür Einstellungen, deren aktueller Umfang zu prüfen ist.

Tests, Simulationen und Monitoring

Ein Voice Agent ist nie fertig. Jede Änderung am Prompt, am Modell oder an einem Werkzeug kann Nebenwirkungen haben. Vapi bietet deshalb Funktionen für automatisierte Tests: Simulierte Anrufer spielen definierte Szenarien durch, und das Ergebnis wird gegen Erwartungen geprüft. Ergänzend gibt es Protokolle, Gesprächsübersichten und Metriken zu Dauer, Kosten und Fehlern. Für anspruchsvollere Auswertungen nutzen viele Teams zusätzlich spezialisierte Observability- und Testwerkzeuge von Drittanbietern.
Aus Projekterfahrung empfehlen wir, eine eigene Testsuite unabhängig von der Plattform aufzubauen: eine Sammlung typischer und schwieriger Gesprächsverläufe mit erwarteten Ergebnissen. Sie macht Änderungen sicher, erleichtert einen späteren Anbieterwechsel und schafft eine gemeinsame Qualitätssprache zwischen Fachbereich und Technik.
Empfehlung aus der Praxis

Definieren Sie das Schema für strukturierte Daten gemeinsam mit den Mitarbeitenden, die später mit den Ergebnissen arbeiten. Eine Zusammenfassung, die niemand liest, und Felder, die im CRM keinen Platz haben, erzeugen nur Datenballast – und Datenschutzrisiken ohne Gegenwert.

Kapitel 05 · Integrationen & Ökosystem

Provider-Wahl, Telefonie und Anbindung an Geschäftsprozesse

Die Stärke von Vapi liegt in der Offenheit. Für jede Stufe der Sprachkette stehen mehrere Anbieter zur Wahl, Telefonie lässt sich auf verschiedenen Wegen anbinden, und über Webhooks, Tools und Automatisierungsplattformen fließen Daten in CRM, ERP und Ticketsysteme. Jede dieser Verbindungen will aber bewusst gewählt werden – technisch wie datenschutzrechtlich.

Baustein Typische Optionen Aufwand Hinweis
Spracherkennung (STT) Deepgram, AssemblyAI, Speechmatics, Modelle großer Cloud-Anbieter Gering Deutsch-Qualität und Fachbegriffe gezielt testen
Sprachmodell (LLM) OpenAI, Anthropic, Google, weitere; eigenes Modell per kompatiblem Endpunkt Gering bis mittel EU-Bezugsoptionen der Modellanbieter prüfen
Sprachsynthese (TTS) ElevenLabs, Cartesia, Anbieter großer Clouds, weitere Gering Aussprache von Namen, Zahlen und Adressen prüfen
Telefonie Vapi-Nummern, Twilio, Vonage, Telnyx, SIP-Trunk Mittel Deutsche Rufnummern, Regulatorik, weiterer Auftragsverarbeiter
CRM, ERP, Ticketing Eigene Tools per Server-Endpunkt, MCP, vorgefertigte Integrationen Mittel Saubere APIs der Kernsysteme vorausgesetzt
Automatisierung n8n, Make, Zapier über Webhooks und Tools Gering bis mittel n8n selbst gehostet für mehr Datenhoheit

Provider-Wahl: drei Entscheidungen statt einer

Bei Vapi wählen Teams nicht ein Sprachsystem, sondern drei Bausteine plus Telefonie. Die Spracherkennung entscheidet, ob Kundennummern, Straßennamen, Produktbezeichnungen und Dialekte korrekt verstanden werden. Das Sprachmodell bestimmt, wie gut der Agent Anweisungen befolgt, Werkzeuge korrekt aufruft und beim Thema bleibt – und welche Verzögerung entsteht. Die Sprachsynthese prägt Klang, Natürlichkeit und Aussprache. Neben dieser klassischen Kette unterstützt Vapi je nach Stand auch Speech-to-Speech-Modelle, etwa die OpenAI Realtime API, bei denen Verstehen und Sprechen in einem Modell zusammenfallen.
Für Unternehmen bedeutet diese Wahlfreiheit eine Chance und eine Pflicht. Die Chance: Es lässt sich für jede Stufe der Anbieter wählen, der für Deutsch, für das Budget und für den Datenschutz am besten passt – inklusive Bausteinen mit EU-Verarbeitung, sofern verfügbar. Die Pflicht: Jeder Anbieter ist ein weiterer Empfänger von Sprachdaten, braucht einen Vertrag und eine Bewertung. Mit eigenen API-Schlüsseln (Bring your own Key) wird das Unternehmen selbst Vertragspartner des jeweiligen Anbieters und gewinnt Kontrolle über dessen Konfiguration, etwa Speicherfristen. Wer die Bausteine über Vapi bezieht, sollte genau prüfen, welche Vertragsbeziehung tatsächlich besteht.

