Um ElevenLabs einzuordnen, hilft ein Blick auf die Herkunft. Das Unternehmen wurde Anfang der 2020er-Jahre von zwei Gründern mit polnischen Wurzeln aufgebaut und ist mit Text-to-Speech groß geworden: Hörbücher, Videovertonung, Synchronisation, Barrierefreiheit, Content-Produktion. In diesem Markt hat ElevenLabs Maßstäbe gesetzt, was Natürlichkeit, Betonung und emotionale Färbung synthetischer Stimmen angeht. Der Schritt zum Voice-Agenten war naheliegend: Wer die beste Stimme liefert, will auch das Gespräch liefern, in dem diese Stimme spricht.
Die Plattform ist damit kein klassisches Contact-Center-Produkt, das nachträglich Sprachfähigkeiten bekommen hat, sondern das Gegenteil: ein Sprachspezialist, der sich in Richtung Dialogautomatisierung entwickelt. Diese Herkunft prägt Stärken und Schwächen gleichermaßen. Drei Eigenschaften machen ElevenLabs Agents aus:
Die Entwicklung lässt sich in drei Phasen beschreiben. Zuerst stand die reine Sprachsynthese im Vordergrund: Text hinein, Audio heraus. Dann kamen Werkzeuge für Synchronisation, Voice Cloning und eine eigene Spracherkennung hinzu, sodass ElevenLabs beide Richtungen der Sprachverarbeitung abdeckte. In der dritten Phase verband der Anbieter diese Bausteine mit einer Orchestrierungsschicht für Echtzeitgespräche, einer Anbindung an große Sprachmodelle, Werkzeugaufrufen, Wissensdatenbanken und Telefonie. Daraus wurde zunächst „Conversational AI“ und später die breiter gefasste „Agents Platform“.
Für Entscheider bedeutet das: Viele Artikel, Tutorials und Vergleiche im Netz beziehen sich auf frühere Produktstände. Funktionsumfang, Namen einzelner Komponenten und Preismodelle haben sich in kurzer Zeit mehrfach verändert. Wer ElevenLabs heute bewertet, sollte sich auf die aktuelle Dokumentation und ein eigenes Testkonto stützen, nicht auf Erfahrungsberichte, die älter als einige Monate sind.
ElevenLabs tritt international auf, hat Teams in mehreren Ländern und Büros unter anderem in London und New York sowie Präsenzen in Europa. Der für Kundenverträge maßgebliche Rechtsträger ist nach unserem Kenntnisstand eine US-Gesellschaft; je nach Vertrag und Region können auch andere Konzerngesellschaften beteiligt sein. Das ist kein Detail für Juristen, sondern hat direkte Folgen: Ein US-Vertragspartner unterliegt US-Recht und kann behördlichen Zugriffsansprüchen nach US-Recht ausgesetzt sein, auch wenn Daten in Europa gespeichert werden. Wer ElevenLabs einsetzen will, sollte deshalb vor Vertragsabschluss schriftlich klären, welche Gesellschaft Vertragspartner ist, wo Daten standardmäßig verarbeitet werden, welche Unterauftragsverarbeiter beteiligt sind und auf welcher Grundlage ein Drittlandtransfer erfolgt. Wir gehen darauf in Kapitel 09 ausführlich ein.
Die meisten Voice-Agent-Plattformen sind Orchestrierer: Sie verbinden Spracherkennung eines Anbieters, ein Sprachmodell eines zweiten und Sprachsynthese eines dritten. Das ist flexibel, bringt aber Reibungsverluste mit sich. Jeder Übergang zwischen Diensten kostet Zeit, jeder Anbieter hat eigene Verträge, eigene Datenschutzbedingungen und eigene Ausfallrisiken. ElevenLabs kontrolliert dagegen beide Audio-Enden selbst. Das erlaubt eine engere Abstimmung zwischen Erkennung, Gesprächssteuerung und Synthese – etwa beim Erkennen, wann ein Anrufer fertig gesprochen hat, oder beim schnellen Abbrechen der eigenen Antwort, wenn der Anrufer dazwischenredet.
