Um die Plattform einzuordnen, hilft ein Blick auf die Entwicklung der Video-KI in den vergangenen Jahren. Am Anfang standen Werkzeuge, die aus Text ein Video mit einem Standard-Avatar erzeugen: eine virtuelle Sprecherin vor einem neutralen Hintergrund, die einen Schulungstext vorliest. Diese Werkzeuge haben Erklärvideos und interne Schulungen deutlich beschleunigt. Tavus setzt an einem anderen Punkt an. Im Mittelpunkt steht nicht die einmalige Produktion eines Videos, sondern die massenhafte Variation: Ein Vertriebsmitarbeiter nimmt ein Video einmal auf, und das System erzeugt daraus hunderte Varianten, in denen er jeden Empfänger mit Namen, Firma oder einem individuellen Detail anspricht. Mund, Stimme und Mimik werden dabei so angepasst, dass die personalisierte Stelle möglichst natürlich wirkt.
Der zweite Schwerpunkt geht noch einen Schritt weiter. Mit dem Conversational Video Interface bietet Tavus Videoagenten an, die nicht vorproduziert sind, sondern live reagieren. Eine Person spricht über Browser oder App mit einem digitalen Gegenüber; dieses hört zu, versteht die Frage mithilfe eines angebundenen Sprachmodells und antwortet mit synchronisierter Stimme und Mimik. Damit rückt Tavus in die Nähe von Chatbots und Sprachassistenten, ergänzt diese aber um ein sichtbares, menschlich wirkendes Gesicht.
Im Vertrieb, im Recruiting und im Kundenservice konkurrieren Unternehmen um Aufmerksamkeit. Standardisierte E-Mails werden überlesen, Telefonakquise stößt an rechtliche und praktische Grenzen, und persönlich aufgenommene Videos für jeden einzelnen Kontakt sind zeitlich nicht machbar. Personalisierte KI-Videos versprechen, diese Lücke zu schließen: die Wirkung einer persönlichen Videobotschaft mit dem Aufwand einer automatisierten Kampagne. Gleichzeitig verändern Echtzeit-Videoagenten die Erwartungen an digitale Kontaktpunkte. Wo heute ein Textfenster mit einem Chatbot steht, könnte künftig ein Gesicht antworten, das Fragen zu Produkten, Bewerbungsprozessen oder Serviceabläufen beantwortet.
Diese Entwicklung trifft auf einen Rechtsrahmen, der sich gerade verdichtet. Mit dem EU AI Act gelten Transparenzpflichten für KI-Systeme, die mit Menschen interagieren, und für künstlich erzeugte oder manipulierte Bild-, Ton- und Videoinhalte. Die DSGVO behandelt biometrische Daten zur eindeutigen Identifizierung als besonders schützenswert. Wer heute über Avatar-Videos nachdenkt, sollte diese Rahmenbedingungen deshalb von Anfang an mitplanen und nicht nachträglich anbauen.
Angesprochen sind Geschäftsführung, Vertriebs- und Marketingleitung, Personalverantwortliche, IT-Verantwortliche und Datenschutzbeauftragte in mittelständischen Unternehmen. Technisches Detailwissen ist nicht nötig. Nach der Lektüre sollten Sie einschätzen können, was Tavus leistet, wo es sich von anderen Avatar-Anbietern unterscheidet, welche Anwendungsfälle realistisch sind und welche Fragen Sie vor einer Einführung zwingend klären müssen.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen. Preise, Kontingente, Latenzen, unterstützte Sprachen und Modellbezeichnungen ändern sich bei Anbietern wie Tavus in kurzen Abständen. Statt Werte zu nennen, die schnell veralten, beschreiben wir Funktionen qualitativ und verweisen an den entsprechenden Stellen darauf, die aktuellen Angaben beim Anbieter zu prüfen. Rechtliche Einordnungen verstehen sich als Orientierung, nicht als Rechtsberatung.
