Wer einen Voice Agent von Grund auf baut, muss erstaunlich viele Teile verbinden. Ein Anruf kommt über einen Telefonie-Anbieter herein, das Audio wird in kleinen Paketen an eine Spracherkennung gestreamt, deren Text geht an ein Sprachmodell, dessen Antwort an eine Sprachsynthese, und das erzeugte Audio muss zurück ins Telefonnetz. Dazwischen liegen Entscheidungen, die über die Gesprächsqualität bestimmen: Wann ist der Anrufer fertig? Was passiert, wenn er dazwischenredet? Wie überbrückt der Agent die Sekunden, in denen er im Warenwirtschaftssystem nachschaut? Wie wird das Gespräch an einen Menschen übergeben? Jede dieser Fragen kostet in Eigenentwicklung Wochen.
Vapi bündelt diese Aufgaben in einer Orchestrierungsschicht. Ein Assistent wird über das Dashboard oder per API konfiguriert: Systemprompt, erste Begrüßung, Sprachmodell, Stimme, Spracherkennung, Werkzeuge, Regeln für das Gesprächsende. Danach kann er sofort mit einer Telefonnummer verbunden oder per Web-SDK in eine Website eingebettet werden. Das Unternehmen bleibt flexibel, weil die einzelnen Bausteine austauschbar sind: Heute ein Modell von OpenAI, morgen eines von Anthropic oder Google; heute eine Stimme von ElevenLabs, morgen eine von Cartesia.
Drei Eigenschaften prägen Vapi:
Vapi ist ein vergleichsweise junges Unternehmen aus den USA und gehört zu der Generation von Anbietern, die mit dem Aufkommen leistungsfähiger Sprachmodelle entstanden sind. Die Plattform wurde schnell in der Entwickler-Community bekannt, weil sie den Weg vom Prompt zum telefonierenden Agenten auf Minuten verkürzte. Seither hat der Anbieter den Funktionsumfang deutlich erweitert: um Mehr-Agenten-Konstellationen, visuelle Gesprächsabläufe, Test- und Auswertungsfunktionen, Kampagnen für ausgehende Anrufe sowie Optionen für Unternehmenskunden. Da sich Funktionen, Bezeichnungen und Konditionen in diesem Markt in kurzen Abständen ändern, gilt für jede Planung: Den aktuellen Stand liefern die Dokumentation und das Änderungsprotokoll des Anbieters, nicht ältere Tutorials oder Videos.
Für die Einordnung ebenso wichtig ist der Sitz des Anbieters. Vapi ist ein US-Unternehmen, die Plattform läuft nach unserem Kenntnisstand standardmäßig in US-Rechenzentren, und sie bindet ihrerseits weitere Dienstleister ein – Modellanbieter, Sprachdienste, Telefonie-Carrier, Cloud-Hosting. Daraus ergeben sich Fragen zu Drittlandtransfer, US-Zugriffsbefugnissen und der Kette der Unterauftragsverarbeiter, die wir in Kapitel 09 ausführlich behandeln. Diese Fragen gehören an den Anfang eines Projekts, nicht ans Ende.
Die Plattform richtet sich an Teams mit technischem Know-how: Entwickler in Unternehmen mit eigener IT, Digitalagenturen und Systemhäuser, die Voice Agents für Kunden bauen, Softwareanbieter, die Sprachfunktionen in ihr Produkt integrieren, und spezialisierte Voice-AI-Dienstleister. Wer sich mit APIs, Webhooks und JSON wohlfühlt, kommt schnell voran. Für eine Fachabteilung ohne IT-Unterstützung ist Vapi trotz Dashboard und visueller Werkzeuge nur bedingt geeignet: Sobald echte Systeme angebunden werden, braucht es Server, Schnittstellen und Fehlerbehandlung. Hier sind ein Umsetzungspartner oder eine stärker kuratierte Plattform oft der bessere Weg.
