Thought Leadership
Ein KI-Anrufbeantworter nimmt eingehende Anrufe entgegen, führt ein Gespräch in natürlicher Sprache, erfasst das Anliegen und legt es strukturiert im Zielsystem ab.
Technisch ist diese Klasse von Systemen seit etwa zwei Jahren produktionsreif; die Modellqualität ist in den meisten Einführungsprojekten längst nicht mehr der Engpass. Wer sie im Mittelstand einführt, scheitert regelmäßig an anderen Stellen: an einer strafrechtlichen Vorschrift, die viele Projekte nicht auf dem Zettel haben, an einem Latenzbudget, das am falschen Ende optimiert wird, und an einem Kalenderzugriff, der in der Ausschreibung als Nebensatz steht.
Abgrenzung: Mailbox, IVR und KI-Anrufbeantworter
Die Begriffe werden im Markt vermischt, die Systemklassen unterscheiden sich aber grundlegend. Eine Voicemail zeichnet auf und gibt wieder. Ein Sprachdialogsystem, also die klassische IVR, arbeitet mit vordefinierten Pfaden und erwartet Tastendrücke oder festgelegte Stichworte. Ein KI-Anrufbeantworter besteht dagegen aus einer Verarbeitungskette: Spracherkennung wandelt das gesprochene Wort in Text, ein Sprachmodell interpretiert die Absicht und entscheidet über die nächste Aktion, eine Sprachsynthese gibt die Antwort zurück. Er versteht dadurch auch Anliegen, für die niemand einen Dialogpfad gebaut hat.
Genau diese Offenheit ist der Fortschritt gegenüber der IVR — und zugleich die Quelle der meisten Projektfehler. Ein System ohne begrenzten Aufgabenzuschnitt beantwortet vieles halb. Einführungen, die mit drei klar umrissenen Vorgängen starten — Termin vergeben, Rückruf aufnehmen, Notfall eskalieren — sind meist nach wenigen Wochen produktiv. Projekte mit offenem Umfang sind es nach Monaten nicht.
Die Aufzeichnung ist das eigentliche Rechtsproblem
In Prüfungen für Voice-Systeme steht üblicherweise die DSGVO im Mittelpunkt: Auftragsverarbeitungsvertrag nach Art. 28, Verarbeitungsverzeichnis, Rechtsgrundlage, Drittlandtransfer. Das ist notwendig, greift aber zu kurz. Vor der DSGVO steht § 201 StGB. Wer das nichtöffentlich gesprochene Wort eines anderen unbefugt auf einen Tonträger aufnimmt, macht sich strafbar — unabhängig davon, ob eine datenschutzrechtliche Rechtsgrundlage vorliegt. Die Einwilligung aller Gesprächsteilnehmer ist hier keine Formalie, sondern der Unterschied zwischen zulässigem Betrieb und Straftatbestand.
Praktisch heißt das: Ein KI-Anrufbeantworter, der Gespräche mitschneidet, muss die Einwilligung vor Beginn der Aufnahme einholen und dem Anrufer einen Weg lassen, sie zu verweigern, ohne dass sein Anliegen unbearbeitet bleibt. Systeme, die Audio ausschließlich flüchtig verarbeiten und nur das Transkript speichern, entschärfen den Tatbestand — verlassen den Anwendungsbereich der DSGVO damit aber nicht. Das Transkript eines Kundenanrufs ist ein personenbezogenes Datum wie jedes andere. Wer die Rechtsgrundlage für die Aufzeichnung klärt und die für die Transkriptverarbeitung vergisst, hat die Prüfung nur verschoben.
Seit dem 2. August 2026 gilt zusätzlich die Transparenzpflicht aus Art. 50 der KI-Verordnung. Adressat des Absatzes 1 ist der Anbieter: Er muss ein System, das unmittelbar mit natürlichen Personen interagiert, so gestalten, dass diese erkennen, mit einer KI zu interagieren — es sei denn, das ist aus Sicht einer angemessen informierten Person ohnehin offensichtlich. Am Telefon ist es das gerade nicht; darauf beruht der Nutzen des Systems. Absatz 2 verlangt darüber hinaus eine maschinenlesbare Kennzeichnung synthetisch erzeugter Audioinhalte.
Den einsetzenden Betrieb trifft diese Pflicht nicht unmittelbar, praktisch aber sehr wohl: Der Hinweis ist Teil der Agentenkonfiguration, und wer die Begrüßung im Betrieb frei überschreibt, hebt die Maßnahme des Anbieters wieder auf. Wie der Hinweis formuliert ist, gehört deshalb in die Abnahme — gemeinsam mit dem Einwilligungshinweis und nicht als Änderungsantrag nach dem Livegang.
Das Latenzbudget wird meist am falschen Ende optimiert
Die wahrgenommene Gesprächsqualität hängt weniger am Sprachmodell als an der Pause, bevor der Assistent antwortet. Sie summiert sich aus mehreren Anteilen, von denen vier den Ausschlag geben: das Endpointing der Spracherkennung, also die Zeit, die das System wartet, bis es eine Sprechpause als Satzende wertet; die Zeit bis zum ersten Token des Sprachmodells; die Zeit bis zum ersten Audioframe der Sprachsynthese; und die Laufzeit der Telefoniestrecke samt Jitter-Puffer, die je nach Anbindung in beide Richtungen zweistellige Millisekundenbeträge beisteuert. Hinzu kommt, was der Agent zwischendurch tut: Ein Kalenderabruf mitten im Dialog verlängert die Pause um genau die Antwortzeit des Zielsystems.