Viele Avatar-Anbieter positionieren sich als Videostudio im Browser: Man meldet sich an, wählt einen Avatar, tippt einen Text und lädt das fertige Video herunter. Tavus bietet ebenfalls eine Weboberfläche, legt den Schwerpunkt aber erkennbar auf die Programmierschnittstelle. Die zentrale Zielgruppe sind Unternehmen und Softwarehersteller, die Video-KI in eigene Produkte, Plattformen oder Prozesse einbetten wollen. Das hat Folgen für die Praxis: Die volle Stärke der Plattform entfaltet sich erst, wenn jemand Skripte, Datenquellen, Auslöser und Auslieferung technisch miteinander verbindet. Ein Marketingteam ohne Entwicklerunterstützung kommt mit einem stärker auf Bedienoberflächen ausgerichteten Werkzeug oft schneller ans Ziel.
Diese Ausrichtung zeigt sich auch darin, dass Tavus seine Modelle für Gesichtsdarstellung und Lippensynchronisation als eigene Technologiekomponenten beschreibt und Entwicklern Bausteine für Wahrnehmung, Gesprächssteuerung und Rendering zur Verfügung stellt. Für Unternehmen bedeutet das mehr Gestaltungsspielraum, aber auch mehr Verantwortung bei Konzeption, Test und Betrieb.
Aus der Positionierung ergibt sich ein recht klares Profil. Tavus ist interessant, wenn Sie viele individuelle Videos automatisiert erzeugen wollen, wenn Video Teil eines bestehenden digitalen Prozesses werden soll, etwa nach einer Formularanfrage oder einem CRM-Ereignis, oder wenn Sie ein sichtbares, sprechendes Gegenüber für Beratung, Schulung oder Service ausprobieren möchten. Weniger passend ist Tavus für klassische Erklär- und Schulungsvideos mit aufwendiger Gestaltung, für Teams ohne technische Ressourcen und für Szenarien, in denen strenge Anforderungen an Datenresidenz in der EU bestehen und sich vertraglich nicht abbilden lassen.
Der Ausgangspunkt jeder individuellen Nutzung ist das Trainingsvideo. Die abgebildete Person spricht nach den Vorgaben des Anbieters einige Minuten frontal in die Kamera, in ruhiger Umgebung, bei gleichmäßigem Licht und mit möglichst natürlicher Mimik. Aus diesem Material modelliert das System, wie Gesicht und Stimme dieser Person aussehen und klingen, wenn sie beliebige andere Sätze spricht. Die Qualität des Ergebnisses hängt stark von der Qualität der Aufnahme ab: Unruhige Hintergründe, wechselndes Licht, starke Kopfbewegungen oder verdeckte Mundpartien führen zu sichtbaren Artefakten. Unternehmen sollten die Aufnahme deshalb wie eine kleine Produktion behandeln und nicht nebenbei mit der Laptop-Kamera erledigen.
Ist die Replica erstellt, kann sie per API oder Weboberfläche beliebige Skripte sprechen. Das Ergebnis wird asynchron erzeugt: Die Anfrage wird abgeschickt, das System rendert im Hintergrund, und eine Benachrichtigung meldet, wenn das Video bereitsteht. Neben dem reinen Sprecherbild sind je nach Paket Varianten möglich, bei denen im Hintergrund eine Webseite, eine Präsentation oder eine Bildschirmaufnahme läuft. Gerade im Vertrieb ist das beliebt, weil der Empfänger seine eigene Website im Hintergrund sieht, während die Replica ihn anspricht. Ob und wie das rechtlich und gestalterisch sinnvoll ist, besprechen wir in den Kapiteln zum Einsatz und zum Datenschutz.
Für Echtzeit-Agenten kombiniert Tavus mehrere Komponenten zu einer Pipeline. Eine Spracherkennung wandelt das Gesprochene des Gegenübers in Text, ein Sprachmodell erzeugt eine passende Antwort, eine Sprachsynthese macht daraus Audio, und ein Rendering-Modell erzeugt das bewegte Gesicht der Replica synchron dazu. Hinzu kommen Bausteine für die Gesprächssteuerung, etwa die Erkennung, wann jemand ausgeredet hat oder unterbrechen möchte, sowie je nach Funktionsumfang eine visuelle Wahrnehmung über die Kamera des Gegenübers. Entwickler können festlegen, welches Sprachmodell verwendet wird, welche Persona der Agent einnimmt und auf welche Wissensquellen er zugreift.