Das Geschäftsmodell von Vapi folgt einem Muster, das viele Voice-Agent-Plattformen nutzen: Die Plattform berechnet eine eigene Gebühr pro Gesprächsminute für die Orchestrierung, und dazu kommen die Kosten der eingesetzten Bausteine – Spracherkennung, Sprachmodell, Sprachsynthese und Telefonie. Diese Bausteinkosten können über Vapi abgerechnet werden; alternativ hinterlegt das Unternehmen eigene API-Schlüssel und zahlt die Anbieter direkt. Die tatsächlichen Kosten pro Minute hängen daher stark von der gewählten Kombination ab: Ein großes Sprachmodell mit einer Premium-Stimme kostet ein Vielfaches einer schlanken Konfiguration.
Für die Planung heißt das: Ein Minutenpreis, der in Marketingmaterial oder Foren genannt wird, ist selten der Preis, den ein produktiver Agent tatsächlich verursacht. Seriös ist nur eine Rechnung mit der konkreten Konfiguration, realistischen Gesprächslängen und dem eigenen Anrufvolumen. Hinzu kommen Rufnummern, Zusatzoptionen und gegebenenfalls Enterprise-Konditionen. Wir empfehlen, die Kostenstruktur im Piloten mitzumessen und die Rechnung auf ein gelöstes Anliegen statt auf eine Minute zu beziehen.
Vapi positioniert sich nicht als Anbieter eines bestimmten Sprachmodells oder einer bestimmten Stimme, sondern als neutrale Schicht dazwischen. Der Wert liegt im Echtzeit-Zusammenspiel: geringe Verzögerung, saubere Sprecherwechsel, Unterbrechungen, Werkzeugaufrufe während des Gesprächs, Übergaben an Menschen und andere Agenten, Telefonie, Protokollierung und Auswertung. Diese Positionierung hat Vorteile, denn das Unternehmen bleibt bei den Modellen flexibel und profitiert von Fortschritten verschiedener Anbieter. Sie hat aber auch eine Kehrseite: Jeder Baustein bringt eigene Verträge, eigene Datenflüsse und eigene Ausfallrisiken mit.
Im Markt steht Vapi zwischen zwei Polen. Auf der einen Seite stehen Open-Source-Frameworks wie LiveKit Agents oder Pipecat, die maximale Kontrolle bieten, aber eigene Infrastruktur und mehr Engineering verlangen. Auf der anderen Seite stehen Enterprise-Plattformen für den Kundenservice wie Parloa oder Cognigy, die stärker kuratiert sind, Fachanwendern mehr Werkzeuge an die Hand geben und häufig europäische Hosting-Optionen mitbringen. Vapi bietet mehr Komfort als ein Framework und mehr Freiheit als eine Komplettplattform – und spricht damit vor allem Entwickler und Agenturen an.
Der Assistant ist die zentrale Einheit in Vapi. Er bündelt alles, was einen Gesprächspartner ausmacht: den Systemprompt mit Rolle, Tonalität, Regeln und Gesprächszielen; die erste Nachricht, mit der er ein Gespräch eröffnet; das Sprachmodell, das die Antworten erzeugt; die Spracherkennung, die den Anrufer versteht; die Stimme, mit der er spricht; die verfügbaren Werkzeuge; und Regeln für Sonderfälle wie Stille, Mailbox oder Gesprächsende. Hinzu kommen Einstellungen für die Gesprächsmechanik: wie lange der Agent nach einer Sprechpause wartet, wie empfindlich er auf Unterbrechungen reagiert, ob er Füllwörter oder Hintergrundgeräusche einspielt, wie lange ein Gespräch maximal dauern darf.
Assistenten können dauerhaft angelegt oder bei jedem Anruf dynamisch erzeugt werden. Letzteres ist für den Unternehmenseinsatz besonders wertvoll. Bei einem eingehenden Anruf fragt Vapi einen Endpunkt des Unternehmens an, und dieser liefert eine Konfiguration zurück, etwa mit dem Namen des Kunden, seiner letzten Bestellung oder einer passenden Sprache. So entstehen personalisierte Gespräche, ohne dass für jede Variante ein eigener Assistent gepflegt werden muss. Variablen im Prompt erlauben zudem, Kontext wie Kundennummer oder Termin direkt einzusetzen.