Angefasst wird bei der Optimierung meist der zweite Anteil. Teams tauschen das Sprachmodell gegen ein schnelleres und stellen fest, dass sich am Höreindruck wenig ändert — weil die Stille-Erkennung konservativ eingestellt ist und den Löwenanteil der Pause erzeugt. Ein aggressiveres Endpointing verkürzt sie spürbar, erhöht aber die Rate der Unterbrechungen mitten im Satz. Dieser Kompromiss gehört in die Abnahme, mit echten Anrufern und nicht mit Testsätzen aus dem Konferenzraum. Ebenso gehört dorthin die Erkennung von Eigennamen, Straßennamen und buchstabierten E-Mail-Adressen: Sie ist im Deutschen die härteste Prüfung für jede Spracherkennung und sagt über die Alltagstauglichkeit mehr aus als jede Begrüßungsfloskel.
Barge-in — die Möglichkeit, dem KI-Anrufbeantworter ins Wort zu fallen — hängt dabei nicht an der Telefonstrecke, die im Telefonnetz ohnehin in beide Richtungen offen ist, sondern daran, was die Anwendung mit dem eingehenden Audio macht, während sie selbst spricht. Viele Implementierungen pausieren die Erkennung für die Dauer der Sprachausgabe; dann läuft der Anrufer ins Leere. Bleibt sie aktiv, braucht es eine Echokompensation, sonst erkennt das System die eigene Ausgabe als Eingabe und unterbricht sich selbst. Für den Anrufer klingen beide Fehler gleich, und beide liegen in der Telefonieanbindung statt im Modell.
Der eigentliche Aufwand liegt hinter der Telefonanlage
Die Anbindung an die Telefonie ist in aller Regel unkritisch: Rufweiterleitung oder SIP-Trunk, in Stunden erledigt. Der Aufwand verlagert sich in die Systeme dahinter. Ein KI-Anrufbeantworter, der Termine nur vorschlagen, aber nicht schreiben darf, bleibt ein besseres Notizbuch — schreibender Zugriff auf Kalender oder Branchensoftware ist die Voraussetzung, nicht die Kür.
Unterschätzt wird dabei der Nebenläufigkeitsfall. Das System liest die Verfügbarkeit, führt das Gespräch und schreibt den Termin. Zwischen Lesen und Schreiben liegen mehrere Sekunden, in denen ein Mitarbeiter denselben Slot vergeben kann. Ohne Sperre oder erneute Prüfung unmittelbar vor dem Schreiben entstehen Doppelbuchungen, die im Testbetrieb nie auffallen und im Echtbetrieb sofort. Die Frage nach dem Verhalten bei konkurrierenden Buchungen gehört in jede Anbieterprüfung.
Der teuerste Rechenfehler beim Anbietervergleich
Bei den Kosten stehen sich zwei Modelle gegenüber. Überwiegend nutzungsbasiert abrechnende Anbieter weisen einen Plattformpreis je Minute aus, zu dem Sprachmodell, Sprachsynthese und Telefonie hinzukommen, je nach Konfiguration über eigene API-Konten des Kunden. Anbieter mit Festabo führen ein Minutenkontingent mit und berechnen darüber hinausgehende Minuten separat.
Beim Vergleich passiert dabei regelmäßig derselbe Fehler: Der Satz für Überminuten wird als laufender Minutenpreis in die Rechnung eingesetzt. Ein Kontingent von 1.000 Minuten für 99 Euro entspricht rechnerisch rund zehn Cent je Minute; der Satz für jede Minute darüber liegt regelmäßig um die Hälfte höher. Wer beide Größen verwechselt, bewertet Festabos systematisch zu teuer und trifft die Modellentscheidung auf falscher Grundlage. Belastbar wird der Vergleich erst über das erwartete Jahresvolumen mit beiden Modellen nebeneinander — einschließlich der Frage, was bei doppeltem Volumen passiert.
Für die Vorauswahl hilft eine Liste der Punkte, die vor der Vergabe geklärt sein sollten: Aufzeichnung und Einwilligung, Serverstandort und Auftragsverarbeitung, schreibender Kalenderzugriff, Verhalten bei konkurrierenden Buchungen, Übergabe an einen Menschen und das Abrechnungsmodell. Gebündelt stehen diese Prüffragen in einer Checkliste für den KI-Anrufbeantworter für Unternehmen.
Einordnung
Für Anrufaufkommen mit hohem Anteil wiederkehrender Standardvorgänge — Terminvergabe, Statusauskunft, Rückrufwunsch — ist ein KI-Anrufbeantworter produktionsreif. Für beratungsintensive oder eskalierende Gespräche bleibt er es auf absehbare Zeit nicht. Der belastbare Nutzen liegt deshalb nicht in der Vollautomatisierung des Telefonkanals, sondern in der Entlastung von der Masse. Wer das Projekt so zuschneidet und die rechtlichen Fragen vor der Inbetriebnahme klärt statt danach, hat den überwiegenden Teil der bekannten Fallstricke bereits umgangen.