Nicht unter eigener Kontrolle ist dagegen in der Regel das Sprachmodell, das die eigentlichen Antworten erzeugt. Hier bindet ElevenLabs große Modelle verschiedener Anbieter an oder erlaubt die Anbindung eines eigenen Modells. Das ist bewusst so gewählt: Der Anbieter konzentriert sich auf das, was er am besten kann – Sprache –, und lässt die Wahl des „Gehirns“ offen. Für die Datenschutzbewertung heißt das allerdings, dass neben ElevenLabs mindestens ein weiterer Dienst mit Gesprächsinhalten arbeitet.
ElevenLabs positioniert die Agents Platform zwischen zwei Lagern. Auf der einen Seite stehen entwicklerorientierte Voice-Agent-Plattformen wie Vapi oder Retell AI, die vor allem als flexible Orchestrierungsschicht für Entwickler auftreten. Auf der anderen Seite stehen Enterprise-Plattformen für den Kundenservice wie Parloa oder Cognigy, die tief in Contact-Center-Prozesse integriert sind und stark über Beratung und Projektgeschäft verkauft werden. ElevenLabs bedient beide Zielgruppen ein Stück weit: Selbstbedienung für Entwickler und kleinere Teams, Enterprise-Verträge mit erweiterten Datenschutz- und Sicherheitsoptionen für große Kunden.
Das Preismodell folgt typischerweise einer nutzungsbasierten Logik – etwa nach Gesprächsminuten oder Guthaben, gestaffelt nach Tarifen –, ergänzt um Enterprise-Vereinbarungen mit individuellen Konditionen. Ob und in welcher Höhe zusätzlich Kosten für das angebundene Sprachmodell, für Telefonie oder für besonders hochwertige Stimmen anfallen, hängt vom gewählten Tarif und der Konfiguration ab. Konkrete Preise nennen wir bewusst nicht; sie ändern sich häufig und sind beim Anbieter zu prüfen.
Im Zentrum steht der Systemprompt: eine Beschreibung, wer der Agent ist, welche Aufgabe er hat, wie er sprechen soll und was er auf keinen Fall tun darf. Dazu kommen eine erste Begrüßung, die Wahl der Stimme aus der Bibliothek oder einer eigenen geklonten Stimme, die Hauptsprache und gegebenenfalls weitere Sprachen, zwischen denen der Agent automatisch wechseln kann. Stimmparameter wie Stabilität, Ähnlichkeit zur Originalstimme und Sprechtempo lassen sich feinjustieren. Gerade am Telefon lohnt es sich, hier Zeit zu investieren: Eine etwas ruhigere, stabilere Einstellung wirkt oft professioneller als die ausdrucksstärkste Variante.
Über dynamische Variablen lassen sich Gesprächsinformationen zur Laufzeit in den Agenten einspielen – etwa der Name des Anrufers, eine Kundennummer aus der Telefonanlage oder der Kontext einer vorherigen Interaktion. So kann ein Agent personalisiert begrüßen, ohne dass für jeden Kunden ein eigener Agent gebaut werden muss. Viele Einstellungen lassen sich zudem pro Gespräch überschreiben, was für Tests und für unterschiedliche Kampagnen hilfreich ist.
Einfache Agenten kommen mit einem einzigen Prompt aus. Komplexere Szenarien – etwa ein Agent, der zuerst das Anliegen erkennt und dann an spezialisierte Unteragenten für Rechnungsfragen, Terminbuchung oder technische Störungen weitergibt – lassen sich nach Herstellerangaben über visuelle Workflows und Agenten-Übergaben abbilden. Jeder Knoten kann eigene Anweisungen, eigenes Wissen und eigene Werkzeuge haben. Das hält Prompts kürzer, reduziert Verwechslungen und macht das Verhalten nachvollziehbarer.
Zu den Systemfunktionen gehören typischerweise das Beenden eines Gesprächs, das Weiterleiten an eine Telefonnummer oder einen menschlichen Mitarbeitenden, die Übergabe an einen anderen Agenten, das Erkennen der gesprochenen Sprache mit automatischem Sprachwechsel sowie das Überspringen eines Gesprächszugs, wenn der Anrufer erkennbar noch nachdenkt. Welche dieser Funktionen in der aktuellen Version verfügbar sind und wie sie konfiguriert werden, ist in der Dokumentation nachzulesen.