Ein einzelner Assistent mit einem sehr langen Prompt und vielen Werkzeugen wird schnell unzuverlässig. Vapi bietet daher Squads an: Gruppen von Assistenten, die sich ein Gespräch teilen und einander übergeben. Ein Empfangsassistent klärt das Anliegen und übergibt an einen Spezialisten für Terminvereinbarung, Reklamation oder Bestellstatus. Jeder Spezialist hat einen schlanken Prompt und nur die Werkzeuge, die er braucht. Bei der Übergabe kann der Gesprächskontext mitgegeben werden, sodass der Anrufer nichts wiederholen muss. Für den Anrufer wirkt das im besten Fall wie ein durchgehendes Gespräch, auf Wunsch auch mit unterschiedlichen Stimmen.
Ergänzend hat Vapi visuelle Werkzeuge eingeführt, mit denen Gesprächsabläufe als Knoten und Verbindungen modelliert werden – etwa für Abläufe, die streng einem Schema folgen müssen, wie Identitätsprüfung oder Datenerfassung. Bezeichnung, Umfang und Reifegrad dieser Workflow-Funktionen haben sich mehrfach verändert; ihr aktueller Stand ist beim Anbieter zu prüfen. Grundsätzlich gilt: Freie, promptgesteuerte Agenten sind flexibel, aber schwerer vorherzusagen; strukturierte Abläufe sind berechenbarer, aber weniger natürlich. Gute Lösungen kombinieren beides.
Tools machen aus einem Gesprächspartner einen Sachbearbeiter. Vapi unterstützt eigene Funktionen, die das Modell mit strukturierten Parametern aufruft und die ein Server des Unternehmens ausführt, etwa „Lieferstatus abfragen“ oder „Termin buchen“. Daneben gibt es eingebaute Werkzeuge für typische Telefonaufgaben: Anruf an eine Rufnummer oder einen anderen Assistenten weiterleiten, Gespräch beenden, Tastentöne senden, Wissensdatenbanken abfragen. Hinzu kommen vorgefertigte Integrationen zu verbreiteten Diensten sowie die Anbindung über das Model Context Protocol (MCP) – die jeweils verfügbare Auswahl ist in der Dokumentation zu prüfen.
Bei der Telefonie bietet Vapi mehrere Wege. Rufnummern können direkt über die Plattform bezogen werden, wobei die Verfügbarkeit deutscher Nummern ausdrücklich zu prüfen ist. Alternativ werden Nummern bestehender Anbieter wie Twilio, Vonage oder Telnyx importiert, oder ein SIP-Trunk bindet die eigene Telefonanlage an. Unterstützt werden eingehende und ausgehende Anrufe, Weiterleitungen mit oder ohne Ankündigung an den Mitarbeiter sowie Kampagnen für größere Mengen ausgehender Anrufe. Für Websites und Apps stehen Web- und Client-SDKs bereit, über die Nutzer direkt im Browser mit dem Agenten sprechen.
Ein Voice Agent soll Fragen zu Öffnungszeiten, Produkten, Lieferbedingungen oder Garantieregeln beantworten können, ohne dass all das im Prompt steht. Vapi bietet dafür die Möglichkeit, Wissensquellen wie Dokumente oder Webseiten hinzuzufügen, auf die der Agent bei Bedarf zugreift. Technisch handelt es sich um eine Suche in aufbereiteten Textabschnitten, deren Treffer dem Sprachmodell als Kontext mitgegeben werden. Für einfache FAQ-Szenarien funktioniert das gut. Bei umfangreichen, sich häufig ändernden Inhalten oder sensiblen Daten ist es oft sinnvoller, die Suche im eigenen System zu betreiben und per Tool anzubinden – dann bleiben Datenhaltung, Aktualität und Zugriffsrechte in der eigenen Hand.
Wichtig für Telefonanwendungen: Jede Suche kostet Zeit, und Stille am Telefon wird schnell als Verbindungsabbruch gedeutet. Bewährt haben sich kurze Ankündigungen („Einen Moment, ich sehe nach“), schlanke Wissensabschnitte und klare Anweisungen, was der Agent tun soll, wenn er keine verlässliche Antwort findet – etwa einen Rückruf anbieten, statt zu raten.