Wie flüssig ein solches Gespräch wirkt, hängt von vielen Faktoren ab: Netzqualität, gewähltes Sprachmodell, Länge der Antworten, Region der Server und Auslastung. Der Anbieter wirbt mit geringen Antwortzeiten; belastbare Aussagen für Ihren Anwendungsfall erhalten Sie nur durch eigene Tests aus Ihrem Netz und mit Ihren Inhalten.
So beeindruckend die Ergebnisse sein können: Grenzen bleiben. Bei ungewöhnlichen Namen, seltenen Fachbegriffen und schnellen Sprachwechseln treten Aussprachefehler auf. Die Mimik einer Replica bleibt im Rahmen dessen, was im Trainingsvideo zu sehen war; starke Emotionen, Gestik mit den Händen oder Bewegungen im Raum sind nur begrenzt abbildbar. Im Echtzeit-Dialog können Verzögerungen, Missverständnisse und inhaltlich falsche Antworten des Sprachmodells auftreten. Und schließlich gibt es eine menschliche Grenze: Manche Empfänger empfinden personalisierte KI-Videos als befremdlich, sobald sie den Mechanismus durchschauen. Dieser Effekt ist schwer messbar, kann aber dem Vertrauen in Ihre Marke schaden.
Das Grundprinzip ist aus dem E-Mail-Marketing bekannt. Ein Skript enthält Platzhalter, etwa für Vorname, Firmenname, Stadt, Branche oder ein individuelles Gesprächsthema. Für jeden Empfänger werden diese Platzhalter mit Werten aus einer Datenquelle befüllt, zum Beispiel aus dem CRM, einer Tabelle oder einem Webformular. Tavus erzeugt daraus pro Datensatz ein eigenes Video. Je nach Verfahren wird entweder das gesamte Skript neu gesprochen oder nur der variable Teil eingesetzt und nahtlos mit der Originalaufnahme verbunden.
In der Praxis entscheidet die Qualität der Daten über die Qualität der Videos. Ein falsch geschriebener Firmenname, ein vertauschter Vor- und Nachname oder eine veraltete Position werden in einem Video viel deutlicher wahrgenommen als in einer E-Mail. Wer personalisierte Videos plant, sollte deshalb Datenbereinigung, Plausibilitätsprüfungen und Regeln für fehlende Werte fest einplanen. Bewährt hat sich, nur wenige, gut gepflegte Variablen zu nutzen und für jede Variable einen neutralen Ersatztext zu definieren, falls der Wert fehlt oder unsicher ist.
Damit ein personalisiertes Video nicht wie ein zusammengeschnittener Clip wirkt, müssen Lippenbewegung, Stimme und Mimik zusammenpassen. Tavus setzt dafür eigene Modelle zur Lippensynchronisation und zur Erzeugung des Gesichts ein. Die Stimme der Replica entsteht über ein Stimmmodell, das aus der Trainingsaufnahme abgeleitet wird; je nach Konfiguration lassen sich auch Sprachsynthese-Dienste von Drittanbietern einbinden. Für Unternehmen ist wichtig: Sowohl das Gesichts- als auch das Stimmmodell sind Nachbildungen biometrischer Merkmale einer realen Person. Sie verdienen denselben Schutz wie andere besonders sensible Daten, und ihr Einsatz braucht klare Regeln, wer sie für welche Inhalte verwenden darf.
Technisch ist die Lippensynchronisation inzwischen bei vielen Anbietern so gut, dass Laien Unterschiede zur echten Aufnahme kaum wahrnehmen. Gerade deshalb steigt die Verantwortung: Ein Video, in dem eine Führungskraft scheinbar etwas sagt, das sie nie gesagt hat, kann intern wie extern erheblichen Schaden anrichten, wenn Freigabeprozesse fehlen.
