Wissensdatenbank · Voice & Conversational AI · Grundlagen

Voice AI im Unternehmen – Sprach-KI am Telefon verstehen, bewerten und sicher einführen.

Voice AI hat das Telefon als Kanal neu belebt: Sprachassistenten verstehen frei formulierte Anliegen, führen natürliche Gespräche und erledigen Aufgaben direkt in CRM, ERP oder Kalender. Dieser Grundlagenartikel ordnet Begriffe, Technik, Anbieterlandschaft, Grenzen, Kosten und Rechtsrahmen herstellerneutral ein – damit Entscheider im Mittelstand fundiert beurteilen können, wo ein Voice Agent wirklich hilft und wo nicht.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

28 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Grundlagenbeitrag
Voice AI
Konzept · Technologiefeld · herstellerneutral
Begriff
Sprachbasierte KI für automatisierte Dialoge
Ausprägungen
IVR, Voicebot, Voice Agent
Kerntechnik
STT, LLM, TTS, Speech-to-Speech, Telefonie
Haupteinsatz
Service-Hotline, Termine, Bestellungen
Rechtsrahmen
DSGVO, EU AI Act, UWG, TKG-Bezüge
Reifegrad
Produktiv einsetzbar, schnell in Bewegung
INAGRO Relevanz für den Mittelstand
★★★★★
Kapitel 01 · Begriffe & Abgrenzung

Was ist Voice AI – und was unterscheidet sie von der klassischen Telefonansage?

Voice AI bezeichnet den Einsatz künstlicher Intelligenz, um gesprochene Sprache zu verstehen, sinnvoll darauf zu reagieren und selbst natürlich klingend zu sprechen. Im Unternehmenskontext geht es fast immer um ein konkretes Ziel: Gespräche am Telefon oder über andere Sprachkanäle ganz oder teilweise zu automatisieren, ohne dass Anrufer sich durch starre Tastenmenüs quälen müssen.

Der Begriff ist unscharf, weil er sehr unterschiedliche Systeme umfasst. Ein Diktierprogramm nutzt Voice AI ebenso wie ein Sprachassistent im Auto oder ein vollautomatischer Telefonagent, der Termine vergibt. In diesem Artikel konzentrieren wir uns auf das Feld, das für Unternehmen derzeit die größte Bedeutung hat: Conversational AI am Telefon, also Systeme, die mit Kunden, Lieferanten, Patienten oder Mitarbeitenden ein echtes Gespräch führen. Daneben spielen sprachbasierte Analysewerkzeuge, etwa die automatische Zusammenfassung von Telefonaten oder die Echtzeit-Unterstützung von Servicemitarbeitenden, eine wachsende Rolle.
Warum gerade jetzt? Über viele Jahre war Sprachautomatisierung am Telefon gleichbedeutend mit frustrierenden Erlebnissen: Anrufer mussten sich durch Menüs drücken, Schlüsselwörter deutlich aussprechen und landeten trotzdem oft in der falschen Warteschlange. Mit großen Sprachmodellen, deutlich besserer Spracherkennung und Sprachsynthese, die kaum noch von menschlichen Stimmen zu unterscheiden ist, hat sich das Bild grundlegend verändert. Heute sind Gespräche möglich, die sich flüssig anfühlen, Rückfragen erlauben und Themenwechsel verkraften.

Drei Generationen: IVR, Voicebot und Voice Agent

Für eine saubere Diskussion im Projekt lohnt es sich, drei Ausprägungen zu unterscheiden, die im Markt häufig durcheinandergeworfen werden:
  • IVR (Interactive Voice Response) – das klassische Sprachdialogsystem mit Tastenwahl oder einfacher Schlüsselworterkennung: „Drücken Sie die 1 für den Vertrieb.“ IVR-Systeme sind deterministisch, zuverlässig und günstig im Betrieb, aber unflexibel. Sie routen Anrufe, lösen aber selten ein Anliegen.
  • Voicebot – die zweite Generation mit Spracherkennung und klassischem Sprachverständnis über Intents und Entitäten. Ein Voicebot versteht Sätze wie „Ich möchte meine Adresse ändern“, ordnet sie einem vordefinierten Anliegen zu und führt einen festgelegten Dialog. Das funktioniert gut, solange Anrufer sich im erwarteten Rahmen bewegen.
  • Voice Agent – die aktuelle Generation, in der ein großes Sprachmodell das Gespräch steuert oder zumindest das Verstehen übernimmt. Voice Agents erfassen komplexe, verschachtelte Anliegen, stellen sinnvolle Rückfragen, greifen über Werkzeuge auf Unternehmenssysteme zu und können Aufgaben selbstständig abschließen. Der Begriff „Agent“ betont diese Handlungsfähigkeit.
In der Praxis verschwimmen die Grenzen. Viele produktive Lösungen kombinieren ein IVR-Grundgerüst für Notfälle und Öffnungszeiten, einen klar strukturierten Voicebot-Prozess für sensible Abläufe und LLM-gestütztes Verstehen für die Vielfalt menschlicher Formulierungen. Gerade diese hybride Bauweise ist oft der Schlüssel zu Systemen, die zuverlässig und gleichzeitig angenehm sind.

Verwandte Begriffe: Conversational AI, Sprach-KI, Contact Center AI

Conversational AI ist der Oberbegriff für alle dialogfähigen KI-Systeme, unabhängig vom Kanal – Chat, Messenger, Telefon oder Sprachassistent. Voice AI ist damit eine Teilmenge, die sich auf gesprochene Sprache konzentriert und eigene Herausforderungen mitbringt: Latenz, Audioqualität, Unterbrechungen und fehlende visuelle Hilfsmittel. Sprach-KI wird im Deutschen oft synonym verwendet, kann aber auch Einzeltechnologien wie Spracherkennung oder Sprachsynthese meinen. Contact Center AI wiederum umfasst neben automatisierten Gesprächen auch Werkzeuge für Mitarbeitende: Live-Transkription, Antwortvorschläge, automatische Gesprächsnotizen, Qualitätsauswertung und Stimmungsanalyse.
Diese Unterscheidung ist mehr als Begriffsarbeit. Sie entscheidet darüber, welche Anbieter überhaupt in Frage kommen, welche Projektrollen gebraucht werden und wie Erfolg gemessen wird. Ein Projekt zur Agentenunterstützung im Contact Center hat ein völlig anderes Risiko- und Nutzenprofil als ein vollautomatischer Voice Agent, der selbstständig mit Kunden spricht.
INAGRO-Einschätzung

Voice AI ist produktiv einsetzbar, aber kein Selbstläufer. Die Technik ist inzwischen gut genug für viele Standardanliegen am Telefon. Ob ein Projekt gelingt, entscheiden jedoch weniger die Modelle als die Auswahl der richtigen Anliegen, die saubere Anbindung an die eigenen Systeme, eine durchdachte Übergabe an Menschen und ein Betrieb, der Gespräche kontinuierlich auswertet und verbessert.