Telefonie: Twilio, SIP und die eigene Telefonanlage

Im DACH-Raum ist die Telefonie häufig der unterschätzte Teil. Ob eine deutsche Ortsnetz- oder Servicenummer direkt über Vapi verfügbar ist, welche Nachweise für die Registrierung nötig sind und wie Weiterleitungen in die eigene Telefonanlage funktionieren, muss im Einzelfall geklärt werden. Bewährte Wege sind der Import von Nummern eines CPaaS-Anbieters wie Twilio, der in Deutschland eingeführt ist, oder ein SIP-Trunk zur bestehenden Cloud-Telefonanlage. Dann bleibt die bekannte Rufnummer erhalten, und der Voice Agent wird zu einem weiteren Ziel in der Anrufverteilung – etwa nur außerhalb der Geschäftszeiten oder bei Überlauf.
Für die Übergabe an Menschen gibt es zwei Muster. Bei der einfachen Weiterleitung wird der Anrufer direkt durchgestellt. Bei der angekündigten Übergabe informiert der Agent den Mitarbeiter vorab über das Anliegen, bevor er verbindet. Letzteres ist komfortabler, setzt aber eine funktionierende Rückfrage-Logik in der Telefonie voraus. In beiden Fällen sollte die Gesprächszusammenfassung parallel im CRM oder Ticket landen.

CRM, n8n und Make: Daten in Prozesse überführen

Für die Anbindung an Geschäftsprozesse nutzen viele Teams Automatisierungsplattformen. Ein Webhook am Gesprächsende startet einen Workflow in n8n oder Make, der die strukturierten Daten ins CRM schreibt, ein Ticket anlegt, eine E-Mail an den Außendienst schickt oder einen Termin bestätigt. Auch Werkzeuge während des Gesprächs lassen sich so umsetzen – mit dem Vorbehalt, dass Automatisierungsplattformen Verzögerung erzeugen können, die am Telefon spürbar wird. Für zeitkritische Abfragen ist ein schlanker eigener Endpunkt oft die bessere Wahl. Wer Wert auf Datenhoheit legt, betreibt n8n selbst auf Servern in Deutschland und hält so zumindest die nachgelagerte Verarbeitung in der EU.
Kapitel 06 · Abgrenzung

Vapi im Vergleich zu Alternativen

Vapi konkurriert mit anderen gehosteten Voice-Agent-Plattformen, mit Open-Source-Frameworks für eigene Infrastruktur und mit Enterprise-Plattformen für den Kundenservice. Die folgende Einordnung ist herstellerneutral und qualitativ – sie ersetzt keinen Vergleichstest mit eigenen Gesprächsszenarien.

Aspekt Vapi Retell AI Bland AI LiveKit / Pipecat Parloa / Cognigy
Grundansatz Gehostete Entwicklerplattform Gehostete Voice-Agent-Plattform Telefonie-fokussierte Plattform Open-Source-Framework Enterprise-Plattform Kundenservice
Flexibilität Provider Sehr hoch Hoch Mittel Maximal Je nach Plattform
Time-to-first-Call Sehr kurz Sehr kurz Kurz Länger Projektabhängig
Self-Hosting / EU-Hosting Gehostet, EU-Optionen prüfen Gehostet, prüfen Prüfen Selbst betreibbar EU-Hosting verbreitet
Benötigte Skills Entwicklung Entwicklung, etwas weniger Entwicklung Entwicklung & Betrieb Gering bis mittel
Sweet Spot Agenturen, Produkte, Experimente Telefon-Agenten mit wenig Aufwand Hohe Volumen ausgehend und eingehend Volle Kontrolle, Datenhoheit Contact Center ohne Eigenentwicklung