Ein Voice-Agent ist nie fertig. ElevenLabs bietet deshalb Werkzeuge, um Gespräche nachzuvollziehen: Transkripte, Audioaufnahmen (sofern nicht deaktiviert), Zeitstempel, aufgerufene Werkzeuge und Kosten je Gespräch. Über frei definierbare Bewertungskriterien kann jedes Gespräch automatisch daraufhin geprüft werden, ob es erfolgreich war – etwa „Termin gebucht“ oder „Kunde hat korrekte Auskunft erhalten“. Zusätzlich lassen sich strukturierte Daten aus dem Gespräch extrahieren, zum Beispiel Anliegen, Produkt oder Rückrufwunsch, die anschließend an andere Systeme übergeben werden.
Für die Qualitätssicherung vor dem Livegang stehen Testfunktionen und simulierte Gespräche zur Verfügung, mit denen typische Szenarien wiederholt durchgespielt werden können. Das ersetzt keine Tests mit echten Anrufern, verkürzt aber die Iterationsschleifen erheblich – vor allem nach Änderungen am Prompt, die erfahrungsgemäß unerwartete Nebenwirkungen haben können.
ElevenLabs bietet in der Agentenkonfiguration eine Auswahl großer Sprachmodelle verschiedener Anbieter an, darunter nach unserem Kenntnisstand Modelle von Google, OpenAI und Anthropic sowie gegebenenfalls eigene oder offene Modelle, die der Anbieter selbst betreibt. Zusätzlich lässt sich ein eigenes Sprachmodell über eine kompatible Schnittstelle anbinden – etwa ein Modell, das bei einem europäischen Hoster läuft, oder ein eigener Dienst, der zwischen Agent und Modell zusätzliche Logik einzieht. Welche Modelle aktuell verfügbar sind und in welcher Region sie verarbeitet werden, ist beim Anbieter zu prüfen.
Die Modellwahl ist ein Abwägen. Größere Modelle verstehen komplexe Anliegen, Mehrdeutigkeiten und lange Gesprächsverläufe besser, brauchen aber mehr Zeit für die erste Antwort. Kleinere, schnelle Modelle reagieren zügiger und sind günstiger, machen aber eher Fehler bei mehrstufigen Aufgaben. Am Telefon ist die Reaktionszeit entscheidend: Jede zusätzliche Sekunde bis zur Antwort wirkt wie Zögern. In der Praxis bewährt sich, mit einem leistungsfähigen Modell zu beginnen, die Gesprächsqualität zu stabilisieren und dann systematisch zu testen, ob ein schnelleres Modell mit den eigenen Testgesprächen gleichwertige Ergebnisse liefert.
Für die Datenhoheit ist die Option eines eigenen Modells besonders interessant. Läuft das Sprachmodell bei einem europäischen Anbieter oder in der eigenen Infrastruktur, bleibt zumindest der Teil der Verarbeitung, in dem Inhalte interpretiert und Antworten formuliert werden, unter eigener Kontrolle. Audio und Transkripte durchlaufen aber weiterhin die ElevenLabs-Plattform – die Datenhoheitsfrage ist damit verkleinert, nicht gelöst.
Ein Agent, der nur reden kann, ist ein besserer Anrufbeantworter. Wertschöpfung entsteht, wenn er Dinge erledigt: Bestellstatus abfragen, Termin buchen, Ticket anlegen, Rückruf eintragen. ElevenLabs unterstützt dafür mehrere Arten von Werkzeugen. Server-Tools sind Aufrufe an Webhooks oder APIs des Unternehmens – das Sprachmodell entscheidet anhand einer Beschreibung, wann das Werkzeug gebraucht wird, und füllt die Parameter aus dem Gespräch. Client-Tools werden im Browser oder in der App des Nutzers ausgeführt, etwa um eine Seite zu öffnen oder ein Formular vorzubefüllen. Systemwerkzeuge steuern das Gespräch selbst, etwa Weiterleitung oder Gesprächsende. Zusätzlich unterstützt die Plattform nach Herstellerangaben das Model Context Protocol, über das sich standardisierte Werkzeugserver anbinden lassen.