Kapitel 02 · Technologie-Stack

Der Technologie-Stack hinter einem Voice Agent

Ein Voice Agent ist kein einzelnes Programm, sondern eine Kette spezialisierter Komponenten, die in Echtzeit zusammenarbeiten müssen. Wer diese Kette versteht, kann Anbieterversprechen besser einordnen, Fehlerquellen gezielt suchen und Architekturentscheidungen fundiert treffen.

Spracherkennung (STT)
Hören

Speech-to-Text wandelt das Audiosignal des Anrufers fortlaufend in Text um. Für Telefonie zählen Streaming-Fähigkeit, Robustheit bei schlechter Leitung, Dialekten und Fachbegriffen sowie eine zuverlässige Erkennung des Gesprächsendes.

AufgabeAudio zu Text
KritischStreaming, Telefonqualität
BetriebCloud-API oder lokal
Beispieloffene und kommerzielle Modelle
Sprachmodell (LLM)
Denken

Das Sprachmodell versteht das Anliegen im Gesprächskontext, entscheidet über den nächsten Schritt, ruft Werkzeuge wie Kalender- oder CRM-Abfragen auf und formuliert die Antwort. Alternativ steuert eine feste Dialoglogik den Ablauf und das LLM übernimmt nur das Verstehen.

AufgabeVerstehen, Steuern, Formulieren
KritischAntwortzeit, Zuverlässigkeit
BetriebAPI, EU-Region, Self-Hosting
WerkzeugeFunction Calling
Sprachsynthese (TTS)
Sprechen

Text-to-Speech erzeugt aus der Antwort eine natürlich klingende Stimme. Moderne Systeme streamen das Audio, während der Text noch entsteht, beherrschen Betonung und Pausen und bieten verschiedene Stimmen, teils auch eigene Markenstimmen.

AufgabeText zu Audio
KritischNatürlichkeit, Startzeit
SonderfallZahlen, Namen, Adressen
BetriebCloud-API oder lokal
Telefonie & Orchestrierung
Verbinden

Die Telefonie-Schicht nimmt Anrufe über SIP-Trunk, Cloud-Telefonie oder die bestehende Telefonanlage an. Die Orchestrierung koordiniert Audioströme, erkennt Sprechpausen und Unterbrechungen, verwaltet den Gesprächszustand und übergibt bei Bedarf an Menschen.

AufgabeAnruf, Audio, Steuerung
KritischTurn-Taking, Weiterleitung
StandardsSIP, WebRTC, Websockets
ÜbergabeTransfer mit Kontext

Die Kaskade: STT, LLM und TTS hintereinander

Die heute verbreitetste Architektur ist die sogenannte Kaskade: Spracherkennung, Sprachmodell und Sprachsynthese arbeiten nacheinander. Der Anrufer spricht, die Spracherkennung liefert laufend Text, eine Komponente zur Erkennung des Gesprächsendes (Endpointing oder Voice Activity Detection) entscheidet, wann der Anrufer fertig ist, das Sprachmodell erzeugt die Antwort, und die Sprachsynthese beginnt bereits mit dem Sprechen, während der Rest der Antwort noch generiert wird. Jede Stufe trägt zur Gesamtverzögerung bei, weshalb gute Systeme konsequent auf Streaming setzen und die Stufen überlappen lassen.
Der große Vorteil der Kaskade ist ihre Modularität. Jede Komponente lässt sich unabhängig austauschen: eine Spracherkennung, die Dialekte besser versteht, ein Sprachmodell, das in der EU gehostet wird, eine Stimme, die besser zur Marke passt. Zudem liegt zwischen den Stufen Text vor, der sich protokollieren, prüfen und filtern lässt. Das erleichtert Qualitätssicherung, Fehlersuche und die Einhaltung von Vorgaben, etwa das Maskieren sensibler Daten. Vertiefend erklärt der Artikel STT, TTS & Voice Agents die einzelnen Bausteine; für die Spracherkennung mit offenen Modellen bietet Whisper einen guten Einstieg.

Speech-to-Speech: Modelle, die direkt mit Audio arbeiten

Eine jüngere Architektur sind Speech-to-Speech-Modelle, auch Realtime- oder native Audio-Modelle genannt. Sie verarbeiten das Audiosignal direkt und erzeugen ebenso direkt Audio, ohne den Umweg über separate Text-Zwischenschritte. Das kann die Antwortzeit verkürzen und erhält Nuancen wie Tonfall, Zögern oder Emotion, die bei der Umwandlung in Text verloren gehen. Gespräche wirken dadurch oft lebendiger. Ein Beispiel für diesen Ansatz beschreibt der Artikel zur OpenAI Realtime API.
Der Preis dafür ist eine geringere Kontrolle. Weniger Zwischenstufen bedeuten weniger Eingriffspunkte für Prüfung, Filterung und Protokollierung, die Auswahl an Stimmen und Sprachen ist an das jeweilige Modell gebunden, und ein Anbieterwechsel ist aufwendiger. Für Unternehmen mit strengen Anforderungen an Nachvollziehbarkeit, Datenhaltung in der EU oder Austauschbarkeit bleibt die Kaskade deshalb häufig die erste Wahl. In der Praxis entstehen auch Mischformen, etwa ein Speech-to-Speech-Modell für den Gesprächsfluss mit paralleler Transkription für Protokoll und Auswertung.
Das unterschätzte Bauteil: Turn-Taking

Ob ein Gespräch natürlich wirkt, entscheidet oft nicht die Stimme, sondern das Timing. Wann ist der Anrufer fertig? Ist eine Pause nur ein Nachdenken? Was passiert, wenn er dem Agenten ins Wort fällt? Die Logik für Sprecherwechsel und Unterbrechungen ist ein eigenständiges Qualitätsmerkmal, das in jeder Evaluation mit echten Anrufen geprüft werden sollte.

Kapitel 03 · Anbieterlandschaft

Die Anbieterlandschaft und ihre Kategorien

Der Markt für Voice AI ist groß, dynamisch und unübersichtlich. Statt einzelne Produkte zu bewerten, hilft eine Einteilung in Kategorien, die sich in Zielgruppe, Bauweise und Betriebsmodell deutlich unterscheiden. Die genannten Beispiele dienen der Orientierung und sind keine Empfehlung; Funktionsumfang, Hosting-Optionen und Konditionen ändern sich laufend und sind beim Anbieter zu prüfen.