Nach jedem Gespräch kann Vapi eine automatische Auswertung erzeugen: eine Zusammenfassung, eine Bewertung, ob das Gesprächsziel erreicht wurde, und strukturierte Daten, die nach einem vorgegebenen Schema aus dem Gespräch extrahiert werden – etwa Anliegen, Kundennummer, Terminwunsch, Dringlichkeit oder Stimmung. Diese Daten werden über Webhooks an einen Endpunkt des Unternehmens geschickt und können von dort ins CRM, ins Ticketsystem oder in eine Automatisierungsplattform fließen. Während des Gesprächs liefert die Plattform ebenfalls Ereignisse, etwa Statusänderungen, Transkriptfragmente oder Werkzeugaufrufe.
Diese Auswertung ist einer der größten Hebel für den Nutzen eines Voice Agents. Selbst wenn der Agent ein Anliegen nicht abschließend löst, liefert er eine saubere Zusammenfassung, die dem Mitarbeiter beim Rückruf Zeit spart. Gleichzeitig entstehen Daten, die besonders schutzbedürftig sein können: Transkripte, Aufzeichnungen, abgeleitete Merkmale. Welche davon gespeichert werden, wo und wie lange, sollte bewusst konfiguriert werden – Vapi bietet dafür Einstellungen, deren aktueller Umfang zu prüfen ist.
Ein Voice Agent ist nie fertig. Jede Änderung am Prompt, am Modell oder an einem Werkzeug kann Nebenwirkungen haben. Vapi bietet deshalb Funktionen für automatisierte Tests: Simulierte Anrufer spielen definierte Szenarien durch, und das Ergebnis wird gegen Erwartungen geprüft. Ergänzend gibt es Protokolle, Gesprächsübersichten und Metriken zu Dauer, Kosten und Fehlern. Für anspruchsvollere Auswertungen nutzen viele Teams zusätzlich spezialisierte Observability- und Testwerkzeuge von Drittanbietern.
Aus Projekterfahrung empfehlen wir, eine eigene Testsuite unabhängig von der Plattform aufzubauen: eine Sammlung typischer und schwieriger Gesprächsverläufe mit erwarteten Ergebnissen. Sie macht Änderungen sicher, erleichtert einen späteren Anbieterwechsel und schafft eine gemeinsame Qualitätssprache zwischen Fachbereich und Technik.
Bei Vapi wählen Teams nicht ein Sprachsystem, sondern drei Bausteine plus Telefonie. Die Spracherkennung entscheidet, ob Kundennummern, Straßennamen, Produktbezeichnungen und Dialekte korrekt verstanden werden. Das Sprachmodell bestimmt, wie gut der Agent Anweisungen befolgt, Werkzeuge korrekt aufruft und beim Thema bleibt – und welche Verzögerung entsteht. Die Sprachsynthese prägt Klang, Natürlichkeit und Aussprache. Neben dieser klassischen Kette unterstützt Vapi je nach Stand auch Speech-to-Speech-Modelle, etwa die OpenAI Realtime API, bei denen Verstehen und Sprechen in einem Modell zusammenfallen.
Für Unternehmen bedeutet diese Wahlfreiheit eine Chance und eine Pflicht. Die Chance: Es lässt sich für jede Stufe der Anbieter wählen, der für Deutsch, für das Budget und für den Datenschutz am besten passt – inklusive Bausteinen mit EU-Verarbeitung, sofern verfügbar. Die Pflicht: Jeder Anbieter ist ein weiterer Empfänger von Sprachdaten, braucht einen Vertrag und eine Bewertung. Mit eigenen API-Schlüsseln (Bring your own Key) wird das Unternehmen selbst Vertragspartner des jeweiligen Anbieters und gewinnt Kontrolle über dessen Konfiguration, etwa Speicherfristen. Wer die Bausteine über Vapi bezieht, sollte genau prüfen, welche Vertragsbeziehung tatsächlich besteht.
Im DACH-Raum ist die Telefonie häufig der unterschätzte Teil. Ob eine deutsche Ortsnetz- oder Servicenummer direkt über Vapi verfügbar ist, welche Nachweise für die Registrierung nötig sind und wie Weiterleitungen in die eigene Telefonanlage funktionieren, muss im Einzelfall geklärt werden. Bewährte Wege sind der Import von Nummern eines CPaaS-Anbieters wie Twilio, der in Deutschland eingeführt ist, oder ein SIP-Trunk zur bestehenden Cloud-Telefonanlage. Dann bleibt die bekannte Rufnummer erhalten, und der Voice Agent wird zu einem weiteren Ziel in der Anrufverteilung – etwa nur außerhalb der Geschäftszeiten oder bei Überlauf.