Vapi vs. Retell AI und Bland AI

Retell AI ist der Anbieter, der Vapi im Ansatz am nächsten kommt: ebenfalls eine gehostete Plattform für Telefon-Agenten mit Wahl zwischen verschiedenen Modellen und Stimmen. In der Praxis wird Retell häufig als etwas stärker kuratiert und im Dashboard zugänglicher wahrgenommen, Vapi als offener und mit mehr Stellschrauben für Entwickler. Diese Unterschiede verschieben sich mit jeder Produktversion. Bland AI positioniert sich stärker als Telefonie-Plattform für Unternehmen mit hohen Anrufvolumen und legt Wert auf kontrollierte Gesprächsabläufe und eigene Infrastruktur. Alle drei sind US-Anbieter; die Datenschutzfragen sind daher ähnlich gelagert. Eine Entscheidung sollte auf einem parallelen Test mit denselben deutschen Gesprächsszenarien beruhen, nicht auf Feature-Listen.

Vapi vs. LiveKit und Pipecat

LiveKit und Pipecat sind Open-Source-Frameworks, mit denen Teams die Echtzeit-Pipeline selbst bauen und betreiben. Sie bieten Bausteine für Audio-Transport, Sprechererkennung, Unterbrechungen und Anbieter-Anbindungen, verlangen aber eigene Server, eigenes Monitoring und mehr Engineering. Der große Vorteil liegt in der Datenhoheit: Die Orchestrierung kann in einem deutschen Rechenzentrum oder On-Premises laufen, kombiniert mit EU-gehosteten oder selbst betriebenen Modellen. Für Unternehmen mit strengen Datenschutzanforderungen ist das oft der tragfähigere Weg. Ein häufiges Muster: Prototyp mit Vapi, um Use Case und Gesprächsdesign zu validieren, Produktivbetrieb auf einem Framework – sofern Volumen und Anforderungen den Mehraufwand rechtfertigen.

Vapi vs. Parloa, Cognigy und Contact-Center-Suiten

Parloa und Cognigy sind Plattformen, die auf den Kundenservice größerer Unternehmen zugeschnitten sind. Sie bieten Fachanwendern Werkzeuge zur Gestaltung von Dialogen, Integrationen in Contact-Center-Systeme, Rollen- und Freigabeprozesse und häufig europäisches Hosting. Dafür sind sie weniger offen für freies Experimentieren und in der Regel mit höheren Einstiegsinvestitionen verbunden. Contact-Center-Suiten wie Genesys oder NICE integrieren Voice Agents zunehmend direkt. Für einen Mittelständler mit wenigen, klar umrissenen Telefonprozessen und einem Umsetzungspartner kann Vapi die schlankere Lösung sein; für ein Contact Center mit vielen Agenten, Kanälen und Compliance-Vorgaben ist eine Enterprise-Plattform oft passender.
Stärken
  • Sehr schneller Weg zum ersten telefonierenden Agenten
  • Freie Wahl von Spracherkennung, Sprachmodell und Stimme
  • API-first, gut automatisierbar und in Produkte integrierbar
  • Telefonie, Squads, Tools und Auswertung aus einer Hand
  • Große Entwickler-Community und viele Beispiele
Einschränkungen
  • US-Anbieter mit Drittlandbezug und langer Sub-Prozessor-Kette
  • Kein Self-Hosting der Orchestrierung
  • Standardeinstellungen auf Englisch optimiert
  • Schnelle Produktänderungen, teils wechselnde Konzepte
  • Für Fachabteilungen ohne IT nur bedingt geeignet
Kapitel 07 · Einführung & Betrieb

Vom Prototyp zum stabilen Voice Agent

Mit Vapi ist ein Demo-Anruf in einer Stunde möglich. Ein Voice Agent, der täglich viele Gespräche zuverlässig führt, Daten korrekt in Systeme schreibt und im Fehlerfall sauber an Menschen übergibt, braucht dagegen ein strukturiertes Vorgehen. Die folgenden Schritte haben sich bewährt.