Aspekt CCaaS-Suiten Conversational-AI-Plattformen Developer-Plattformen Open Source
Grundansatz Komplettes Contact Center mit KI-Modulen Spezialisierte Plattform für Bots und Agenten APIs und Baukästen für eigene Voice Agents Frameworks und Modelle zum Selbstbetrieb
Time-to-Market Mittel, abhängig vom Bestand Schnell bis mittel Prototyp sehr schnell Eher langsam
Anpassbarkeit Im Rahmen der Suite Hoch über Low-Code Hoch per Code Vollständig
Datenhoheit Je nach Region und Vertrag Oft EU-Hosting möglich Häufig US-Infrastruktur Eigene Infrastruktur
Benötigte Skills Contact-Center-Know-how Gering bis mittel Entwicklung Entwicklung & Betrieb
Sweet Spot Großes Contact Center mit vielen Kanälen Kundenservice mit Prozesstiefe Produktteams, Startups, Agenturen Datenhoheit, Spezialanforderungen

CCaaS-Suiten und Enterprise-Plattformen

Contact Center as a Service (CCaaS) bezeichnet cloudbasierte Komplettlösungen für Kundenservice: Anrufverteilung, Warteschlangen, Mehrkanal-Kommunikation, Reporting und Workforce-Management. Die großen Anbieter, etwa Genesys, integrieren zunehmend eigene Voice-AI-Module oder bieten Schnittstellen für spezialisierte Partner. Der Vorteil liegt in der nahtlosen Einbindung in bestehende Contact-Center-Prozesse: Übergabe an Menschen, Routing und Auswertung kommen aus einer Hand.
Für den Mittelstand sind diese Suiten vor allem dann relevant, wenn bereits ein größeres Kundenservice-Team mit strukturierter Telefonie besteht oder ohnehin eine Modernisierung des Contact Centers ansteht. Für ein Unternehmen mit einer Telefonzentrale und wenigen Servicekräften sind sie meist überdimensioniert.

Conversational-AI-Plattformen aus Deutschland und Europa

Eine zweite Gruppe bilden spezialisierte Conversational-AI-Plattformen, von denen mehrere ihren Ursprung im deutschsprachigen Raum haben. Cognigy steht für eine Enterprise-Plattform mit grafischem Flow-Editor und vielen Contact-Center-Integrationen, Parloa für einen konsequenten Voice-first-Ansatz im telefonischen Kundenservice, Rasa für ein entwicklerzentriertes Framework mit Self-Hosting-Option. Diese Plattformen verbinden Dialogsteuerung, LLM-Anbindung, Sprachkette und Integrationen in einem Produkt und bringen typischerweise Erfahrung mit deutscher Sprache und europäischen Datenschutzanforderungen mit.
Welche Hosting-Regionen, Vertragspartner und Unterauftragsverarbeiter im Einzelfall gelten, ist dennoch immer konkret zu prüfen. Herkunft aus Deutschland bedeutet nicht automatisch, dass sämtliche Daten in der EU verbleiben, etwa wenn US-basierte Sprachmodelle oder Sprachdienste eingebunden sind.

Developer-Plattformen und Open-Source-Frameworks

Eine dritte Gruppe richtet sich an Entwicklerteams. Developer-Plattformen wie Vapi oder die Agenten-Angebote spezialisierter Sprachanbieter wie ElevenLabs Conversational AI stellen die komplette Sprachkette per API bereit. In wenigen Stunden lässt sich ein funktionsfähiger Prototyp bauen, der Anrufe entgegennimmt und Werkzeuge aufruft. Für den produktiven Einsatz im DACH-Raum sind Hosting-Standort, Vertragsgestaltung und die Qualität in deutscher Sprache sorgfältig zu prüfen.
Open-Source-Frameworks wie Pipecat liefern die Orchestrierung als Code und lassen die Wahl der Komponenten völlig frei. Kombiniert mit selbst betriebenen Modellen für Spracherkennung, Sprachverständnis und Sprachsynthese ist damit ein Voice Agent möglich, der vollständig in der eigenen Infrastruktur läuft. Das bietet maximale Datenhoheit, verlangt aber Kompetenz in Echtzeit-Audio, Modellbetrieb und Telefonie, die im Mittelstand selten vorhanden ist.
Demo ist nicht gleich Produktion

Fast jede Plattform liefert eine beeindruckende Demo in englischer Sprache und bei guter Leitung. Aussagekräftig ist nur ein Test mit Ihren Anliegen, Ihrer Kundschaft und Ihrer Telefonie – auf Deutsch, mit Dialekt, Hintergrundgeräusch und Mobilfunkverbindung. Planen Sie diesen Test fest in die Auswahl ein.

Kapitel 04 · Fähigkeiten & Grenzen

Was Voice AI heute kann – und wo die Grenzen liegen

Moderne Voice Agents sind erstaunlich leistungsfähig, und gleichzeitig scheitern sie an Stellen, die Menschen trivial erscheinen. Eine realistische Einschätzung beider Seiten ist die wichtigste Voraussetzung für ein Projekt, das Erwartungen erfüllt statt enttäuscht.

Latenz und Barge-in: das Gefühl eines echten Gesprächs

Im menschlichen Gespräch folgen Antworten sehr schnell aufeinander. Schon kurze zusätzliche Verzögerungen werden am Telefon als unnatürlich wahrgenommen, Anrufer fragen nach, ob noch jemand dran ist, oder sprechen gleichzeitig mit dem System. Die Latenz, also die Zeit vom Ende der Anruferäußerung bis zum Beginn der Antwort, ist deshalb eine der wichtigsten Qualitätsgrößen. Sie setzt sich aus Spracherkennung, Endpunkt-Erkennung, Modellantwort, Werkzeugaufrufen, Sprachsynthese und Netzwerkwegen zusammen. Konkrete Werte hängen stark von Architektur, Modellwahl, Region und Last ab und sollten im eigenen Test gemessen werden, nicht aus Prospekten übernommen.
Eng damit verbunden ist Barge-in, die Fähigkeit, dass Anrufer den Agenten unterbrechen können. Ein guter Voice Agent hört sofort auf zu sprechen, wenn der Anrufer einsetzt, und reagiert auf das Gesagte. Schwierig wird es bei Bestätigungslauten wie „mhm“ oder „ja“, die keine Unterbrechung sein sollen, bei Hintergrundgesprächen oder wenn das eigene Echo der Ansage als Unterbrechung missverstanden wird. Wartezeiten bei Systemabfragen lassen sich mit kurzen Überbrückungsformeln wie „Einen Moment, ich schaue nach“ entschärfen.