Die Qualität der Werkzeuganbindung hängt weniger von der Plattform ab als von der Vorarbeit im Unternehmen. Werkzeuge brauchen klare Namen, präzise Beschreibungen, eindeutige Parameter und robuste Fehlerbehandlung. Ein Werkzeug „Kundendaten holen“, das bei unvollständiger Kundennummer einen unverständlichen Fehler zurückgibt, führt zu einem Agenten, der sich am Telefon verheddert. Ebenso wichtig: Werkzeuge mit Wirkung – Stornierung, Gutschrift, Vertragsänderung – sollten serverseitig abgesichert sein, also nur mit verifizierter Identität und innerhalb klarer Grenzen ausführbar. Das Sprachmodell darf entscheiden, dass es ein Werkzeug aufrufen will; ob der Aufruf zulässig ist, muss das Backend entscheiden.
Über die Knowledge Base lassen sich Dokumente, Webseiten und Texte hinterlegen, auf die der Agent zugreift. Bei kleinen Wissensbeständen werden Inhalte direkt in den Kontext gegeben, bei größeren nutzt die Plattform eine Suche im Sinne von Retrieval-Augmented Generation, die nur die passenden Abschnitte heranzieht. Für Produktinformationen, Öffnungszeiten, Lieferbedingungen oder häufige Fragen ist das schnell eingerichtet. Die Qualität steht und fällt mit den Quellen: veraltete PDFs, widersprüchliche FAQ und unstrukturierte Handbücher führen zu unsicheren Antworten. Eine kurze, redaktionell gepflegte Wissensbasis schlägt fast immer den großen Dokumentenimport.
Turn-Taking ist die oft unterschätzte Disziplin der Voice-Agenten: Wann hat der Anrufer fertig gesprochen? Wann macht er nur eine Denkpause? Was passiert, wenn er dem Agenten ins Wort fällt? ElevenLabs setzt dafür nach eigenen Angaben ein eigenes Modell ein, das nicht nur auf Stille wartet, sondern Sprachmelodie und Inhalt berücksichtigt. Unterbrechungen durch den Anrufer (Barge-in) werden erkannt, die laufende Antwort wird abgebrochen. Einstellungen wie Wartezeit vor einer Nachfrage, Toleranz gegenüber Hintergrundgeräuschen oder das Ignorieren kurzer Bestätigungslaute wie „mhm“ lassen sich anpassen. Gerade bei deutschen Anrufern, die oft in längeren Sätzen mit Pausen sprechen, lohnt ein sorgfältiges Tuning mit echten Testanrufen.
Der zweite Weg ist die Anbindung über einen SIP-Trunk. Damit lässt sich der Agent an eine bestehende Telefonanlage, an eine Cloud-Telefonanlage oder direkt an einen Carrier anschließen. Für viele Mittelständler ist das der realistischere Weg in die Produktion: Die vorhandene Hauptnummer bleibt erhalten, die Telefonanlage leitet bestimmte Anrufe – etwa außerhalb der Geschäftszeiten oder bei Überlast – an den Agenten weiter, und der Agent kann bei Bedarf zurück an Durchwahlen oder Gruppen übergeben. Technisch sind dabei Codecs, Rufnummernübermittlung, Weiterleitungsmechanismen und die Übergabe von Kontextinformationen sorgfältig zu testen. Hier liegt erfahrungsgemäß ein beträchtlicher Teil des Projektaufwands.
Auf der Website lässt sich ein Agent über ein einbettbares Widget integrieren, das sich in Farben, Texten und Verhalten anpassen lässt. Besucher können dann per Klick mit dem Agenten sprechen oder, je nach Konfiguration, auch schreiben. Für eigene Oberflächen stellt ElevenLabs SDKs für gängige Web- und Mobile-Technologien bereit, außerdem eine WebSocket-Schnittstelle und WebRTC-basierte Verbindungen für eine robuste Audioübertragung. Damit lassen sich Agenten zum Beispiel in ein Kundenportal, eine Service-App oder ein Gerät mit Sprachsteuerung einbauen.
