Zum Inhalt springen
Kaido Studios

KI-Telefonassistent: was die KI am Telefon im Betrieb wirklich leistet

Wie ein KI-Telefonassistent aufgebaut ist, wo er Fehler macht, was eine Gesprächsminute laut Anbieter kostet und was der AI Act und die DSGVO am Telefon verlangen. Ohne Anbieterwerbung.

Veröffentlicht
Lesedauer
10 Minuten
Schwarzer Telefonhörer eines alten Telefons auf weißem Grund, das Kabel läuft in einer Welle nach rechts und bildet am Ende eine Schlaufe
Foto: Unsplash / Quino Al

Kurz beantwortet

Ein KI-Telefonassistent ist ein Programm, das Anrufe selbst annimmt: Spracherkennung schreibt mit, ein Sprachmodell entscheidet, eine künstliche Stimme antwortet. Er beantwortet Routinefragen, nimmt Anliegen auf, bucht Termine und leitet weiter. Laut Preisseiten der Anbieter kostet eine Gesprächsminute rund 0,07 bis 0,31 Dollar plus Telefonie. Er muss sagen, dass er eine KI ist.

Ein KI-Telefonassistent ist ein digitaler Assistent, der eingehende Anrufe automatisch entgegennimmt, frei gesprochene Anliegen versteht und einen Teil davon selbst erledigt. Er nennt Öffnungszeiten, übernimmt die Terminvereinbarung, nimmt einen Rückruf auf oder leitet an die richtige Person weiter, auch wenn im Büro gerade niemand erreichbar ist. Die Anbieter werben mit Anrufannahme rund um die Uhr, einem entlasteten Kundenservice und einer Stimme, die man kaum von einem Menschen unterscheidet. Das Versprechen dahinter ist eine bessere Erreichbarkeit, flexibel und ohne zusätzliches Personal.

Wer im Oktober 2026 nach „KI Telefonassistent“ sucht, findet auf der ersten Seite fast nur Anbieter, die ihr eigenes Produkt erklären. Was dort fehlt: woraus eine Telefon-Agentin technisch besteht, an welchen Stellen sie typischerweise danebenliegt, woraus sich der Preis einer Gesprächsminute zusammensetzt und was der AI Act der EU seit August 2026 am Telefon verlangt. Darum geht es hier, am Ende stehen Antworten auf häufig gestellte Fragen. Einen Überblick über Agenten im Betrieb, mit weiteren Beispielen, gibt die Seite KI-Agenten.

Was ist ein KI-Telefonassistent, einfach erklärt, und was unterscheidet ihn vom Voicebot?

Ein Voicebot ist ein Sprachdialogsystem, also ein Programm, das gesprochene Sprache versteht und mit einer Stimme antwortet. Die ältere Form kennt jeder: „Sagen Sie Rechnung oder drücken Sie die Eins.“ Solche Systeme folgen einem festen Menü und scheitern, sobald jemand anders spricht als erwartet.

Die neue Generation arbeitet mit Künstlicher Intelligenz, genauer mit einem Sprachmodell, wie es auch hinter dem Chat von ChatGPT oder Claude steckt. Sie versteht deshalb einen Satz wie „Ich bräuchte nächste Woche irgendwann vormittags einen Termin, aber nicht am Mittwoch“ und kann nachfragen. Technisch beruht das auf Spracherkennung und natürlicher Sprachverarbeitung, englisch Natural Language Processing. Der Begriff Voicebot steht heute für beides.

Aus Sicht des Betriebs ist der wichtigere Unterschied ein anderer: Die Telefon-Agentin kann während des Gesprächs Funktionen aufrufen. Sie fragt etwa im Kalender nach einem freien Termin, legt einen Vorgang im CRM (Customer-Relationship-Management, der Kundendatenbank) an oder leitet das Gespräch bei Bedarf an einen Menschen weiter. Erst damit wird aus einem Anrufbeantworter, der mitschreibt, ein KI-Assistent, der direkt im Gespräch etwas erledigt.

Wie läuft ein Anruf ab, wenn der KI-Telefonassistent übernimmt?