Dialekte, Namen und schwierige Akustik

Die Spracherkennung für Hochdeutsch ist heute sehr gut. Bei starkem Dialekt, Akzent, älteren Anrufern, Mobilfunkverbindungen in Funklöchern, Freisprechanlagen im Auto oder Baustellenlärm steigt die Fehlerquote jedoch spürbar. Besonders anfällig sind Eigennamen, Straßennamen, Artikelnummern, E-Mail-Adressen und Kennzeichen: Gerade die Informationen, die ein Prozess am dringendsten braucht, sind akustisch am schwersten zu erfassen.
Bewährte Gegenmaßnahmen sind ein Fachvokabular, das der Spracherkennung als Hinweis übergeben wird, das Buchstabieren mit Bestätigung, der Abgleich mit Stammdaten („Ich habe Müller, Hauptstraße 12 in Bielefeld gefunden – ist das richtig?“) und die Identifikation über Telefonnummer oder Kundennummer statt über frei gesprochene Namen. Wo trotz allem Unsicherheit bleibt, sollte der Agent lieber nachfragen oder übergeben, als falsche Daten weiterzuverarbeiten.

Halluzinationen, Verlässlichkeit und Sicherheit

Sprachmodelle können plausibel klingende, aber falsche Aussagen erzeugen. Am Telefon ist das besonders heikel, weil Anrufer gesprochene Aussagen eher als verbindlich wahrnehmen und keine Quelle sehen. Ein Agent, der eine nicht existierende Lieferzeit, einen falschen Preis oder eine erfundene Kulanzregel nennt, erzeugt Folgeprobleme bis hin zu rechtlichen Fragen. Gegenmittel sind klar begrenzte Aufgaben, Antworten auf Basis geprüfter Wissensquellen, deterministische Prozessabläufe für verbindliche Aussagen und die konsequente Anweisung, bei Unsicherheit nicht zu raten.
Hinzu kommen Sicherheitsrisiken. Anrufer können versuchen, den Agenten durch geschickte Formulierungen zu unerwünschtem Verhalten zu bewegen, etwa interne Informationen preiszugeben. Bei Identitätsprüfungen ist zu bedenken, dass Stimmen heute synthetisch nachgeahmt werden können. Ein Voice Agent sollte daher nur auf die Daten und Aktionen Zugriff haben, die er für seine Aufgabe tatsächlich braucht, und sensible Vorgänge sollten zusätzliche Prüfschritte erhalten.
Faustregel für verbindliche Aussagen

Alles, was für Ihr Unternehmen verbindlich ist – Preise, Termine, Fristen, Zusagen –, sollte aus einem System kommen und nicht vom Sprachmodell erfunden werden. Das Modell darf formulieren und verstehen, die Fakten liefern Kalender, Warenwirtschaft und Wissensdatenbank.

Kapitel 05 · Integration

Integration in Telefonie, CRM, ERP und Ticketsysteme

Ein Voice Agent ohne Zugriff auf Unternehmenssysteme kann Fragen beantworten, aber kaum etwas erledigen. Der eigentliche Nutzen entsteht dort, wo der Agent Termine bucht, Bestellungen anlegt, Status abfragt oder Tickets erstellt. Die Integration ist deshalb häufig der größte Aufwandstreiber eines Projekts.

Telefonie: von der Rufnummer zum Voice Agent

Der erste Integrationspunkt ist die Telefonie. Typische Wege sind die Weiterleitung einer Rufnummer oder Durchwahl an den Voice Agent, die Anbindung über einen SIP-Trunk an die bestehende Telefonanlage oder Cloud-Telefonie sowie die Integration in eine Contact-Center-Lösung, die den Agenten als virtuellen Mitarbeitenden in die Anrufverteilung einbindet. Welche Variante passt, hängt von der vorhandenen Infrastruktur ab: einer klassischen Telefonanlage vor Ort, einer Cloud-Telefonanlage oder einem vollwertigen Contact Center.
Besonders wichtig ist die Übergabe an Menschen. Der Agent muss Anrufe an die richtige Person oder Warteschlange weiterleiten können, idealerweise mit Kontext: Wer ruft an, worum geht es, was wurde bereits geklärt? Ohne diese Information muss der Anrufer alles wiederholen, und der Vorteil der Automatisierung schlägt in Ärger um. Technisch geschieht das über Transfer-Funktionen der Telefonie, über Kontextdaten, die an das Contact Center übergeben werden, oder über eine Gesprächsnotiz, die im CRM erscheint, bevor die Mitarbeiterin abhebt.

CRM, ERP und Kalender als Werkzeuge des Agenten

Moderne Voice Agents greifen über Werkzeuge (Tools oder Function Calling) auf Systeme zu. Ein Werkzeug ist eine klar beschriebene Funktion, etwa „freie Termine abfragen“, „Kunde anhand der Telefonnummer suchen“ oder „Bestellstatus abrufen“. Das Sprachmodell entscheidet, wann es welches Werkzeug mit welchen Parametern aufruft; die Ausführung übernimmt eine Integrationsschicht, die mit CRM, ERP, Warenwirtschaft, Praxissoftware oder Kalender spricht.
Für den Mittelstand ist die entscheidende Frage oft: Hat das Kernsystem eine brauchbare Schnittstelle? Moderne Cloud-Systeme bieten meist dokumentierte APIs. Ältere ERP-Systeme, Branchenlösungen und lokal installierte Software erfordern dagegen häufig eine Zwischenschicht, etwa über eine Integrationsplattform, eine eigene kleine Middleware oder Workflow-Automatisierung. Diese Schicht ist auch der richtige Ort für Validierung, Berechtigungsprüfung und Protokollierung: Der Agent soll nur tun dürfen, was er für seine Aufgabe braucht.

Ticketsysteme, Wissen und Nachbearbeitung

Viele Anrufe lassen sich nicht abschließend im Gespräch lösen, aber sehr gut vorbereiten. Ein Voice Agent kann ein Anliegen strukturiert erfassen, ein Ticket im Servicesystem anlegen, die richtige Kategorie und Priorität setzen und dem Anrufer eine Rückmeldung zusagen. Für Mitarbeitende entfällt damit die Erfassung, sie starten direkt mit der Bearbeitung.
Für Auskunftsanliegen braucht der Agent zudem Zugriff auf eine gepflegte Wissensbasis: Öffnungszeiten, Produktinformationen, Liefer- und Rückgabebedingungen, häufige Fragen. Diese Inhalte sollten aus einer gepflegten Quelle stammen, die auch Website und Mitarbeitende nutzen, damit keine widersprüchlichen Aussagen entstehen. Nach dem Gespräch erzeugen viele Systeme automatisch eine Zusammenfassung, eine Transkription und strukturierte Daten, die in CRM oder Ticketsystem zurückgeschrieben werden.
Antwortzeit der Backend-Systeme

Am Telefon wartet niemand gern. Wenn eine Verfügbarkeitsabfrage im ERP mehrere Sekunden dauert, wirkt der beste Agent schwerfällig. Messen Sie früh die Antwortzeiten Ihrer Schnittstellen und planen Sie bei Bedarf Zwischenspeicher, vorab geladene Kundendaten oder überbrückende Ansagen ein.