Für die Übergabe an Menschen gibt es zwei Muster. Bei der einfachen Weiterleitung wird der Anrufer direkt durchgestellt. Bei der angekündigten Übergabe informiert der Agent den Mitarbeiter vorab über das Anliegen, bevor er verbindet. Letzteres ist komfortabler, setzt aber eine funktionierende Rückfrage-Logik in der Telefonie voraus. In beiden Fällen sollte die Gesprächszusammenfassung parallel im CRM oder Ticket landen.
Für die Anbindung an Geschäftsprozesse nutzen viele Teams Automatisierungsplattformen. Ein Webhook am Gesprächsende startet einen Workflow in n8n oder Make, der die strukturierten Daten ins CRM schreibt, ein Ticket anlegt, eine E-Mail an den Außendienst schickt oder einen Termin bestätigt. Auch Werkzeuge während des Gesprächs lassen sich so umsetzen – mit dem Vorbehalt, dass Automatisierungsplattformen Verzögerung erzeugen können, die am Telefon spürbar wird. Für zeitkritische Abfragen ist ein schlanker eigener Endpunkt oft die bessere Wahl. Wer Wert auf Datenhoheit legt, betreibt n8n selbst auf Servern in Deutschland und hält so zumindest die nachgelagerte Verarbeitung in der EU.
Retell AI ist der Anbieter, der Vapi im Ansatz am nächsten kommt: ebenfalls eine gehostete Plattform für Telefon-Agenten mit Wahl zwischen verschiedenen Modellen und Stimmen. In der Praxis wird Retell häufig als etwas stärker kuratiert und im Dashboard zugänglicher wahrgenommen, Vapi als offener und mit mehr Stellschrauben für Entwickler. Diese Unterschiede verschieben sich mit jeder Produktversion. Bland AI positioniert sich stärker als Telefonie-Plattform für Unternehmen mit hohen Anrufvolumen und legt Wert auf kontrollierte Gesprächsabläufe und eigene Infrastruktur. Alle drei sind US-Anbieter; die Datenschutzfragen sind daher ähnlich gelagert. Eine Entscheidung sollte auf einem parallelen Test mit denselben deutschen Gesprächsszenarien beruhen, nicht auf Feature-Listen.
LiveKit und Pipecat sind Open-Source-Frameworks, mit denen Teams die Echtzeit-Pipeline selbst bauen und betreiben. Sie bieten Bausteine für Audio-Transport, Sprechererkennung, Unterbrechungen und Anbieter-Anbindungen, verlangen aber eigene Server, eigenes Monitoring und mehr Engineering. Der große Vorteil liegt in der Datenhoheit: Die Orchestrierung kann in einem deutschen Rechenzentrum oder On-Premises laufen, kombiniert mit EU-gehosteten oder selbst betriebenen Modellen. Für Unternehmen mit strengen Datenschutzanforderungen ist das oft der tragfähigere Weg. Ein häufiges Muster: Prototyp mit Vapi, um Use Case und Gesprächsdesign zu validieren, Produktivbetrieb auf einem Framework – sofern Volumen und Anforderungen den Mehraufwand rechtfertigen.
Parloa und Cognigy sind Plattformen, die auf den Kundenservice größerer Unternehmen zugeschnitten sind. Sie bieten Fachanwendern Werkzeuge zur Gestaltung von Dialogen, Integrationen in Contact-Center-Systeme, Rollen- und Freigabeprozesse und häufig europäisches Hosting. Dafür sind sie weniger offen für freies Experimentieren und in der Regel mit höheren Einstiegsinvestitionen verbunden. Contact-Center-Suiten wie Genesys oder NICE integrieren Voice Agents zunehmend direkt. Für einen Mittelständler mit wenigen, klar umrissenen Telefonprozessen und einem Umsetzungspartner kann Vapi die schlankere Lösung sein; für ein Contact Center mit vielen Agenten, Kanälen und Compliance-Vorgaben ist eine Enterprise-Plattform oft passender.