01
Use Case und Erfolgskriterien
Welche Anrufe soll der Agent übernehmen, in welchem Zeitfenster, mit welchem Volumen? Wir priorisieren nach Häufigkeit, Prozessklarheit und Integrationsaufwand und definieren messbare Ziele wie Lösungsquote, Übergabequote und Zufriedenheit.
02
Datenschutz- und Architekturentscheidung
Welche Bausteine für STT, LLM und TTS, mit welchen EU-Optionen? Eigene Schlüssel oder Bezug über Vapi? Welche Telefonie? Aufzeichnung ja oder nein? Diese Fragen bestimmen Verträge und Datenflüsse und gehören vor den Prototyp.
03
Prototyp mit deutschen Testgesprächen
Zwei bis drei Kernszenarien, wenige Werkzeuge, Tests über echte Telefonleitungen mit unterschiedlichen Sprechern, Dialekten und Störgeräuschen – ohne echte Kundendaten.
04
Testsuite und Konfiguration als Code
Assistenten, Squads und Tools werden versioniert per API gepflegt, nicht nur im Dashboard. Eine Szenario-Sammlung prüft jede Änderung automatisiert und per Hörprobe.
05
Pilot mit begrenztem Volumen
Start außerhalb der Geschäftszeiten oder bei Überlauf, mit klarer Übergabe an Mitarbeitende und enger Auswertung. Fehler aus echten Gesprächen werden zu neuen Testfällen.
06
Skalierung und Betrieb
Ausbau auf weitere Anliegen, Monitoring von Qualität, Kosten und Verfügbarkeit, definierter Prozess für Modell- und Providerwechsel sowie eine verantwortliche Person auf Fachseite.

Konfiguration als Code und Umgebungen

Das Dashboard von Vapi lädt zum Ausprobieren ein. Für den Produktivbetrieb sollte die Konfiguration aber nicht nur dort leben. Bewährt hat sich, Assistenten, Squads, Tools und Prompts als Dateien in einer Versionsverwaltung zu pflegen und per API auszurollen. Damit ist nachvollziehbar, wer wann was geändert hat, Änderungen lassen sich zurücknehmen, und getrennte Umgebungen für Entwicklung, Test und Produktion werden möglich. Ebenso wichtig: API-Schlüssel und Zugänge zu Unternehmenssystemen gehören in einen Geheimnisspeicher, nicht in Prompts oder öffentliche Web-Clients. Für Web-Anwendungen nutzt man öffentliche Schlüssel mit eingeschränkten Rechten.

Kostenkontrolle, Ausfälle und Rückfallebenen

Da Vapi und die eingebundenen Anbieter nutzungsabhängig abrechnen, können Kosten bei hohem Volumen oder langen Gesprächen schnell steigen. Wirksame Hebel sind eine maximale Gesprächsdauer, schlanke Prompts, kleinere Modelle für einfache Abschnitte, Squads statt eines überladenen Assistenten und Ausgaben, die kurz und gesprächstauglich bleiben. Budgetwarnungen auf Plattform- und Providerebene gehören zum Standard.
Ebenso wichtig sind Rückfallebenen. Jeder Baustein in der Kette kann langsamer werden oder ausfallen: Vapi selbst, das Sprachmodell, die Stimme, der Telefonie-Carrier, das eigene CRM. Vapi bietet Möglichkeiten, alternative Anbieter für einzelne Stufen zu hinterlegen; zusätzlich braucht es eine Strategie auf Telefonieebene – etwa eine Weiterleitung an die Zentrale oder eine Ansage mit Rückrufangebot, wenn der Agent nicht erreichbar ist. Eine Statusüberwachung, die auch nachts Alarm schlägt, ist Pflicht, sobald der Agent echte Kundenanrufe annimmt.
Realistische Zeitplanung

Ein überzeugender Prototyp ist mit erfahrenem Team in wenigen Tagen bis Wochen machbar. Bis zum stabilen Produktivbetrieb mit Telefonie-Integration, Werkzeugen, Testsuite, Monitoring und Datenschutz-Dokumentation vergehen typischerweise mehrere Monate. Der Engpass liegt selten bei Vapi, sondern bei Schnittstellen, Freigaben und Abstimmungen mit Datenschutz und Betriebsrat.