Kapitel 06 · Make-or-Buy & Auswahl

Make-or-Buy und Auswahlkriterien

Die Grundsatzfrage jedes Voice-AI-Projekts lautet: Kaufen wir eine fertige Plattform, bauen wir selbst, oder kombinieren wir beides? Die Antwort hängt weniger von der Technik als von Volumen, Kompetenz, Datenschutzanforderungen und strategischer Bedeutung des Kanals ab.

Drei Wege: Plattform, Baukasten, Eigenbau

Der Plattform-Weg nutzt eine fertige Conversational-AI- oder Contact-Center-Lösung. Telefonie, Sprachkette, Dialogeditor, Auswertung und Betrieb kommen aus einer Hand; das eigene Team konfiguriert Inhalte und Integrationen. Das ist der schnellste Weg zu einem stabilen Produktivsystem und für die meisten mittelständischen Unternehmen der realistischste. Die Kehrseite sind Abhängigkeit vom Anbieter, laufende Lizenzkosten und begrenzte Eingriffsmöglichkeiten in die Technik.
Der Baukasten-Weg setzt auf Developer-Plattformen, die die Sprachkette per API bereitstellen, während Dialoglogik und Integrationen selbst entwickelt werden. Er bietet mehr Flexibilität und oft günstigere Einstiegskosten, verlangt aber Entwicklungskompetenz und eine sorgfältige Prüfung von Hosting und Verträgen. Der Eigenbau auf Basis von Open-Source-Frameworks und selbst betriebenen Modellen bietet maximale Kontrolle und Datenhoheit, ist aber nur sinnvoll, wenn ein erfahrenes Team, ausreichend Volumen und ein strategischer Grund vorhanden sind.

Auswahlkriterien, die wirklich zählen

  • Sprachqualität auf Deutsch – Erkennung und Stimme mit echten Anrufen in Ihrer Region testen, inklusive Dialekt, Fachbegriffen und schlechter Verbindung.
  • Gesprächsfluss – Antwortgeschwindigkeit, Umgang mit Unterbrechungen, Pausen und Themenwechseln im Live-Test bewerten.
  • Kontrolle über die Logik – Lassen sich verbindliche Abläufe fest definieren? Wie werden Grenzen des Sprachmodells gesetzt?
  • Integrationen – Vorhandene Konnektoren für Telefonie, CRM, ERP und Ticketsystem, Qualität der API, Möglichkeit eigener Erweiterungen.
  • Übergabe an Menschen – Transfer mit Kontext, Integration in vorhandene Warteschlangen, Rückrufoptionen.
  • Datenschutz und Hosting – Rechtsträger, Hosting-Region, Unterauftragsverarbeiter, Speicherdauer, Optionen für EU-Betrieb oder Self-Hosting.
  • Betrieb und Analyse – Gesprächsprotokolle, Dashboards, Testwerkzeuge, Versionierung und Freigabeprozesse.
  • Kostenmodell und Exit – Nachvollziehbare Abrechnung, Mindestlaufzeiten, Export von Konfiguration und Daten bei einem Wechsel.

Proof of Concept statt Feature-Liste

Feature-Listen sind im Voice-Markt wenig aussagekräftig, weil fast alle Anbieter ähnliche Schlagworte verwenden. Belastbar ist ein strukturierter Proof of Concept mit zwei bis drei Kandidaten: ein klar umrissenes Anliegen, ein Satz realistischer Testanrufe mit verschiedenen Sprechern, eine echte oder simulierte Systemanbindung und vorher festgelegte Bewertungskriterien. Wer diese Vorarbeit leistet, erkennt Unterschiede in Verständnis, Gesprächsfluss und Integrationsaufwand sehr schnell. Die Erkenntnisse aus dem Proof of Concept sind zudem die beste Grundlage für die Vertragsverhandlung.
INAGRO-Faustregel

Für die meisten mittelständischen Unternehmen ist eine gemanagte Plattform mit sauberer Eigenintegration der beste Startpunkt. Eigenbau lohnt sich erst, wenn Volumen, Datenschutzanforderungen oder Differenzierung ihn rechtfertigen und ein Team vorhanden ist, das ihn dauerhaft tragen kann.

Kapitel 07 · Einführung & Betrieb

Einführung, Pilot und Betrieb im Alltag

Ein Voice Agent ist kein Projekt mit Enddatum, sondern ein Produkt, das gepflegt werden muss. Die erfolgreichsten Einführungen starten klein, messen konsequent und verbessern in kurzen Zyklen. Die folgenden Schritte haben sich bewährt.

01
Anrufanalyse und Use-Case-Auswahl
Welche Anliegen kommen wie oft, zu welchen Zeiten, mit welchem Aufwand? Aus einer Auswertung der vorhandenen Anrufe werden Anliegen ausgewählt, die häufig, klar strukturiert und gut automatisierbar sind. Gleichzeitig werden messbare Ziele festgelegt.
02
Gesprächsdesign und Grenzen
Begrüßung mit KI-Hinweis, Tonalität, Abläufe, Rückfragen, Fehlerbehandlung und vor allem klare Regeln, wann an Menschen übergeben wird. Diese Arbeit erledigen Fachbereich und Conversation Design gemeinsam.
03
Prototyp und interne Tests
Ein erster Agent wird mit realistischen Testanrufen geprüft – durch Kolleginnen und Kollegen mit unterschiedlichen Stimmen, Dialekten und Telefonen. Fehler werden gesammelt und in Testfälle überführt.
04
Pilot mit begrenztem Anteil
Nur ein Teil der Anrufe, eine Rufnummer oder bestimmte Zeiten, etwa außerhalb der Geschäftszeiten, laufen über den Agenten. Das Team hört Gespräche mit, wertet aus und schärft nach.
05
Rollout und Skalierung
Wenn die Ziele im Pilot erreicht sind, wird der Anteil schrittweise erhöht. Weitere Anliegen folgen nach demselben Muster. Lasttests sichern ab, dass auch Spitzenzeiten funktionieren.
06
Kontinuierlicher Betrieb
Regelmäßige Auswertung, Pflege der Wissensinhalte, Tests nach jeder Änderung, Beobachtung von Modell- und Anbieter-Updates und ein klar benannter Verantwortlicher für den Agenten als Produkt.