Im Conversational Video Interface übernimmt ein großes Sprachmodell die Rolle des Gesprächsverstands. Tavus stellt dafür eigene Standardmodelle bereit und erlaubt nach Angaben des Anbieters auch die Anbindung eigener oder fremder Sprachmodelle über kompatible Schnittstellen. Für Unternehmen ist das ein wichtiger Punkt, denn damit lässt sich steuern, wo die eigentliche inhaltliche Verarbeitung stattfindet. Wer etwa ein Sprachmodell in einer EU-Cloud oder auf eigener Infrastruktur betreibt, kann die Wissenslogik dort halten und Tavus primär für Spracherkennung, Sprachausgabe und Gesichtsdarstellung nutzen. Die Audio- und Videodaten des Gesprächs laufen allerdings weiterhin über die Infrastruktur des Anbieters.
Über sogenannte Werkzeugaufrufe kann der Agent zudem Aktionen anstoßen: einen Termin im Kalender vorschlagen, ein Ticket anlegen, einen Datensatz im CRM ergänzen oder an eine menschliche Ansprechperson übergeben. Damit wird aus dem sprechenden Gesicht ein Baustein in einem Geschäftsprozess. Wie bei allen KI-Agenten gilt: Je mehr Aktionen ein Agent selbstständig auslösen darf, desto wichtiger sind klare Grenzen, Bestätigungsschritte und eine nachvollziehbare Protokollierung.
Die Programmierschnittstelle ist das Herzstück der Plattform. Über sie werden Replicas verwaltet, Videos beauftragt, Gesprächssitzungen für Echtzeit-Agenten gestartet und Personas konfiguriert. Webhooks informieren das aufrufende System über Statusänderungen, etwa wenn ein Video fertig gerendert ist oder ein Gespräch beendet wurde. Für die Einbettung von Echtzeit-Agenten in Websites und Apps stellt der Anbieter Komponenten und Beispielcode bereit; die Gesprächsübertragung basiert auf gängigen Echtzeit-Kommunikationstechnologien für Audio und Video im Browser. Welche SDKs und Beispielprojekte aktuell gepflegt werden, sollten Sie in der Entwicklerdokumentation prüfen.
Für den Mittelstand bedeutet API-first auch, dass eine kleine technische Zwischenschicht fast immer sinnvoll ist. Sie übernimmt Authentifizierung, Fehlerbehandlung, Protokollierung, Freigaben und die Übersetzung zwischen den Datenmodellen Ihrer Systeme und der Plattform. Diese Schicht kann eine eigene kleine Anwendung, ein Workflow in einer Automatisierungsplattform oder ein Baustein in einer bestehenden Integrationsumgebung sein.
Für gängige Vertriebs- und Marketingsysteme existieren je nach Zeitpunkt direkte Integrationen oder Vorlagen; häufiger führt der Weg über Automatisierungsplattformen, die das Quellsystem mit der Tavus-API verbinden. In vielen mittelständischen Umgebungen ist das der pragmatischste Einstieg: Ein Workflow reagiert auf ein Ereignis im CRM, bereitet die Daten auf, beauftragt das Video und schreibt den Link anschließend zurück in den Kontakt. Achten Sie bei solchen Plattformen darauf, wo diese selbst Daten verarbeiten. Wer Tavus über eine US-Automatisierungsplattform anbindet, schafft unter Umständen einen zweiten Drittlandtransfer, der ebenfalls bewertet werden muss. Europäische oder selbst gehostete Automatisierungswerkzeuge können hier die Kette verkürzen.
Tavus lässt sich mit weiteren Komponenten kombinieren. Für die Stimme können je nach Konfiguration spezialisierte Sprachsynthese-Dienste genutzt werden, für den Gesprächsverstand eigene Sprachmodelle, für Untertitel spezialisierte Transkriptionsdienste. Für Unternehmen mit hohen Datenschutzanforderungen ist dieser Baukasten-Ansatz interessant, weil sich besonders sensible Teile der Verarbeitung, etwa das Wissen über Kunden oder interne Dokumente, in eigenen oder europäischen Systemen halten lassen. Gleichzeitig steigt die Komplexität: Jede zusätzliche Komponente bringt eigene Verträge, eigene Datenflüsse und eigene Fehlerquellen mit.