Kapitel 08 · Einsatz im Mittelstand

Vapi im DACH-Mittelstand

Für mittelständische Unternehmen ist telefonische Erreichbarkeit oft ein Engpass: Fachkräfte fehlen, Telefonzeiten sind begrenzt, und viele Anrufe drehen sich um dieselben Fragen. Voice Agents auf Basis von Vapi können hier entlasten – vorausgesetzt, sie sprechen gutes Deutsch und sind sauber in die Prozesse eingebunden.

Anrufannahme und Vorqualifizierung

Der Agent nimmt Anrufe an, klärt das Anliegen, erfasst Kundennummer und Kontext und leitet gezielt weiter – mit Zusammenfassung im CRM oder Ticket.

Weniger Weiterleitungen
Erreichbarkeit nach Feierabend

Abends, am Wochenende oder bei Überlauf beantwortet der Agent Standardfragen, nimmt Störungsmeldungen auf und vereinbart Rückrufe statt Mailbox.

Rund um die Uhr erreichbar
Terminvereinbarung

Handwerksbetriebe, Praxen, Werkstätten und Dienstleister lassen Termine buchen, verschieben oder absagen – mit Anbindung an Kalender und Auftragssystem.

Entlastung am Empfang
Bestell- und Lieferstatus

Großhandel und Hersteller beantworten wiederkehrende Fragen zu Lieferterminen und Rückständen automatisch aus dem ERP – auf Wunsch mehrsprachig.

Innendienst entlastet
Ausgehende Erinnerungen

Terminbestätigungen, Wartungserinnerungen oder Rückfragen zu offenen Aufträgen bei Bestandskunden – nur mit geklärter Rechtsgrundlage und klarer KI-Kennzeichnung.

Weniger Ausfälle
Sprachfunktionen im eigenen Produkt

Softwareanbieter und Agenturen integrieren Voice Agents per API in ihre Lösungen – etwa für Branchensoftware, Kundenportale oder Schulungsanwendungen.

Produktdifferenzierung

Deutsch-Qualität systematisch testen

Viele Beispiele, Vorlagen und Standardwerte im Vapi-Ökosystem stammen aus dem englischsprachigen Raum. Für den DACH-Einsatz ist deshalb ein gezielter Sprachtest unverzichtbar. Er sollte mindestens folgende Punkte abdecken: das Verstehen von Kundennummern, Postleitzahlen, Telefonnummern und E-Mail-Adressen, die gebuchstabiert oder in Gruppen gesprochen werden; Eigennamen, Ortsnamen und Produktbezeichnungen; regionale Färbungen von Norddeutsch bis Schwäbisch, Österreichisch und Schweizerdeutsch; Hintergrundgeräusche aus Werkstatt, Auto oder Baustelle. Auf der Ausgabeseite zählen die Aussprache von Zahlen, Datumsangaben, Abkürzungen und Fremdwörtern sowie ein Tonfall, der zu Duzen oder Siezen passt.
Bewährt hat sich ein Vergleichstest mehrerer Kombinationen: zwei bis drei Spracherkennungsdienste, zwei Sprachmodelle, zwei bis drei Stimmen, jeweils mit denselben aufgezeichneten oder live gesprochenen Testsätzen. Gemessen werden Erkennungsfehler bei kritischen Daten, Werkzeugtreue, Verzögerung und subjektive Natürlichkeit, bewertet von Mitarbeitenden, die die Kundschaft kennen. Ergänzend sollten Gesprächsmechanik-Einstellungen für Deutsch angepasst werden, weil deutsche Sätze die wichtigsten Informationen oft am Ende tragen und Nachdenkpausen sonst als Satzende gedeutet werden.