Monitoring und Qualitätssicherung

Im Betrieb zählen einige wenige Kennzahlen: der Anteil der Gespräche, die ohne Menschen abgeschlossen werden, die Quote der Übergaben und deren Gründe, Abbrüche durch Anrufer, die Dauer der Gespräche, Fehler bei Werkzeugaufrufen und die Zufriedenheit der Anrufer, etwa über eine kurze Abschlussfrage oder Stichproben. Ebenso wichtig wie die Zahlen ist das regelmäßige Anhören echter Gespräche. Erst dabei zeigt sich, wo der Agent missversteht, umständlich formuliert oder Anrufer ungeduldig werden.
Da Sprachmodelle und Sprachdienste von Anbietern laufend aktualisiert werden, kann sich das Verhalten eines Agenten auch ohne eigene Änderung verändern. Eine Sammlung automatisierter Testgespräche, die vor jeder Änderung und regelmäßig im Betrieb läuft, schützt vor bösen Überraschungen. Einige Plattformen bieten dafür eigene Testwerkzeuge oder simulierte Anrufer; ansonsten lassen sich Testsätze auch mit überschaubarem Aufwand selbst aufbauen.

Eskalation an Menschen als Qualitätsmerkmal

Ein guter Voice Agent erkennt seine Grenzen. Klare Eskalationsregeln sind deshalb kein Zeichen von Schwäche, sondern ein zentrales Qualitätsmerkmal: Der Anrufer verlangt ausdrücklich einen Menschen, der Agent versteht nach zwei Versuchen nicht, das Anliegen liegt außerhalb seines Auftrags, der Anrufer ist erkennbar verärgert oder in einer Notlage, oder es geht um sensible Entscheidungen. In all diesen Fällen sollte die Übergabe schnell und mit Kontext erfolgen.
Außerhalb der Geschäftszeiten oder bei voller Warteschlange ist eine verlässliche Alternative wichtig: ein zugesagter Rückruf mit erfasstem Anliegen, eine Weiterleitung an einen Notdienst oder eine klare Auskunft, wann jemand erreichbar ist. Mitarbeitende im Service sollten von Beginn an eingebunden werden. Sie kennen die Anliegen am besten, übernehmen die eskalierten Gespräche und entscheiden mit über die Akzeptanz des Systems.
Kapitel 08 · Use Cases im Mittelstand

Use Cases für Voice AI im Mittelstand

Voice AI lohnt sich nicht überall, aber an erstaunlich vielen Stellen. Typisch für gute Kandidaten sind hohes Anrufvolumen, wiederkehrende Anliegen, klare Prozesse und eine sinnvolle Anbindung an vorhandene Systeme. Die folgenden Szenarien zeigen, wo mittelständische Unternehmen heute realistisch Nutzen stiften.

Terminvereinbarung

Termine buchen, verschieben und absagen, direkt im Kalender oder in der Branchensoftware – rund um die Uhr, mit Bestätigung per SMS oder E-Mail.

Erreichbarkeit rund um die Uhr
Bestellannahme

Wiederkehrende Bestellungen von Stammkunden, Nachbestellungen und Verfügbarkeitsabfragen werden erfasst und direkt in Warenwirtschaft oder ERP angelegt.

Weniger manuelle Erfassung
Service-Hotline

Statusabfragen, Adressänderungen, Rechnungsfragen und Störungsmeldungen werden im Gespräch erledigt oder als vollständiges Ticket an das Team übergeben.

Entlastung im First Level
Handwerk und Kundendienst

Anfragen werden erfasst, während die Mannschaft auf der Baustelle ist: Art des Schadens, Adresse, Dringlichkeit, Rückrufwunsch. Notfälle werden sofort weitergeleitet.

Kein verlorener Auftrag
Praxis und Kanzlei

Terminvergabe, Rezept- und Unterlagenanfragen, Öffnungszeiten und Rückrufbitten werden automatisch bearbeitet, damit das Team am Empfang mehr Zeit für Menschen vor Ort hat.

Entlastung am Empfang
Outbound-Erinnerungen

Terminerinnerungen, Bestätigungen von Lieferterminen oder Rückfragen zu offenen Vorgängen bei Bestandskunden – mit sauberer rechtlicher Grundlage und Opt-out.

Weniger Ausfälle

Inbound: wo der Nutzen am schnellsten entsteht

Die meisten erfolgreichen Projekte beginnen im Inbound, also bei eingehenden Anrufen. Hier ist der Nutzen unmittelbar messbar: weniger verpasste Anrufe, kürzere Wartezeiten, Erreichbarkeit außerhalb der Geschäftszeiten und Entlastung der Mitarbeitenden von Routinefragen. Ein häufig unterschätzter Einstieg ist die intelligente Vorqualifizierung: Der Agent nimmt das Anliegen auf, identifiziert den Anrufer, löst einfache Fälle selbst und leitet den Rest mit Zusammenfassung an die richtige Stelle. Selbst wenn wenige Gespräche vollständig automatisiert werden, sparen Mitarbeitende so pro Anruf Zeit.
Im Handwerk und in kleineren Betrieben ist oft schon der „digitale Telefondienst“ ein großer Gewinn: Statt Anrufbeantworter, den niemand abhört, erfasst ein Agent strukturiert, wer anruft, worum es geht und wann ein Rückruf passt, und legt die Anfrage direkt im System ab. In Praxen und Kanzleien geht es vor allem um die Entlastung des Empfangs zu Spitzenzeiten.

Outbound: sinnvoll, aber mit besonderer Sorgfalt

Ausgehende Anrufe durch Voice Agents sind technisch ebenso möglich. Sinnvolle Szenarien sind Terminerinnerungen, die Bestätigung von Lieferterminen, Rückrufe auf Anfragen oder kurze Zufriedenheitsabfragen bei Bestandskunden. Hier gelten jedoch deutlich strengere rechtliche Anforderungen, insbesondere zur Einwilligung bei werblichen Anrufen. Zudem ist die Akzeptanz bei Angerufenen geringer, wenn sie überraschend von einer KI kontaktiert werden. Outbound sollte daher erst nach erfolgreichem Inbound-Einsatz und nur mit sauberer rechtlicher Prüfung angegangen werden; Kaltakquise per KI-Anruf ist im DACH-Raum in aller Regel keine Option.
Guter erster Use Case

Ein idealer Einstieg ist häufig, klar und unkritisch: Terminvereinbarung, Statusabfrage oder Anliegenerfassung außerhalb der Geschäftszeiten. Hier lässt sich der Nutzen schnell zeigen, und Fehler haben überschaubare Folgen. Komplexe Beratung, Reklamationen mit Kulanzentscheidung oder emotionale Gespräche gehören nicht an den Anfang.