HeyGen und Synthesia gehören zu den bekanntesten Avatar-Plattformen. Beide bieten komfortable Oberflächen, mit denen Fachabteilungen ohne Programmierkenntnisse Videos erstellen, übersetzen und anpassen können, und beide verfügen über Schnittstellen sowie individuelle Avatare. HeyGen ist besonders breit aufgestellt, von Marketingvideos über Videoübersetzung bis zu interaktiven Avataren. Synthesia hat sich stark auf Unternehmenskommunikation, Schulung und Wissensvermittlung ausgerichtet und betont Governance-Funktionen für größere Organisationen. Tavus setzt dagegen deutlicher auf Entwickler und auf die beiden Szenarien, in denen Video Teil eines automatisierten Ablaufs wird: massenhafte Personalisierung und Echtzeit-Gespräch.
Für die Auswahl heißt das: Wenn Ihr Hauptbedarf Schulungs- und Erklärvideos sind, die von einer Fachabteilung erstellt und gepflegt werden, sind Studio-Lösungen meist die naheliegendere Wahl. Wenn Sie Video in Ihr CRM oder Ihre Plattform integrieren oder einen Videoagenten entwickeln wollen, verdient Tavus einen genauen Blick. In vielen Fällen lohnt ein paralleler Test mit identischem Skript und identischer Person.
D-ID ist historisch mit sprechenden Fotos bekannt geworden und bietet inzwischen ebenfalls Avatare und Echtzeit-Agenten per API an. Daneben gibt es eine wachsende Zahl von Anbietern, die sich auf virtuelle Moderatoren, Nachrichtensprecher oder Präsentatoren spezialisiert haben, sowie Plattformen, die Avatare vor allem für Lerninhalte oder Social-Media-Formate anbieten. Hinzu kommen spezialisierte Anbieter für Stimmen und Sprachsynthese, die eigene Avatar- oder Agentenfunktionen ergänzen, und Komponenten, mit denen sich Lippensynchronisation oder Avatar-Rendering selbst betreiben lassen. Für den Mittelstand ist weniger entscheidend, wer gerade die realistischste Demo zeigt, sondern wer zu Integrationsbedarf, Sprachqualität im Deutschen, Vertragsrahmen und Datenschutzanforderungen passt.
Bei Avatar-Video werden Gesicht und Stimme realer Personen verarbeitet. Unternehmen mit hohen Schutzanforderungen, etwa im Gesundheitswesen, bei Behörden oder in sicherheitskritischen Branchen, sollten deshalb gezielt Anbieter mit Sitz und Hosting in der EU prüfen oder selbst gehostete Komponenten in Betracht ziehen. Offene Modelle für Lippensynchronisation, Sprachsynthese und Spracherkennung lassen sich auf eigener Hardware oder bei europäischen Hostern betreiben. Das Ergebnis ist in der Regel weniger komfortabel und erfordert mehr technisches Know-how, dafür bleiben biometrische Daten unter eigener Kontrolle. Ein Mittelweg ist eine Architektur, in der die Wissens- und Kundendaten in eigenen Systemen bleiben und nur die unvermeidlichen Video- und Audiodaten an einen externen Dienst gehen.
Bewährt hat sich ein Vorgehen in vier Schritten. Zuerst wird ein konkreter Anwendungsfall mit messbarem Ziel festgelegt, etwa eine Begrüßungsvideo-Strecke für neue Kunden oder ein Videoagent für häufige Fragen im Bewerbungsprozess. Danach folgt eine rechtliche und organisatorische Vorprüfung: Rechtsgrundlagen, Einwilligungen, Beteiligung des Betriebsrats, Werberecht, Transparenzhinweise und Vertragslage mit dem Anbieter. Im dritten Schritt wird ein begrenzter Pilot umgesetzt, idealerweise zunächst intern oder mit einer kleinen, bewusst ausgewählten Zielgruppe. Erst wenn Qualität, Akzeptanz und Prozesse stimmen, folgt die Skalierung mit Monitoring und regelmäßiger Überprüfung.