Wer zu Vapi passt – und wer nicht

Gut passt Vapi zu Unternehmen, die einen Umsetzungspartner oder eigene Entwickler haben, schnell und mit überschaubarem Budget einen Use Case validieren wollen, Wert auf freie Modellwahl legen oder Voice-Funktionen in eigene Produkte einbauen. Auch Agenturen, die mehrere Kunden mit Voice Agents betreuen, profitieren von der API-Orientierung. Weniger gut passt Vapi, wenn sehr sensible Daten im Spiel sind und eine Verarbeitung ausschließlich in der EU vertraglich zugesichert sein muss, wenn keine technische Betreuung vorhanden ist oder wenn ein großes Contact Center mit vielen Kanälen und strengen Freigabeprozessen automatisiert werden soll. Dann sind ein selbst betriebenes Framework oder eine europäische Enterprise-Plattform die naheliegenderen Optionen.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO und Datenhoheit

Vapi rechnet nutzungsabhängig ab, und Vapi ist ein US-Anbieter mit einer Kette weiterer Dienstleister. Beides prägt die Planung: Kosten skalieren mit Volumen, Gesprächslänge und gewählten Bausteinen, und die datenschutzrechtliche Bewertung muss Drittlandtransfer, US-Zugriffsrechte und Sub-Prozessoren ausdrücklich adressieren. Konkrete Preise nennen wir nicht; sie sind beim Anbieter zu prüfen.

Plattform
Variabel / beim Anbieter prüfen
Gebühr pro Gesprächsminute plus Zusatzoptionen
  • Orchestrierung, gleichzeitige Leitungen, Speicherfristen und Support je nach Plan. Enterprise-Konditionen individuell.
Provider
€–€€€ / konfigurationsabhängig
Spracherkennung, Sprachmodell, Sprachsynthese
  • Größter Hebel auf den Minutenpreis. Abrechnung über Vapi oder direkt mit eigenen Schlüsseln.
Telefonie
€–€€ / minutenabhängig
Rufnummern, Gesprächsminuten, SIP-Trunks
  • Kosten des Carriers kommen hinzu. Deutsche Nummern, Weiterleitungen und Auslandsanrufe gesondert prüfen.
Team & Betrieb
€€€ / laufend
Entwicklung, Gesprächsdesign, Qualitätssicherung
  • Häufig der größte Block: Ein Voice Agent ist ein Produkt, das laufend getestet und verbessert werden muss.

Kosten verstehen und steuern

Die Gesamtkosten eines Vapi-Agenten setzen sich aus mehreren Schichten zusammen, die sich gegenseitig beeinflussen. Ein leistungsfähiges Sprachmodell kann teurer pro Minute sein, aber durch bessere Werkzeugtreue Folgekosten vermeiden. Eine hochwertige Stimme kostet mehr, kann aber die Akzeptanz bei Anrufern deutlich verbessern. Lange Gespräche werden überproportional teurer, weil der wachsende Gesprächskontext bei jeder Antwort erneut verarbeitet wird. Für die Wirtschaftlichkeit empfehlen wir deshalb die Rechnung pro gelöstem Anliegen: Was kostet ein vollständig durch den Agenten erledigter Anruf inklusive Plattform, Bausteinen, Telefonie und anteiligem Betrieb – und was kostet derselbe Anruf im eigenen Team? Diese Zahlen lassen sich nur im Pilotbetrieb seriös ermitteln.
Datenschutz-Stack im Detail

Bei Vapi werden Stimme, Transkripte und Gesprächsinhalte über eine US-Plattform an mehrere Dienstleister übertragen. Stimmen sind personenbezogene Daten, Gesprächsinhalte häufig ebenfalls. Folgende Punkte sind für die Bewertung besonders relevant:

Serverstandort
Standardmäßig Verarbeitung in den USA – EU-Region oder Datenresidenz aktuell beim Anbieter prüfen
Drittlandtransfer
Grundlage prüfen: Angemessenheitsbeschluss mit Zertifizierung oder Standardvertragsklauseln
CLOUD Act
US-Behördenzugriff auf Daten von US-Unternehmen – auch bei EU-Speicherort in die Risikobewertung aufnehmen
Sub-Prozessoren
Kette aus Hosting, STT, LLM, TTS und Telefonie vollständig erfassen und dokumentieren
Speicherung
Aufzeichnung, Transkripte und Logs konfigurierbar halten, Fristen und Löschung festlegen
AVV
Mit Vapi und jedem direkt beauftragten Provider abschließen, Vertragspartner prüfen