Für den produktiven Einsatz ist die Absicherung wichtig: Öffentliche Agenten auf einer Website können von jedem genutzt werden – auch missbräuchlich, etwa um Kosten zu verursachen. Die Plattform bietet dafür Mechanismen wie signierte Sitzungs-URLs, Domain-Freigaben und Nutzungsgrenzen. Diese sollten von Anfang an konfiguriert werden. Auf Websites kommt zudem die Einbindung in das Consent-Management hinzu: Ein Widget, das beim Laden bereits Verbindungen zu einem US-Dienst aufbaut, ist datenschutzrechtlich anders zu bewerten als eines, das erst nach aktiver Zustimmung geladen wird.
Die Anbindung an Unternehmenssysteme erfolgt über die in Kapitel 04 beschriebenen Werkzeuge. Für gängige Systeme gibt es teils vorgefertigte Integrationen, häufig wird aber über Webhooks und eigene API-Endpunkte gearbeitet. Ein bewährtes Muster im Mittelstand ist eine schlanke Middleware oder eine Automatisierungsplattform zwischen Agent und Kernsystemen: Der Agent ruft einen einfachen, gut beschriebenen Endpunkt auf, die Middleware übernimmt Authentifizierung, Validierung, Protokollierung und die eigentliche Kommunikation mit CRM, ERP oder Kalender. Das entkoppelt den Agenten von der Komplexität gewachsener IT-Landschaften und erleichtert späteres Umziehen auf eine andere Plattform.
Nach dem Gespräch können Ergebnisse per Webhook weitergegeben werden: Transkript, Zusammenfassung, extrahierte Daten, Bewertung. So entsteht im CRM ein Gesprächsvermerk, im Ticketsystem ein vorqualifiziertes Ticket oder in der Vertriebsliste ein Rückrufwunsch. Welche Daten dabei übertragen werden, sollte bewusst minimiert werden – nicht jedes System braucht das vollständige Transkript.
ElevenLabs geht den umgekehrten Weg: Die Audio-Enden sind fest, dafür eng abgestimmt. Wer die ElevenLabs-Stimmen ohnehin nutzen will, spart sich mit der Agents Platform eine zusätzliche Orchestrierungsschicht. Wer dagegen mehrere Sprachdienste vergleichen oder je nach Sprache und Anwendungsfall wechseln will, ist bei Vapi oder Retell flexibler. Retell AI hat sich zudem stark auf den Telefonie-Kontext mit hohen Anrufvolumen ausgerichtet, Vapi auf maximale Konfigurierbarkeit für Entwicklerteams.
Weil ElevenLabs ein Cloud-Dienst ist, entfällt der Betrieb von Servern, Modellen und Audio-Infrastruktur. Das ist ein großer Vorteil gegenüber selbst gebauten Lösungen. Es bleibt aber eine Reihe von Betriebsaufgaben: Überwachung der Gesprächsqualität, Reaktion auf Ausfälle des Dienstes oder des angebundenen Sprachmodells, Pflege der Wissensbasis, Prüfung von Plattform-Updates, die das Verhalten des Agenten verändern können, und Kostenkontrolle. Für den Fall eines Ausfalls sollte immer ein Rückfallweg existieren – etwa eine automatische Weiterleitung an die Zentrale oder eine Ansage mit Rückrufangebot.
Ein oft unterschätzter Punkt ist das Versionsmanagement. Änderungen am Prompt, an der Stimme oder am gewählten Sprachmodell wirken sofort auf alle Gespräche. Bewährt hat sich, Agentenkonfigurationen über die API zu exportieren und zu versionieren, getrennte Agenten für Test und Produktion zu führen und Änderungen erst nach einem Durchlauf der wichtigsten Testszenarien freizugeben.