In jedem Schritt sollte klar sein, wer Skripte schreibt, wer sie freigibt, wer die Replica verwenden darf und wer bei Beschwerden oder Auffälligkeiten reagiert. Diese Zuständigkeiten wirken bürokratisch, sind aber der beste Schutz gegen den gefürchteten Fall, dass ein Video mit dem Gesicht einer Führungskraft Inhalte verbreitet, die niemand freigegeben hat.
Im laufenden Betrieb braucht Avatar-Video eine Redaktion im Kleinen. Skriptvorlagen sollten von Marketing oder Kommunikation erstellt, rechtlich geprüft und versioniert werden. Für personalisierte Kampagnen empfiehlt sich eine Stichprobenkontrolle fertiger Videos, insbesondere bei neuen Vorlagen oder neuen Datenquellen. Bei Echtzeit-Agenten gehören ein klarer Themenrahmen, Testgespräche mit kritischen Fragen, ein Eskalationsweg zu Menschen und eine regelmäßige Auswertung der Gesprächsqualität dazu. Technisch sollten Zugangsdaten zur Plattform personengebunden und rollenbasiert vergeben, API-Schlüssel sicher verwahrt und Nutzungen protokolliert werden.
Ein Punkt, der in Einführungsprojekten gern vergessen wird, ist der geordnete Ausstieg. Was passiert mit der Replica, wenn die abgebildete Person das Unternehmen verlässt oder ihre Einwilligung widerruft? Wie lange speichert der Anbieter Trainingsdaten, erzeugte Videos und Gesprächsprotokolle? Lassen sich Löschungen nachweisen? Und wie aufwendig wäre ein Wechsel zu einem anderen Anbieter? Diese Fragen sollten vor Vertragsabschluss beantwortet und im internen Verfahren dokumentiert sein. Bereits ausgelieferte Videos, die Kunden auf ihren Rechnern gespeichert haben, lassen sich nicht zurückholen; auch das gehört zur ehrlichen Aufklärung der beteiligten Mitarbeitenden.
Das bekannteste Szenario ist das personalisierte Vertriebsvideo. Ein Maschinenbauer hat auf einer Fachmesse mehrere hundert Kontakte gesammelt. Statt einer Standard-Mail erhält jeder Kontakt ein kurzes Video, in dem die zuständige Vertriebsleiterin ihn mit Namen anspricht, sich auf das Messegespräch bezieht und einen konkreten nächsten Schritt vorschlägt. Technisch ist das mit Tavus gut umsetzbar. Entscheidend sind jedoch drei Punkte: Die Kontakte müssen der werblichen Ansprache per E-Mail wirksam zugestimmt haben oder eine andere tragfähige Rechtsgrundlage muss bestehen, das Video muss als KI-erzeugt erkennbar sein, und die Botschaft muss so gut sein, dass sie auch ohne den Überraschungseffekt der Personalisierung überzeugt.
Weniger heikel und oft wirkungsvoller ist das Kunden-Onboarding. Hier besteht bereits eine Geschäftsbeziehung, die Kommunikation ist erwartet und dient der Vertragserfüllung. Ein Begrüßungsvideo mit Namen, zuständiger Ansprechperson und den ersten Schritten im Kundenportal schafft einen persönlichen Start, ohne dass jemand jedes Video einzeln aufnehmen muss. Ähnlich sinnvoll sind Videos zu Vertragsverlängerungen, Wartungsterminen oder neuen Servicefunktionen.