Drittlandtransfer, CLOUD Act und die Sub-Prozessor-Kette

Der Einsatz von Vapi bedeutet in der Regel eine Übermittlung personenbezogener Daten in die USA. Für die Zulässigkeit ist zu prüfen, ob der Anbieter unter dem EU-US Data Privacy Framework zertifiziert ist oder ob Standardvertragsklauseln mit ergänzenden Maßnahmen greifen. Unabhängig davon unterliegen US-Unternehmen dem CLOUD Act, der US-Behörden unter bestimmten Voraussetzungen Zugriff auf Daten erlaubt – auch wenn diese außerhalb der USA gespeichert sind. Dieses Risiko sollte in der Datenschutz-Folgenabschätzung offen benannt und bewertet werden.
Besonders wichtig bei Vapi ist die Sub-Prozessor-Kette. Ein einzelner Anruf kann Daten an den Telefonie-Carrier, die Vapi-Plattform, deren Cloud-Hosting, einen Spracherkennungsdienst, einen Modellanbieter und einen Sprachsynthesedienst übermitteln – plus Ihre eigenen Server und Automatisierungsplattformen. Jeder dieser Empfänger braucht eine Rechtsgrundlage, einen Vertrag und eine Bewertung. Die freie Provider-Wahl ist hier ein Vorteil: Wer für Spracherkennung, Modell und Stimme Anbieter mit EU-Verarbeitung wählt, eigene Schlüssel nutzt und Aufzeichnung sowie Speicherung minimiert, reduziert den Drittlandbezug deutlich, beseitigt ihn aber nicht, solange die Orchestrierung in den USA läuft. Wo das nicht genügt, sind Self-Hosting-Alternativen wie LiveKit oder Pipecat in einem deutschen Rechenzentrum, kombiniert mit EU-gehosteten oder selbst betriebenen Modellen, die DSGVO-konformere Option.

Aufzeichnung, Einwilligung und KI-Transparenz

Unabhängig vom Anbieter gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Anrufer, Datenminimierung, Löschkonzept und technische sowie organisatorische Maßnahmen. Bei Telefongesprächen ist besonders sensibel, ob Audio aufgezeichnet wird. Die Verarbeitung in Echtzeit ist anders zu bewerten als die dauerhafte Speicherung von Gesprächsaufnahmen. Für Aufzeichnungen ist in der Regel eine klare Information und häufig eine ausdrückliche Einwilligung erforderlich; zudem stellt das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes nach § 201 StGB eine Straftat dar. Dieser Hinweis ersetzt keine Prüfung, unterstreicht aber, dass Aufzeichnungsfunktionen nicht ungeprüft aktiviert werden sollten. Bei ausgehenden Anrufen kommen wettbewerbsrechtliche Vorgaben zur Telefonwerbung hinzu.
Der EU AI Act verlangt für KI-Systeme, die direkt mit Menschen interagieren, dass diese erkennen können, mit einer KI zu sprechen. Am Telefon bedeutet das einen klaren, gesprochenen Hinweis zu Beginn. Ein Konzept, das Aufzeichnung standardmäßig deaktiviert, Transkripte nach kurzer Frist löscht und nur die strukturierten Ergebnisse in eigene Systeme überführt, ist ein guter Ausgangspunkt für eine datensparsame Lösung.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die Bewertung des konkreten Einsatzes – insbesondere zu Drittlandtransfer, CLOUD Act, Sub-Prozessoren, Gesprächsaufzeichnung, Einwilligung, Telefonwerbung und den Pflichten aus dem EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Vapi

Die wichtigsten Antworten für Entscheider, Projektverantwortliche und IT-Teams im Überblick.