Ein Gespräch mit der Telefon-Agentin durchläuft in jeder Runde dieselbe Kette. Der Telefonassistent analysiert dabei nicht das ganze Gespräch auf einmal, sondern Satz für Satz, und jede Station kann für sich Fehler machen:

  1. Annahme und Ansage. Die Agentin nimmt den Anruf an und sagt in der Begrüßung, dass hier eine KI spricht. Dazu gleich mehr.
  2. Zuhören. Eine Spracherkennung wandelt das Gesprochene in Echtzeit in Text um, Wort für Wort, während der Anrufer noch spricht.
  3. Das Ende der Äußerung erkennen. Das System muss entscheiden, ob das Gegenüber fertig ist oder nur Luft holt. Fällt es zu früh ein, unterbricht es; wartet es zu lange, entsteht eine Pause, die jeder am Telefon bemerkt.
  4. Entscheiden. Das Sprachmodell liest die Mitschrift samt bisherigem Gesprächsverlauf und entscheidet: antworten, nachfragen oder eine Funktion aufrufen.
  5. Handeln. Ruft es eine Funktion auf, etwa „freie Termine am Donnerstag“, antwortet ein anderes System, und das Modell formuliert daraus den Satz.
  6. Sprechen. Eine künstliche Stimme liest den Satz vor. Spricht jemand dazwischen, muss sie sofort verstummen.
  7. Abschluss. Am Ende stehen eine Zusammenfassung für den Betrieb und ein Ergebnis: Termin, Rückrufbitte oder Weiterleitung.

Der Prozess von Schritt zwei bis sechs läuft bei jedem Wortwechsel neu. Weil drei Systeme nacheinander arbeiten, manchmal ein viertes, addieren sich ihre Antwortzeiten. Deshalb verkaufen Anbieter von Spracherkennung inzwischen eigene Modelle für diesen Zweck. Deepgram etwa beschreibt sein Modell Flux als Spracherkennung „for real-time voice agents with built-in turn detection, natural interruption handling, and ultra-low latency“: mit eingebauter Erkennung, wann jemand fertig gesprochen hat, und mit Umgang mit Unterbrechungen.

Wo machen KI-Telefonassistenten typischerweise Fehler?

Wer eine Telefon-Agentin zum ersten Mal testet, achtet auf die Stimme. Die Schwachstellen liegen aber an fünf anderen Stellen:

  • Namen, Zahlen und Adressen. „Meier mit ei oder ay?“, eine Kundennummer, eine Hausnummer mit Zusatz: Hier verhört sich die Erkennung leichter als bei ganzen Sätzen, und das Modell merkt es nicht. Dagegen hilft nur, wichtige Angaben zurückzulesen und bestätigen zu lassen.
  • Telefonqualität. Ein Anruf aus dem Auto oder aus der Werkstatt ist für die Mitschrift etwas anderes als eine Sprachnachricht im ruhigen Büro.
  • Das Gesprächsende. Wer zögernd spricht, wird unterbrochen; wer schnell spricht, wartet auf eine Antwort, die zu spät kommt. Beides wirkt unhöflich, auch wenn der Inhalt stimmt.
  • Erfundene Auskünfte. Ein Sprachmodell antwortet auch dann flüssig, wenn es die Antwort nicht kennt. Die Agentin darf deshalb nur aus hinterlegtem Wissen antworten und muss alles andere als Rückfrage aufnehmen. Warum das bei jeder KI-Funktion gilt, steht im Beitrag über die Gegenprobe für KI-Antworten. Eine Agentin, die intelligent klingt, antwortet deshalb noch lange nicht richtig.
  • Falsche Werte im Funktionsaufruf. Das Modell bucht den richtigen Termin am falschen Tag, weil „nächsten Donnerstag“ zweideutig war. Der Fehler fällt erst auf, wenn der Kunde vor der Tür steht, und die Korrektur kostet die Zeit, die die Agentin sparen sollte.

Warum gehören die Regeln einer Telefon-Agentin in den Code?

Hier hilft eine Erfahrung aus meiner Arbeit mit Agenten in Claude Code: Regeln, die nur in einer Anweisung stehen, werden gebrochen. Deshalb setze ich Grenzen mit Hooks durch, kleinen Skripten, die bei jedem Werkzeugaufruf laufen. Einer zählt die Schritte jedes Teil-Agenten, fordert bei Schritt 180 zum Abschluss auf und sperrt ab Schritt 221 alle Werkzeuge. Der Agent kann sich darüber nicht hinwegreden, weil die Grenze nicht bei ihm liegt.

Für eine Telefon-Agentin heißt das: Was nie passieren darf, steht nicht nur im Prompt, also in der Arbeitsanweisung, mit der das Modell konfiguriert wird, sondern in den Funktionen, die sie aufruft. Die Buchungsfunktion prüft selbst, ob der Termin frei und in der Zukunft ist und ob Name und Rückrufnummer vorliegen. Eine Funktion, die Kundendaten herausgibt, verlangt eine Bestätigung, die das Modell nicht erfinden kann. Und die Weiterleitung an einen Menschen ist immer erreichbar, egal was das Modell gerade plant.