Echtzeit-Videoagenten eignen sich für wiederkehrende Fragen, bei denen ein freundliches Gesicht die Hemmschwelle senkt: etwa eine Montageanleitung für ein Produkt, Fragen zum Bestellprozess oder eine Einführung in ein Kundenportal. Der Agent sollte auf geprüfte Inhalte beschränkt sein, offen sagen, dass er eine KI ist, und bei komplexen Anliegen an Menschen übergeben. Ob ein Videoagent gegenüber einem gut gemachten Text- oder Sprachassistenten tatsächlich einen Mehrwert bietet, sollte im Pilot gemessen werden; nicht jede Zielgruppe wünscht sich ein Gesicht auf dem Bildschirm.
Im Recruiting kann personalisiertes Video die Kommunikation mit Bewerbenden verbessern: eine persönliche Eingangsbestätigung, ein Video mit Informationen zum Team oder ein Agent, der Fragen zum Ablauf, zu Arbeitszeiten oder zum Standort beantwortet. Klare Grenze: Videoagenten sollten keine Auswahlentscheidungen treffen oder Bewerbende bewerten. KI-Systeme, die im Beschäftigungskontext über Personen entscheiden oder sie bewerten, fallen nach dem EU AI Act in den Hochrisikobereich mit umfangreichen Pflichten. Für die meisten Mittelständler ist es ratsam, Avatar-Video im Recruiting rein informativ einzusetzen.
Für eine faire Bewertung sollten Sie vorab festlegen, was Erfolg bedeutet. Im Vertrieb können das Antwortquoten, vereinbarte Termine oder die Qualität der Rückmeldungen sein, im Onboarding die Nutzung des Kundenportals oder weniger Rückfragen im Innendienst, im Support die Zahl der abschließend geklärten Anfragen und die Zufriedenheit der Nutzenden. Vergleichen Sie immer mit einer Kontrollgruppe, die eine herkömmliche Ansprache erhält. Nur so lässt sich unterscheiden, ob der Effekt aus dem Video, aus der besseren Botschaft oder aus dem Neuigkeitswert entsteht.
Konkrete Preise nennen wir bewusst nicht, weil sie sich häufig ändern und von Volumen und Vertragsart abhängen. Qualitativ gilt: Die Plattformkosten steigen mit der Zahl der erzeugten Videominuten, der Gesprächsminuten bei Echtzeit-Agenten und der Zahl der Replicas. Kommt ein externes Sprachmodell oder ein separater Sprachsynthese-Dienst hinzu, entstehen dort eigene Verbrauchskosten. Bei Echtzeit-Agenten ist der Verbrauch schwer vorherzusagen, weil Gesprächslänge und Nutzung schwanken; Budgetgrenzen und Nutzungsbeschränkungen gehören deshalb in jede Konfiguration.
Der größte Kostenblock liegt jedoch meist außerhalb der Plattform: Konzeption, Skripterstellung, professionelle Aufnahme der Replica, Integration in CRM und Website, rechtliche Prüfung, Betriebsvereinbarung, Tests und laufende Qualitätssicherung. Wer diese Aufwände ehrlich einplant, bekommt ein realistisches Bild und vermeidet Projekte, die nach dem Pilot an fehlenden Ressourcen scheitern.
Eine Replica bildet Gesicht und Stimme einer realen Person nach. Werden diese Merkmale technisch so verarbeitet, dass sie eine Person eindeutig identifizierbar machen, handelt es sich um biometrische Daten im Sinne der DSGVO, die zu den besonderen Kategorien personenbezogener Daten gehören. Unabhängig von dieser Einordnung im Detail berührt die Nachbildung stets das Recht am eigenen Bild und an der eigenen Stimme. In der Praxis sollte die Erstellung einer Replica deshalb auf einer ausdrücklichen, informierten und freiwilligen Einwilligung beruhen, die Zweck, Einsatzbereiche, Dauer, Anbieter und Widerrufsmöglichkeit klar benennt.