Was ist Vapi?
Vapi ist eine Entwicklerplattform und API für Voice Agents am Telefon und im Web. Sie orchestriert Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie in Echtzeit, sodass Unternehmen Sprach-Assistenten per Konfiguration statt per Eigenentwicklung der gesamten Pipeline bauen können. Gesprächsdesign, Systemanbindung und Datenschutz-Konzept bleiben Aufgabe des Unternehmens oder seines Partners.
Brauche ich Entwickler, um Vapi zu nutzen?
Für eine Demo nicht unbedingt, das Dashboard erlaubt erste Assistenten ohne Code. Sobald der Agent echte Systeme abfragt, Daten schreibt, an die Telefonanlage angebunden wird oder versioniert betrieben werden soll, sind Entwicklungskompetenzen nötig. Für den Mittelstand empfehlen wir einen Umsetzungspartner oder interne IT-Unterstützung.
Spricht Vapi gut Deutsch?
Das hängt von den gewählten Bausteinen ab, nicht von Vapi allein. Spracherkennung, Sprachmodell und Stimme bestimmen die Deutsch-Qualität. Wir empfehlen einen Vergleichstest mehrerer Kombinationen mit typischen Kundendaten, Dialekten und Störgeräuschen sowie angepasste Einstellungen für Sprechpausen.
Was kostet Vapi?
Vapi berechnet eine nutzungsabhängige Plattformgebühr; hinzu kommen Kosten für Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie sowie gegebenenfalls Zusatzoptionen oder Enterprise-Konditionen. Die tatsächlichen Kosten hängen stark von der Konfiguration ab. Aktuelle Preise sind beim Anbieter zu prüfen und im Piloten zu messen.
Kann ich unsere bestehende Rufnummer behalten?
In vielen Fällen ja – über einen SIP-Trunk zur bestehenden Telefonanlage oder über den Import von Nummern eines Telefonie-Anbieters wie Twilio. Der Agent wird dann zu einem Ziel in der Anrufverteilung, etwa bei Überlauf oder außerhalb der Geschäftszeiten. Details zur technischen Umsetzung sind mit dem Telefonie-Anbieter zu klären.
Ist Vapi DSGVO-konform einsetzbar?
Das lässt sich nicht pauschal beantworten. Vapi ist ein US-Anbieter; zu prüfen sind Drittlandtransfer, CLOUD Act, AVV, Sub-Prozessoren, Speicherfristen und Aufzeichnung. Die Wahl europäischer Bausteine und datensparsame Einstellungen verbessern die Lage. Wo eine reine EU-Verarbeitung erforderlich ist, sind selbst betriebene Frameworks wie LiveKit oder Pipecat die naheliegendere Option. Keine Rechtsberatung.
Dürfen Gespräche aufgezeichnet werden?
Nur mit klarer Rechtsgrundlage und transparenter Information, häufig mit ausdrücklicher Einwilligung. Das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes kann nach § 201 StGB strafbar sein. Aufzeichnung sollte daher standardmäßig deaktiviert und nur nach Prüfung mit dem Datenschutzbeauftragten aktiviert werden.
Was sind Squads?
Squads sind Gruppen spezialisierter Assistenten, die sich ein Gespräch teilen und einander übergeben. So kann ein Empfangsagent das Anliegen klären und an Spezialisten für Termine, Reklamationen oder Bestellstatus übergeben. Das hält Prompts schlank und macht das Verhalten berechenbarer als ein einzelner, überladener Agent.
Vapi, Retell AI oder LiveKit – was passt besser?
Vapi und Retell AI sind gehostete Plattformen für einen schnellen Start, Vapi mit besonders vielen Stellschrauben für Entwickler. LiveKit ist ein Open-Source-Framework für Teams, die die Pipeline selbst betreiben und Datenhoheit wollen. Die Entscheidung hängt von Datenschutzanforderungen, Teamkompetenz und Volumen ab; ein Vergleichstest mit eigenen Szenarien schafft Klarheit.
Was verlangt der EU AI Act von einem Voice Agent?
Für Systeme, die direkt mit Menschen interagieren, gelten Transparenzpflichten: Anrufer müssen erkennen können, dass sie mit einer KI sprechen. Am Telefon heißt das ein klarer, gesprochener Hinweis zu Beginn. Typische Service-Anwendungen sind meist nicht hochriskant, die Einstufung hängt aber vom Einsatzzweck ab und ist im Einzelfall zu bewerten.

Voice AI souverän einsetzen

Brauchen Sie eine tragfähige Voice-Agent-Strategie?

Wir prüfen herstellerunabhängig, ob Vapi zu Ihren Anforderungen passt: Use-Case-Auswahl, Provider-Kombination für Deutsch, Telefonie-Anbindung, Werkzeuge, Datenschutz mit Blick auf Drittlandtransfer und Sub-Prozessoren sowie Betriebsmodell – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf Retell AI, selbst betriebene Frameworks wie LiveKit und Pipecat sowie europäische Plattformen 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