Ein ElevenLabs-Projekt braucht kein großes Entwicklungsteam, aber die richtigen Rollen: eine fachliche Verantwortung, die den Anwendungsfall kennt und Prioritäten setzt, Conversation Design für Prompt, Gesprächsführung und Tonalität, Integrationskompetenz für Werkzeuge und Telefonie sowie eine Datenschutz-Begleitung. Für einfache Agenten können mehrere Rollen in einer Person zusammenfallen. Sobald Backend-Integrationen und Telefonanlage ins Spiel kommen, ist Entwicklungs- und Telefonie-Know-how unverzichtbar.
Im Mittelstand bewährt sich ein gemischtes Modell: Ein externer Partner baut den ersten Agenten mit Integrationen und Testprozess auf und befähigt ein internes Team, Prompt, Wissensbasis und Auswertung selbst zu pflegen. So bleibt das Fachwissen im Haus, während technische Spezialthemen gezielt zugekauft werden.
Die deutsche Sprachsynthese von ElevenLabs gehört nach unserer Erfahrung zu den natürlichsten am Markt – Betonung, Satzmelodie und Aussprache wirken in den meisten Fällen überzeugend. Schwachstellen zeigen sich typischerweise bei Eigennamen, Produktbezeichnungen, Abkürzungen, Zahlen, Datumsangaben und Fremdwörtern. Hier helfen Aussprachewörterbücher und eine gezielte Formulierung im Prompt, etwa die Anweisung, Postleitzahlen ziffernweise zu sprechen. Auch die Wahl der Stimme spielt eine Rolle: Nicht jede Stimme aus der Bibliothek ist für Deutsch gleich gut geeignet. Für ein professionelles Ergebnis lohnt es sich, mehrere Stimmen mit realen Gesprächsausschnitten zu vergleichen.
Auf der Erkennungsseite ist die Lage differenzierter. Hochdeutsch in ruhiger Umgebung wird gut verstanden. Starke regionale Färbungen – Schwäbisch, Bairisch, Sächsisch, Plattdeutsch oder Schweizerdeutsch – sowie Telefonqualität, Freisprechen im Auto oder Werkstattlärm können die Erkennungsqualität deutlich mindern. Schweizerdeutsch ist ein Sonderfall, weil es sich in Wortschatz und Grammatik stark vom Hochdeutschen unterscheidet. Wie gut die Erkennung mit der eigenen Kundschaft zurechtkommt, lässt sich nur mit eigenen Testanrufen herausfinden. Fachbegriffe, Artikelnummern und Namen sollten gezielt geprüft und, wo möglich, über Schlüsselwort-Hinweise oder Rückfragen abgesichert werden.
ElevenLabs passt besonders gut zu Mittelständlern, die schnell einen hochwertigen Voice-Agenten für klar umrissene Aufgaben einführen wollen, bei denen Markenwirkung und Stimme eine Rolle spielen, die mehrere Sprachen bedienen und die bereit sind, einen US-basierten Cloud-Dienst vertraglich sauber abzusichern. Auch Agenturen und Softwarehäuser, die Voice-Funktionen in eigene Produkte einbauen wollen, finden in der API einen guten Baukasten.
Nutzungsbasierte Preismodelle wirken auf den ersten Blick transparent: Pro Gesprächsminute fällt ein bestimmter Betrag an. In der Praxis setzen sich die Kosten eines Gesprächs aber aus mehreren Komponenten zusammen – Plattformminuten, Sprachmodell, Telefonie, gegebenenfalls Zusatzfunktionen. Dazu kommen Tests, die ebenfalls Minuten verbrauchen, sowie Gespräche, die nicht zum Ziel führen. Für eine belastbare Rechnung sollten realistische Annahmen zu Anrufvolumen, durchschnittlicher Gesprächsdauer, Anteil automatisch gelöster Anliegen und Übergabequote getroffen und im Pilotbetrieb überprüft werden.
Auf der Nutzenseite stehen eingesparte Bearbeitungszeit, bessere Erreichbarkeit, weniger verlorene Anrufe und gegebenenfalls zusätzliche Umsätze durch schnellere Reaktion. Wichtig ist eine ehrliche Bewertung: Ein Agent, der die Hälfte der Anrufe nur annimmt und dann weiterleitet, spart wenig Arbeitszeit, kann aber durch strukturierte Vorqualifizierung trotzdem wertvoll sein. Kostenbremsen wie Gesprächsdauer-Limits, Nutzungsgrenzen pro Tag und Missbrauchsschutz für öffentliche Widgets sollten von Anfang an eingerichtet werden.