Kapitel 09 · Kosten, ROI & Rechtsrahmen

Kosten, ROI-Logik und DSGVO & EU AI Act

Die Wirtschaftlichkeit eines Voice Agents ergibt sich aus dem Zusammenspiel von laufenden Kosten, Einführungsaufwand und dem Wert entlasteter Arbeitszeit und besserer Erreichbarkeit. Ebenso wichtig ist ein rechtlich sauberer Rahmen. Konkrete Preise nennen wir bewusst nicht; sie ändern sich schnell und sind beim Anbieter zu erfragen.

Plattform & Lizenz
Variabel / beim Anbieter prüfen
Grundgebühr, Kanäle, Funktionsumfang
  • Abrechnungsmodelle reichen von Pauschalen bis zu volumenabhängigen Modellen. Mindestlaufzeiten und enthaltene Leistungen klären.
Gesprächsminuten
€–€€ / volumenabhängig
STT, LLM, TTS und Telefonie je Minute
  • Skaliert mit Volumen und Gesprächsdauer. Modellwahl, Stimme und Region beeinflussen den Minutenpreis spürbar.
Einführung & Integration
€€ / einmalig
Gesprächsdesign, Schnittstellen, Tests
  • Häufig der größte Einmalposten, vor allem bei älteren Kernsystemen ohne moderne Schnittstellen.
Betrieb & Pflege
€–€€ / laufend
Auswertung, Inhalte, Weiterentwicklung
  • Ein Agent braucht regelmäßige Pflege. Interne Zeit oder externer Betreuungsvertrag gehören in die Rechnung.

ROI-Logik: so rechnen Sie ehrlich

Eine belastbare Wirtschaftlichkeitsbetrachtung beginnt mit den eigenen Zahlen: Wie viele Anrufe kommen zu welchen Anliegen, wie lange dauern sie, wie viele gehen verloren, was kostet eine Stunde Servicezeit? Daraus ergibt sich, welcher Anteil realistisch automatisiert oder verkürzt werden kann. Auf der Nutzenseite stehen eingesparte Bearbeitungszeit, zusätzlich angenommene Anrufe und damit gewonnene Aufträge, Erreichbarkeit außerhalb der Geschäftszeiten und weniger Belastung für das Team. Auf der Kostenseite stehen Plattform, Minutenkosten, Einführung und laufende Pflege.
Wichtig ist, nicht mit idealisierten Automatisierungsquoten zu rechnen. Ein Pilot mit echten Anrufen liefert die belastbarste Grundlage. Oft zeigt sich, dass der größte Wert nicht in vollständig automatisierten Gesprächen liegt, sondern in der Kombination aus Teilautomatisierung, Vorqualifizierung und nie mehr verpassten Anrufen. Eine Betrachtung über mehrere Jahre und mit Szenarien für unterschiedliche Volumen macht die Entscheidung robuster.
Rechtsrahmen im Überblick

Voice AI berührt mehrere Rechtsgebiete gleichzeitig. Die folgenden Punkte sind eine fachliche Checkliste aus Projektsicht und ersetzen keine rechtliche Prüfung:

KI-Hinweis
Anrufer zu Beginn klar informieren, dass sie mit einem KI-System sprechen
Aufzeichnung
Rechtsgrundlage für Mitschnitt und Transkript klären, Einwilligung wo erforderlich
AVV
Mit Plattform, Sprachdiensten, Modellanbieter und Telefonie abschließen
Drittland
Bei US-Anbietern Transfermechanismus, Region und Unterauftragnehmer prüfen
Löschkonzept
Speicherdauer für Audio, Transkripte und Protokolle festlegen und umsetzen
Outbound
Wettbewerbsrecht beachten, insbesondere Einwilligung bei Werbeanrufen

DSGVO: Aufzeichnung, Einwilligung und Drittlandtransfer

Ein Voice Agent verarbeitet zwangsläufig personenbezogene Daten: die Stimme, die Telefonnummer, den Inhalt des Gesprächs und häufig Kundendaten aus angebundenen Systemen. Für jede dieser Verarbeitungen braucht es eine Rechtsgrundlage, eine transparente Information der Anrufer und ein Löschkonzept. Besonders sensibel ist die Aufzeichnung von Gesprächen. Die Verarbeitung des Audiostroms in Echtzeit zur Gesprächsführung ist anders zu bewerten als die dauerhafte Speicherung von Mitschnitten zu Qualitäts- oder Trainingszwecken; für Letzteres ist häufig eine Einwilligung erforderlich. Die Stimme kann zudem in bestimmten Konstellationen als biometrisches Merkmal gelten, etwa bei Stimmauthentifizierung, was die Anforderungen weiter erhöht. Für Praxen, Kanzleien und andere Berufsgeheimnisträger kommen besondere Vertraulichkeitspflichten hinzu.
Ein zentrales Thema ist der Drittlandtransfer. Viele leistungsfähige Sprachmodelle und Sprachdienste stammen von US-Anbietern. Ihr Einsatz ist nicht ausgeschlossen, erfordert aber eine sorgfältige Prüfung: Gibt es eine EU-Region? Welche Unterauftragsverarbeiter sind beteiligt? Werden Daten zum Training verwendet? Welcher Transfermechanismus greift? Als Alternativen kommen europäische Anbieter, Verarbeitung in einer EU-Region mit vertraglichen Zusicherungen oder der Selbstbetrieb offener Modelle auf eigener oder europäischer Infrastruktur in Frage. Letzteres bietet die höchste Datenhoheit, erhöht aber Aufwand und Betriebsverantwortung.