Im Arbeitsverhältnis ist Freiwilligkeit ein heikles Thema, weil Beschäftigte von ihrem Arbeitgeber abhängig sind. Niemand sollte Nachteile befürchten müssen, wenn er oder sie keine Replica erstellen lassen möchte oder die Einwilligung später widerruft. Ein Widerruf muss praktisch umsetzbar sein: Die Replica wird gesperrt und gelöscht, laufende Kampagnen werden gestoppt. Auch für das Ausscheiden aus dem Unternehmen braucht es eine klare Regel. Wo ein Betriebsrat besteht, ist dieser in aller Regel zu beteiligen, insbesondere wenn technische Einrichtungen geeignet sind, Verhalten oder Leistung von Beschäftigten zu überwachen.
Tavus ist ein US-Unternehmen. Für die DSGVO bedeutet das, dass der Drittlandbezug zu bewerten ist. Prüfen Sie, ob der Anbieter unter dem EU-US Data Privacy Framework zertifiziert ist oder ob der Transfer auf Standardvertragsklauseln mit ergänzender Risikobewertung gestützt wird, wo die Server stehen, welche Unterauftragnehmer eingebunden sind, etwa für Hosting, Sprachmodelle oder Sprachsynthese, und ob es Optionen für eine Datenverarbeitung in der EU gibt. Ein Auftragsverarbeitungsvertrag ist Pflicht, sofern der Anbieter personenbezogene Daten in Ihrem Auftrag verarbeitet. Achten Sie besonders auf Regelungen zu Speicherdauer, Löschung, Nutzung von Daten zur Verbesserung der Modelle und Unterstützung bei Betroffenenrechten.
Als datenschutzfreundlichere Optionen kommen Avatar-Anbieter mit Sitz und Hosting in der EU sowie selbst gehostete Komponenten in Betracht. Ein Mittelweg ist, Wissens- und Kundendaten in eigenen oder europäischen Systemen zu halten und nur die unvermeidlichen Video- und Audiodaten an den Plattformanbieter zu übermitteln. Für Echtzeit-Agenten ist zudem zu klären, ob Gespräche aufgezeichnet oder transkribiert werden, wer darauf zugreift und wie Nutzende darüber informiert werden.
Personalisierte Vertriebsvideos sind in der Regel Werbung. Werden sie per E-Mail versendet, gelten die Regeln des Gesetzes gegen den unlauteren Wettbewerb: Werbliche E-Mails sind grundsätzlich nur mit vorheriger ausdrücklicher Einwilligung zulässig, abgesehen von eng begrenzten Ausnahmen für Bestandskunden. Die Personalisierung ändert daran nichts. Hinzu kommt das Irreführungsverbot: Ein Video, das den Eindruck erweckt, die Vertriebsleiterin habe es persönlich aufgenommen, obwohl es KI-generiert ist, kann problematisch sein. Transparenz ist daher nicht nur ethisch, sondern auch rechtlich ratsam.
Der EU AI Act verlangt, dass Menschen erkennen können, wenn sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Für Videoagenten heißt das: Ein klarer Hinweis zu Beginn des Gesprächs und im Interface ist Pflicht. Für künstlich erzeugte oder manipulierte Bild-, Ton- und Videoinhalte, die realen Personen täuschend ähnlich sind, sieht die Verordnung Kennzeichnungspflichten vor, häufig unter dem Stichwort Deepfake zusammengefasst. Personalisierte Avatar-Videos sollten daher sichtbar als KI-generiert gekennzeichnet werden, etwa durch einen Hinweis im Video, im Begleittext und in den Metadaten. Die Pflichten treten gestaffelt in Kraft; den aktuellen Stand sollten Sie mit Ihrer Rechtsberatung abstimmen.
Unabhängig vom Anbieter bleibt das einsetzende Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, transparente Datenschutzhinweise für Empfänger und Gesprächspartner, eine sorgfältige Prüfung, ob eine Datenschutz-Folgenabschätzung erforderlich ist, was bei biometrischen Daten und neuen Technologien naheliegt, sowie klare Regeln für Speicherung, Löschung und Zugriff. Wer diese Hausaufgaben erledigt, kann Avatar-Video verantwortungsvoll nutzen. Wer sie überspringt, riskiert nicht nur Bußgelder, sondern vor allem das Vertrauen von Kunden, Bewerbenden und eigenen Mitarbeitenden.