Ebenso wichtig ist die Grenze dieser Methode. Ein Hook kann nur prüfen, was sich mechanisch feststellen lässt. Ob jemand verärgert ist, ob hinter einer harmlosen Frage ein Notfall steckt, ob ein Sonderfall vorliegt: Das verlangt Ermessen, und dafür gibt es die Übergabe an einen Menschen.

Eine zweite Lehre betrifft das Zuhören. Für Sprachaufnahmen nutze ich Whisper, das über die API rund 0,006 $ je Minute kostet. Whisper verarbeitet aber ganze Dateien, keinen laufenden Strom. Für ein Telefonat taugt das nicht, denn dort muss die Mitschrift entstehen, während der Anrufer spricht. Wie groß der Unterschied ist, zeigt die Preisliste von OpenAI: Das Modell gpt-transcribe für Dateien kostet 0,0045 $ je Minute, die Live-Mitschrift mit gpt-live-transcribe 0,017 $, fast das Vierfache.

Was kostet eine Telefon-Agentin je Minute, und welche weiteren Kosten kommen dazu?

Der Preis einer Gesprächsminute setzt sich bei den Plattformen, die nach Verbrauch abrechnen, aus vier Teilen zusammen: Plattform, Spracherkennung, Sprachmodell und Stimme. Die Telefonverbindung kommt dazu. Am deutlichsten zeigt das der Preisrechner von Vapi, der jeden Teil einzeln ausweist. Angaben in US-Dollar ohne Steuern, abgerufen am 18.10.2026, Voreinstellung des Rechners bei 1.000 Gesprächsminuten im Monat:

TeilWas er tutListenpreis je Minute
Plattform (Vapi)betreibt die Agentin und steuert das Gespräch0,05 $
Spracherkennung (Deepgram)schreibt mit, was der Anrufer sagt0,0095 bis 0,0099 $
Sprachmodell (OpenAI)versteht, entscheidet, formuliert0,0077 bis 0,0452 $
Stimme (ElevenLabs)liest die Antwort vor0,0146 bis 0,0238 $
Zusammenohne Telefonierund 0,08 bis 0,13 $

Zwei Dinge lassen sich daraus ablesen. Der größte Einzelposten ist in jeder Einstellung des Rechners die Plattform selbst. Und die größte Spanne liegt beim Sprachmodell: Am oberen Ende kostet es fast sechsmal so viel wie am unteren. Wer für einfache Routineanfragen ein großes Modell einsetzt, zahlt diesen Unterschied bei jeder Minute.

Zum Vergleich: Retell AI nennt für Sprachagenten 0,07 bis 0,31 $ je Minute, je nach Modell und Stimme. Bei OpenAI kostet eine Sprachsitzung mit gpt-live-1 0,05 $ je Minute, das Modell dahinter und die Werkzeuge kommen laut Preisliste getrennt dazu. Eine Rechnung mit Gesprächszahlen für einen ganzen Monat steht im Beispiel zur Telefon-Agentin.

Daneben gibt es Komplettangebote mit Monatspreis und Freiminuten; versteckte Kosten stehen dort eher bei Rufnummern, Zusatzfunktionen und Laufzeiten als im Minutenpreis. Weitere Kosten entstehen bei beiden Wegen an anderer Stelle: bei der Integration in Kalender, Kundendatenbank oder Warenwirtschaft und bei den Prüfungen, die verhindern, dass die Agentin dort Unsinn einträgt. Ob sich eine Lösung nahtlos in bestehende Systeme einfügt, zeigt erst der Test mit echten Daten.

Was muss die Telefon-Agentin sagen, und wann ist sie DSGVO-konform?

Drei Regeln gelten unabhängig vom Anbieter. Sie ersetzen keine Rechtsberatung.

Der AI Act verlangt eine Ansage. Artikel 50 Absatz 1 der KI-Verordnung (EU) 2024/1689, kurz AI Act, schreibt vor, dass KI-Systeme für die direkte Interaktion mit Menschen so gestaltet sind, dass diese erfahren, dass sie mit einem KI-System interagieren, es sei denn, das ist ohnehin offensichtlich. Am Telefon ist es das nicht. Nach Absatz 5 muss diese Information „spätestens zum Zeitpunkt der ersten Interaktion“ und „in klarer und eindeutiger Weise“ kommen, also in der Begrüßung, nicht im Kleingedruckten der Website. Die Verordnung „gilt ab dem 2. August 2026“ (Artikel 113); Artikel 50 gehört nicht zu den Ausnahmen mit früherem Termin.