Das Dashboard von Vapi lädt zum Ausprobieren ein. Für den Produktivbetrieb sollte die Konfiguration aber nicht nur dort leben. Bewährt hat sich, Assistenten, Squads, Tools und Prompts als Dateien in einer Versionsverwaltung zu pflegen und per API auszurollen. Damit ist nachvollziehbar, wer wann was geändert hat, Änderungen lassen sich zurücknehmen, und getrennte Umgebungen für Entwicklung, Test und Produktion werden möglich. Ebenso wichtig: API-Schlüssel und Zugänge zu Unternehmenssystemen gehören in einen Geheimnisspeicher, nicht in Prompts oder öffentliche Web-Clients. Für Web-Anwendungen nutzt man öffentliche Schlüssel mit eingeschränkten Rechten.
Da Vapi und die eingebundenen Anbieter nutzungsabhängig abrechnen, können Kosten bei hohem Volumen oder langen Gesprächen schnell steigen. Wirksame Hebel sind eine maximale Gesprächsdauer, schlanke Prompts, kleinere Modelle für einfache Abschnitte, Squads statt eines überladenen Assistenten und Ausgaben, die kurz und gesprächstauglich bleiben. Budgetwarnungen auf Plattform- und Providerebene gehören zum Standard.
Ebenso wichtig sind Rückfallebenen. Jeder Baustein in der Kette kann langsamer werden oder ausfallen: Vapi selbst, das Sprachmodell, die Stimme, der Telefonie-Carrier, das eigene CRM. Vapi bietet Möglichkeiten, alternative Anbieter für einzelne Stufen zu hinterlegen; zusätzlich braucht es eine Strategie auf Telefonieebene – etwa eine Weiterleitung an die Zentrale oder eine Ansage mit Rückrufangebot, wenn der Agent nicht erreichbar ist. Eine Statusüberwachung, die auch nachts Alarm schlägt, ist Pflicht, sobald der Agent echte Kundenanrufe annimmt.
Viele Beispiele, Vorlagen und Standardwerte im Vapi-Ökosystem stammen aus dem englischsprachigen Raum. Für den DACH-Einsatz ist deshalb ein gezielter Sprachtest unverzichtbar. Er sollte mindestens folgende Punkte abdecken: das Verstehen von Kundennummern, Postleitzahlen, Telefonnummern und E-Mail-Adressen, die gebuchstabiert oder in Gruppen gesprochen werden; Eigennamen, Ortsnamen und Produktbezeichnungen; regionale Färbungen von Norddeutsch bis Schwäbisch, Österreichisch und Schweizerdeutsch; Hintergrundgeräusche aus Werkstatt, Auto oder Baustelle. Auf der Ausgabeseite zählen die Aussprache von Zahlen, Datumsangaben, Abkürzungen und Fremdwörtern sowie ein Tonfall, der zu Duzen oder Siezen passt.
Bewährt hat sich ein Vergleichstest mehrerer Kombinationen: zwei bis drei Spracherkennungsdienste, zwei Sprachmodelle, zwei bis drei Stimmen, jeweils mit denselben aufgezeichneten oder live gesprochenen Testsätzen. Gemessen werden Erkennungsfehler bei kritischen Daten, Werkzeugtreue, Verzögerung und subjektive Natürlichkeit, bewertet von Mitarbeitenden, die die Kundschaft kennen. Ergänzend sollten Gesprächsmechanik-Einstellungen für Deutsch angepasst werden, weil deutsche Sätze die wichtigsten Informationen oft am Ende tragen und Nachdenkpausen sonst als Satzende gedeutet werden.
Gut passt Vapi zu Unternehmen, die einen Umsetzungspartner oder eigene Entwickler haben, schnell und mit überschaubarem Budget einen Use Case validieren wollen, Wert auf freie Modellwahl legen oder Voice-Funktionen in eigene Produkte einbauen. Auch Agenturen, die mehrere Kunden mit Voice Agents betreuen, profitieren von der API-Orientierung. Weniger gut passt Vapi, wenn sehr sensible Daten im Spiel sind und eine Verarbeitung ausschließlich in der EU vertraglich zugesichert sein muss, wenn keine technische Betreuung vorhanden ist oder wenn ein großes Contact Center mit vielen Kanälen und strengen Freigabeprozessen automatisiert werden soll. Dann sind ein selbst betriebenes Framework oder eine europäische Enterprise-Plattform die naheliegenderen Optionen.