Ein Voice-Agent verarbeitet Stimme, Gesprächsinhalt, Telefonnummer und oft weitere personenbezogene Daten wie Name, Kundennummer oder Anliegen. Das einsetzende Unternehmen ist Verantwortlicher im Sinne der DSGVO, ElevenLabs in aller Regel Auftragsverarbeiter. Erforderlich sind eine Rechtsgrundlage für die Verarbeitung, eine verständliche Information der Anrufer, ein Vertrag zur Auftragsverarbeitung, technische und organisatorische Maßnahmen, ein Löschkonzept und je nach Umfang und Sensibilität eine Datenschutz-Folgenabschätzung. Sprachaufzeichnungen sind dabei besonders heikel: Wer Gespräche aufzeichnet, braucht dafür eine tragfähige Grundlage und muss das transparent machen.
Da der Vertragspartner eine US-Gesellschaft ist und die Standardverarbeitung außerhalb der EU erfolgen kann, ist der Drittlandtransfer ausdrücklich zu bewerten. Zu prüfen ist, ob der Anbieter unter einem geltenden Angemessenheitsrahmen zertifiziert ist, ob Standardvertragsklauseln vereinbart sind und welche zusätzlichen Maßnahmen bestehen. Die vom Anbieter angebotene EU-Datenresidenz kann das Risiko deutlich reduzieren, weil Gesprächsdaten dann in europäischen Rechenzentren verarbeitet und gespeichert werden. Sie beseitigt aber nicht automatisch jeden Drittlandbezug: Support-Zugriffe, Konzernstrukturen, Unterauftragsverarbeiter und insbesondere das gewählte Sprachmodell können weiterhin Daten außerhalb der EU berühren. Klären Sie deshalb schriftlich, welche Daten in welcher Region verarbeitet werden, welche Dienste in der EU-Umgebung tatsächlich verfügbar sind und wo das angebundene Sprachmodell läuft.
Wer eine eigene Markenstimme klont – etwa die Stimme der Geschäftsführerin, eines Mitarbeiters oder eines professionellen Sprechers –, verarbeitet biometrisch geprägte Daten und berührt Persönlichkeitsrechte. Erforderlich sind eine informierte, schriftliche Einwilligung der Person, eine klare Regelung zu Nutzungszweck, Dauer, Vergütung und Widerruf sowie eine Vereinbarung, was mit der Stimme nach Ende der Zusammenarbeit oder des Arbeitsverhältnisses geschieht. ElevenLabs verlangt nach eigenen Angaben für hochwertige Stimmklone eine Verifizierung des Sprechers und hat Schutzmechanismen gegen das Klonen fremder Stimmen eingeführt. Das entbindet das Unternehmen aber nicht von der eigenen Pflicht, die Rechte sauber zu klären. Stimmen aus der öffentlichen Bibliothek unterliegen den Lizenzbedingungen des Anbieters, die auf kommerzielle Nutzung hin zu prüfen sind.
Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Anrufer müssen erkennen können, dass sie mit einer KI sprechen, sofern das nicht offensichtlich ist. Gerade weil ElevenLabs-Stimmen so natürlich klingen, ist ein klarer, gesprochener Hinweis zu Beginn des Gesprächs Pflicht und gute Praxis zugleich. Darüber hinaus gelten Kennzeichnungspflichten für synthetisch erzeugte oder manipulierte Audioinhalte, insbesondere wenn sie den Eindruck erwecken, eine reale Person zu sein (Deepfake-Problematik). Wer eine Stimme klont, die einer realen, bekannten Person gehört, und damit Inhalte erzeugt, sollte die Kennzeichnung besonders sorgfältig umsetzen. Die meisten Kundenservice-Agenten fallen nicht in die Hochrisiko-Kategorie; je nach Einsatzzweck kann das aber anders sein und ist im Einzelfall zu bewerten.