Die DSGVO verlangt Information. Wer Daten beim Anrufer selbst erhebt, muss ihm nach Artikel 13 DSGVO „zum Zeitpunkt der Erhebung“ unter anderem sagen, wer verantwortlich ist, zu welchem Zweck verarbeitet wird und auf welcher Rechtsgrundlage. Am Telefon lässt sich das zweistufig lösen: ein kurzer Satz in der Begrüßung, die vollständigen Angaben in der Datenschutzerklärung. Ob das im eigenen Fall genügt, sollte der Datenschutzbeauftragte bestätigen. Dazu kommen Verträge zur Auftragsverarbeitung mit allen Drittanbietern in der Kette und die Frage, in welchem Rechenzentrum Audio und Mitschriften gespeichert werden und wie lange. Ein Anbieter, der sich „datenschutzkonform“ nennt, nimmt dem Betrieb diese Arbeit nicht ab. Gesundheitsdaten, etwa in einer Arztpraxis, zählen nach Artikel 9 DSGVO zu den besonderen Kategorien; im Gesundheitswesen braucht es deshalb mehr Sorgfalt als bei bloßen Terminwünschen.

Mitschneiden ist etwas anderes als zuhören. Nach § 201 StGB macht sich strafbar, wer „unbefugt“ „das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt“. Wer Gespräche als Audio speichert, etwa zur Qualitätskontrolle, fragt deshalb vorher und speichert nur mit Zustimmung.

Eine Begrüßung, die alles abdeckt, kann so klingen: „Guten Tag, hier ist die digitale Telefonassistentin der Firma Muster. Ich bin eine KI. Das Gespräch wird zur Bearbeitung Ihres Anliegens mitgeschrieben, Hinweise zum Datenschutz finden Sie auf unserer Website. Wenn Sie lieber mit einem Menschen sprechen, sagen Sie es einfach.“

Welche Anrufe lassen sich automatisieren, und wann entlastet das den Kundenservice?

KI im Kundenkontakt ist kein Randthema mehr. Laut Bitkom setzen 2026 erstmals 57 % der Unternehmen ab 20 Beschäftigten KI ein (repräsentative Befragung von 603 Unternehmen in Deutschland). Am häufigsten arbeitet KI dort im Kundenkontakt, etwa bei der Bearbeitung von Anfragen. Jedes Telefon braucht deshalb noch keine KI.

Eine Telefon-Agentin lohnt sich in jeder Branche dort, wo viele Telefonate dasselbe wollen: Terminbuchung, Öffnungszeiten, Bestellstatus, die Beantwortung häufiger Fragen, eine Rückrufbitte außerhalb der Geschäftszeiten. Dann vereinbart sie Termine auch nachts und am Wochenende, entlastet die Mitarbeitenden im Kundendienst, und niemand landet in Warteschleifen. Effizient ist sie dort, wo sie wenig entscheiden muss.

Wenn die meisten Anrufer dagegen Sonderfälle haben, ist ein Mensch am Telefon schneller. Dann übernimmt die Agentin besser nur die Anrufannahme, wenn niemand erreichbar ist, und nimmt das Anliegen strukturiert auf. Auch das bringt telefonische Erreichbarkeit rund um die Uhr, ohne dass sie alles selbst lösen muss. Ob die Kundenzufriedenheit steigt, hängt in beiden Fällen daran, wie schnell sie an einen Menschen übergibt, wenn sie nicht weiterkommt.

Grenzen setzt auch die Anbindung. Eine Agentin, die nur reden darf, ist ein besserer Anrufbeantworter. Eine, die in Kalender und Kundendatenbank schreibt, braucht Schnittstellen, Rechte und Prüfungen wie jede andere Software. Wie ein Sprachmodell solche Werkzeuge bedient, erklärt der Beitrag Was ist ein MCP-Server?.

Wann Sie das selbst machen und wann ein Entwicklungspartner sinnvoll ist

Eine Telefon-Agentin für Öffnungszeiten, Rückrufbitten und Weiterleitungen richtet ein Betrieb mit einer der fertigen Plattformen selbst ein. Für diese Art der Automatisierung braucht es keine eigene Software, die Technologie ist fertig. Wichtig sind eine saubere Ansage, ein enger Aufgabenkatalog und eine Testphase mit echten Anrufen, bevor die Rufumleitung scharf geschaltet wird.

Anders wird es, wenn die Agentin ein tragender Teil des Betriebs werden soll: angebunden an Warenwirtschaft (ERP), CRM und Dokumentenbestand, mit Prüfungen im Code, mit Protokollen, die zeigen, was sie entschieden hat, und mit einer Pflege, die neue Modellversionen gegen gespeicherte Gespräche testet. Für solche Vorhaben arbeiten wir als Entwicklungspartner über Jahre: Entwicklung, Betrieb und Weiterentwicklung in einer Hand, abgerechnet über eine monatliche Pauschale mit festem Kontingent und bewusst nur für wenige Unternehmen gleichzeitig.

Kurz gefasst

Ein KI-Telefonassistent ist eine Kette aus Spracherkennung, Sprachmodell, Stimme und den Funktionen, die er aufrufen darf. Die Gesprächsminute kostet laut Anbietern rund 0,07 bis 0,31 Dollar plus Telefonie, am meisten schwankt der Anteil des Sprachmodells. Fehler entstehen bei Namen, Zahlen und dem Gesprächsende, deshalb liest die Agentin Wichtiges zurück und ihre Grenzen sitzen im Code. Seit August 2026 sagt sie in der Begrüßung, dass sie eine KI ist.

Quellen

  1. 01 Vapi: Pricing · vapi.ai, 2026
  2. 02 Retell AI: Pricing · retellai.com, 2026
  3. 03 OpenAI API: Pricing · platform.openai.com, 2026
  4. 04 Deepgram: Pricing · deepgram.com, 2026
  5. 05 Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 50 und 113 · eur-lex.europa.eu, 2024
  6. 06 Verordnung (EU) 2016/679 (DSGVO), Artikel 13 · eur-lex.europa.eu, 2016
  7. 07 Strafgesetzbuch, § 201 Verletzung der Vertraulichkeit des Wortes · gesetze-im-internet.de, 2026
  8. 08 Bitkom: Erstmals nutzt Mehrheit der Unternehmen KI · bitkom.org, 2026

Häufige Fragen

01

Wie viel kostet ein KI-Telefonassistent?

Bei Plattformen, die nach Verbrauch abrechnen, zahlt man je Gesprächsminute. Retell AI nennt 0,07 bis 0,31 Dollar je Minute, beim Preisrechner von Vapi ergeben Plattform, Spracherkennung, Sprachmodell und Stimme zusammen rund 0,08 bis 0,13 Dollar. Die Telefonie kommt jeweils dazu, außerdem einmalig die Anbindung an Kalender oder Warenwirtschaft.
02

Wie erstelle ich einen KI-Telefonassistenten?

Erst die Anliegen festlegen, die er allein erledigen darf, und für alles andere eine Weiterleitung. Dann eine Plattform wählen, Ansage und Wissen hinterlegen und die Funktionen anbinden, die er im Gespräch aufrufen soll. Vor dem Start mit echten Testanrufen prüfen: Namen, Zahlen, Unterbrechungen und Anrufe, die er abgeben muss.
03

Muss der Assistent am Telefon sagen, dass er eine KI ist?

Ja. Artikel 50 des AI Act, der KI-Verordnung der EU, verlangt seit dem 2. August 2026, dass Menschen erfahren, wenn sie mit einem KI-System interagieren, es sei denn, das ist ohnehin offensichtlich. Die Information muss spätestens bei der ersten Interaktion kommen, am Telefon also in der Begrüßung.
04

Ist ein KI-Telefonassistent DSGVO-konform?

Das hängt nicht am Produkt, sondern am Einsatz. Der Betrieb muss Anrufer nach Artikel 13 DSGVO informieren, eine Rechtsgrundlage haben, mit dem Anbieter einen Vertrag zur Auftragsverarbeitung schließen und klären, wo Audio und Mitschriften gespeichert werden. Ein Mitschnitt ohne Befugnis ist nach § 201 StGB strafbar.
05

Was heißt Voicebot auf Deutsch?

Ein Voicebot ist ein Sprachdialogsystem: ein Programm, das gesprochene Sprache versteht und mit einer Stimme antwortet. Früher hießen so vor allem Ansagen mit festen Menüs. Heute steht der Begriff auch für einen KI-Telefonassistenten mit Sprachmodell, der frei formulierte Anliegen versteht.