Die Gesamtkosten eines Vapi-Agenten setzen sich aus mehreren Schichten zusammen, die sich gegenseitig beeinflussen. Ein leistungsfähiges Sprachmodell kann teurer pro Minute sein, aber durch bessere Werkzeugtreue Folgekosten vermeiden. Eine hochwertige Stimme kostet mehr, kann aber die Akzeptanz bei Anrufern deutlich verbessern. Lange Gespräche werden überproportional teurer, weil der wachsende Gesprächskontext bei jeder Antwort erneut verarbeitet wird. Für die Wirtschaftlichkeit empfehlen wir deshalb die Rechnung pro gelöstem Anliegen: Was kostet ein vollständig durch den Agenten erledigter Anruf inklusive Plattform, Bausteinen, Telefonie und anteiligem Betrieb – und was kostet derselbe Anruf im eigenen Team? Diese Zahlen lassen sich nur im Pilotbetrieb seriös ermitteln.
Der Einsatz von Vapi bedeutet in der Regel eine Übermittlung personenbezogener Daten in die USA. Für die Zulässigkeit ist zu prüfen, ob der Anbieter unter dem EU-US Data Privacy Framework zertifiziert ist oder ob Standardvertragsklauseln mit ergänzenden Maßnahmen greifen. Unabhängig davon unterliegen US-Unternehmen dem CLOUD Act, der US-Behörden unter bestimmten Voraussetzungen Zugriff auf Daten erlaubt – auch wenn diese außerhalb der USA gespeichert sind. Dieses Risiko sollte in der Datenschutz-Folgenabschätzung offen benannt und bewertet werden.
Besonders wichtig bei Vapi ist die Sub-Prozessor-Kette. Ein einzelner Anruf kann Daten an den Telefonie-Carrier, die Vapi-Plattform, deren Cloud-Hosting, einen Spracherkennungsdienst, einen Modellanbieter und einen Sprachsynthesedienst übermitteln – plus Ihre eigenen Server und Automatisierungsplattformen. Jeder dieser Empfänger braucht eine Rechtsgrundlage, einen Vertrag und eine Bewertung. Die freie Provider-Wahl ist hier ein Vorteil: Wer für Spracherkennung, Modell und Stimme Anbieter mit EU-Verarbeitung wählt, eigene Schlüssel nutzt und Aufzeichnung sowie Speicherung minimiert, reduziert den Drittlandbezug deutlich, beseitigt ihn aber nicht, solange die Orchestrierung in den USA läuft. Wo das nicht genügt, sind Self-Hosting-Alternativen wie LiveKit oder Pipecat in einem deutschen Rechenzentrum, kombiniert mit EU-gehosteten oder selbst betriebenen Modellen, die DSGVO-konformere Option.
Unabhängig vom Anbieter gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Anrufer, Datenminimierung, Löschkonzept und technische sowie organisatorische Maßnahmen. Bei Telefongesprächen ist besonders sensibel, ob Audio aufgezeichnet wird. Die Verarbeitung in Echtzeit ist anders zu bewerten als die dauerhafte Speicherung von Gesprächsaufnahmen. Für Aufzeichnungen ist in der Regel eine klare Information und häufig eine ausdrückliche Einwilligung erforderlich; zudem stellt das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes nach § 201 StGB eine Straftat dar. Dieser Hinweis ersetzt keine Prüfung, unterstreicht aber, dass Aufzeichnungsfunktionen nicht ungeprüft aktiviert werden sollten. Bei ausgehenden Anrufen kommen wettbewerbsrechtliche Vorgaben zur Telefonwerbung hinzu.
Der EU AI Act verlangt für KI-Systeme, die direkt mit Menschen interagieren, dass diese erkennen können, mit einer KI zu sprechen. Am Telefon bedeutet das einen klaren, gesprochenen Hinweis zu Beginn. Ein Konzept, das Aufzeichnung standardmäßig deaktiviert, Transkripte nach kurzer Frist löscht und nur die strukturierten Ergebnisse in eigene Systeme überführt, ist ein guter Ausgangspunkt für eine datensparsame Lösung.