EU AI Act, Transparenzpflicht und UWG bei Outbound

Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Menschen sollen erkennen können, dass sie mit einer KI sprechen, sofern das nicht offensichtlich ist. Für Voice Agents bedeutet das praktisch einen klaren, gesprochenen Hinweis zu Beginn des Gesprächs. Bei sehr menschlich klingenden Stimmen ist diese Offenlegung besonders wichtig; auch Fragen zur Kennzeichnung synthetisch erzeugter Inhalte sind zu beachten. Die meisten Voice Agents im Kundenservice gelten nicht als Hochrisiko-Systeme. Werden sie jedoch für Entscheidungen eingesetzt, die den Zugang zu wesentlichen Leistungen betreffen, kann die Einstufung anders ausfallen und ist im Einzelfall zu bewerten.
Für ausgehende Anrufe ist zusätzlich das Wettbewerbsrecht (UWG) maßgeblich. Werbeanrufe gegenüber Verbrauchern sind in Deutschland ohne vorherige ausdrückliche Einwilligung unzulässig, gegenüber Unternehmen gelten ebenfalls enge Grenzen. Für Anrufe mit automatischen Systemen bestehen besonders strenge Anforderungen. Auch servicebezogene Outbound-Anrufe wie Terminerinnerungen sollten auf einer sauberen Grundlage stehen und eine einfache Möglichkeit zum Widerspruch bieten. Hinzu kommen telekommunikationsrechtliche Aspekte wie die Rufnummernanzeige.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die konkrete Bewertung – insbesondere zu Aufzeichnung, Einwilligung, Drittlandtransfer, EU AI Act und Outbound-Anrufen – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Voice AI

Diese Fragen tauchen in Beratungsgesprächen zu Voice AI und Sprachassistenten am Telefon am häufigsten auf – kurz und sachlich beantwortet.

Was ist der Unterschied zwischen einem Voicebot und einem Voice Agent?
Ein Voicebot ordnet Äußerungen vordefinierten Anliegen zu und führt einen festgelegten Dialog. Ein Voice Agent nutzt ein großes Sprachmodell, versteht frei formulierte und verschachtelte Anliegen, stellt eigenständig Rückfragen und kann über Werkzeuge Aufgaben in Unternehmenssystemen erledigen. In der Praxis kombinieren viele Lösungen beides: flexibles Verstehen und feste Abläufe für verbindliche Prozesse.
Merken Anrufer, dass sie mit einer KI sprechen?
Moderne Stimmen klingen sehr natürlich, und viele Anrufer bemerken den Unterschied nicht sofort. Unabhängig davon sollte und muss in der Regel zu Beginn des Gesprächs klar gesagt werden, dass ein KI-System spricht. Die Erfahrung zeigt: Ehrliche Transparenz schadet der Akzeptanz kaum, solange der Agent schnell hilft und bei Bedarf an einen Menschen übergibt.
Wie gut versteht Voice AI Deutsch und Dialekte?
Hochdeutsch wird von aktuellen Systemen sehr gut erkannt. Bei starkem Dialekt, schlechter Verbindung, Hintergrundlärm sowie bei Namen, Adressen und Nummern steigt die Fehlerquote. Abhilfe schaffen Fachvokabular, Bestätigungsschleifen und der Abgleich mit Stammdaten. Die Qualität sollte immer mit echten Anrufen aus der eigenen Region getestet werden.
Brauche ich eine neue Telefonanlage?
In den meisten Fällen nicht. Voice Agents lassen sich über Rufumleitung, SIP-Trunk oder die Schnittstellen von Cloud-Telefonanlagen und Contact-Center-Systemen anbinden. Entscheidend ist, dass Anrufe an den Agenten und von dort zurück an Mitarbeitende übergeben werden können. Die Details hängen von der vorhandenen Infrastruktur ab und sollten früh geklärt werden.
Was kostet ein Voice Agent?
Die Kosten setzen sich aus Plattform oder Lizenz, volumenabhängigen Minutenkosten für Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie, der Einführung mit Integration sowie dem laufenden Betrieb zusammen. Konkrete Preise unterscheiden sich stark und ändern sich häufig; sie sind beim Anbieter zu prüfen. Eine ehrliche Rechnung stellt diese Kosten den eigenen Anrufzahlen und dem Wert entlasteter Arbeitszeit gegenüber.
Kann ein Voice Agent Mitarbeitende ersetzen?
Realistischer ist Entlastung statt Ersatz. Ein Voice Agent übernimmt wiederkehrende Routineanliegen, nimmt Anrufe außerhalb der Geschäftszeiten an und bereitet komplexe Fälle vor. Mitarbeitende gewinnen Zeit für anspruchsvolle Gespräche, Beratung und Sonderfälle. Gerade bei Fachkräftemangel ist das oft der größte Nutzen.
Ist der Einsatz von US-Anbietern DSGVO-konform möglich?
Grundsätzlich ist ein Einsatz möglich, erfordert aber eine sorgfältige Prüfung von Auftragsverarbeitung, Hosting-Region, Unterauftragsverarbeitern, Datenverwendung und Transfermechanismus. Alternativen sind europäische Anbieter, Verarbeitung in EU-Regionen oder der Selbstbetrieb offener Modelle. Dies ist eine fachliche Einordnung und keine Rechtsberatung; die Bewertung gehört zum Datenschutzbeauftragten.
Darf ein Voice Agent Gespräche aufzeichnen?
Die Echtzeitverarbeitung zur Gesprächsführung ist von der dauerhaften Speicherung zu unterscheiden. Für Mitschnitte und Transkripte, die zu Qualitäts- oder Trainingszwecken aufbewahrt werden, braucht es eine tragfähige Rechtsgrundlage, häufig eine Einwilligung, sowie klare Löschfristen. Anrufer sind transparent zu informieren. Die konkrete Ausgestaltung sollte rechtlich geprüft werden.
Darf ich Voice AI für ausgehende Anrufe nutzen?
Für servicebezogene Anrufe wie Terminerinnerungen kann das sinnvoll sein, sofern eine saubere Grundlage besteht und ein Widerspruch einfach möglich ist. Werbeanrufe unterliegen dagegen strengen Vorgaben des Wettbewerbsrechts und setzen gegenüber Verbrauchern eine vorherige ausdrückliche Einwilligung voraus. Kaltakquise per KI-Anruf ist im DACH-Raum in aller Regel keine Option.
Wie lange dauert die Einführung eines Voice Agents?
Ein Prototyp für ein klar umrissenes Anliegen ist oft in kurzer Zeit möglich. Bis zum stabilen Produktivbetrieb mit Integration, Tests, Pilotphase und Datenschutzdokumentation vergehen typischerweise mehrere Wochen bis Monate, abhängig von Schnittstellen, Abstimmungswegen und Anzahl der Anliegen. Ein schrittweiser Ausbau nach dem ersten Erfolg hat sich bewährt.

Voice AI souverän einsetzen

Brauchen Sie eine ehrliche Voice-AI-Strategie?

Wir prüfen herstellerunabhängig, ob und wo Voice AI in Ihrem Unternehmen Nutzen stiftet: Anrufanalyse und Use-Case-Auswahl, Plattform- oder Eigenbau-Entscheidung, Telefonie- und Systemintegration, Datenschutz-Setup, Pilotbetrieb und Betriebsmodell – pragmatisch auf den Mittelstand zugeschnitten.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich