KI-Telefonagenten und Voicebots

Wenn etwas dringend oder kompliziert ist, greifen viele Kunden noch immer zum Telefon. Ein verpasster Anruf kann einen verlorenen Auftrag bedeuten, eine verlorene Buchung oder eine Patientin, die zur nächsten Praxis geht. KI-Telefonagenten versprechen, jeden Anruf anzunehmen, Tag und Nacht. Einen guten Teil davon können sie tatsächlich übernehmen — in Grenzen, die Sie vor dem ersten Anruf festlegen.

Dieser Artikel ist Teil 2 von Level 2 unseres Lernpfads AI Work. In Level 1 haben Sie einen KI-Chatbot für den Kundenservice eingerichtet. Ein Telefonagent folgt denselben Grundsätzen, bringt aber drei zusätzliche Herausforderungen mit: Tempo, Spracherkennung und rechtliche Regeln für Anrufe. Sie lernen, wie ein Telefonagent arbeitet, welche Anrufe er übernehmen sollte, wie Sie einen Gesprächsablauf mit Übergabe gestalten, was Sie Anrufern sagen müssen und wie Sie die Ergebnisse messen.

So arbeitet ein KI-Telefonagent

Ein KI-Telefonagent, auch Voicebot oder Sprachagent genannt, nimmt Anrufe an oder ruft selbst an und spricht mit dem Anrufer in natürlicher Sprache. Anders als die alten Telefonmenüs („Drücken Sie die 1 für den Vertrieb“) versteht er frei gesprochene Sätze. Die meisten Systeme verketten drei Technologien:

1. Die Spracherkennung, auch Speech-to-Text genannt, macht aus den Worten des Anrufers Text.
2. Ein großes Sprachmodell liest den Text, entscheidet, was zu tun ist, und formuliert die Antwort. Es kann in einer Wissensbasis nachschlagen und angebundene Werkzeuge nutzen, etwa Ihren Kalender oder Ihr CRM.
3. Die Sprachausgabe, auch Sprachsynthese oder Text-to-Speech genannt, macht aus der Antwort eine Stimme.

Manche neueren Systeme überspringen den Zwischenschritt über Text und verarbeiten Audio direkt. Das Prinzip bleibt gleich: hören, entscheiden, sprechen.

Zwei Probleme wiegen am Telefon viel schwerer als im Chat. Das erste ist die Latenz: die Verzögerung zwischen dem Ende des Satzes und dem Beginn der Antwort. Jeder Schritt der Kette kostet Zeit, und Menschen reagieren sehr empfindlich auf Pausen. Eine Studie zu Gesprächen in zehn Sprachen zeigte, dass Sprecher in allen diesen Sprachen vermeiden, gleichzeitig zu reden, und die Stille zwischen zwei Beiträgen kurz halten (Quelle: Stivers et al., PNAS, 2009). Macht ein Bot deutlich längere Pausen als ein Mensch, wiederholen Anrufer sich, reden dazwischen oder glauben, die Leitung sei tot. Ein gutes System beherrscht außerdem Barge-in: Unterbricht der Anrufer, hört der Agent auf zu sprechen und hört zu.

Das zweite Problem ist die Spracherkennung selbst. Hintergrundlärm, schlechte Verbindungen, Akzente, Dialekte und ungewöhnliche Namen führen zu Fehlern, und ein Fehler an dieser Stelle zieht sich durch die ganze Kette. Versteht das System das falsche Datum, bucht das Modell das falsche Datum. Eine Studie der Stanford University aus dem Jahr 2020 testete die Spracherkennung von fünf großen Technologiekonzernen. Im Durchschnitt machten die Systeme bei Schwarzen Sprechern fast doppelt so viele Fehler wie bei weißen (Quelle: Koenecke et al., PNAS, 2020). Die Systeme sind seitdem besser geworden, die Lehre bleibt: Testen Sie mit den echten Stimmen Ihrer Anrufer, nicht nur mit Ihrem eigenen Team.

Die Stimmen selbst stammen oft von Anbietern für Sprachausgabe. Unser Vergleich für AI Productivity führt sie im Bereich Text-to-Voice.

Welche Anrufe ein KI-Agent übernehmen sollte

Eingehende Anrufe kommen von Kunden. Ausgehende Anrufe gehen von Ihrem Unternehmen aus. Die Tabelle zeigt typische Einsätze und worauf Sie jeweils achten müssen:

Beginnen Sie mit eingehenden Anrufen, die oft vorkommen und wenig Risiko tragen. Ausgehende Anrufe mit KI-Stimme brauchen mehr Sorgfalt, denn die Person am anderen Ende hat sich nicht entschieden, Sie anzurufen. Die Abbildung ordnet häufige Anrufe in drei Gruppen:

Gesprächsablauf und Übergabe gestalten

Ein Gesprächsablauf (Call Flow) ist der geplante Weg eines Anrufs, von der Begrüßung bis zur Verabschiedung. Entwerfen Sie ihn auf Papier, bevor Sie ein Tool einrichten. Die meisten guten Abläufe haben vier Schritte: begrüßen, Anliegen verstehen, erledigen, bestätigen.

Der wichtigste Teil ist der Ausgang. Eine Übergabe reicht den Anruf an einen Menschen weiter. Gute Telefonagenten übergeben früh und mit Kontext. Bei einer warmen Übergabe (Warm Transfer) erhält die Person, die übernimmt, eine kurze Zusammenfassung, und der Anrufer muss nicht alles wiederholen. Bei einer kalten Übergabe (Cold Transfer) wird der Anruf nur durchgestellt, und der Anrufer beginnt wieder von vorn.

Fünf Regeln verhindern, dass Anrufer stecken bleiben:

• Bieten Sie immer einen Weg zu einem Menschen an, und sagen Sie, wie: „Sagen Sie jederzeit ‚Team‘.“
• Begrenzen Sie die Versuche. Hat der Agent das Anliegen nach zwei Anläufen nicht verstanden, übergibt er.
• Lesen Sie wichtige Angaben vor: Namen, Daten, Uhrzeiten, Beträge und Telefonnummern.
• Geben Sie den Kontext weiter, bei jeder Übergabe und jedem Rückruf-Ticket.
• Halten Sie jedes Ergebnis fest: gelöst, übergeben, Rückruf oder aufgelegt.

Level 3 vertieft Qualitätskontrolle und Eskalationswege für alle Arten von KI-Arbeit.

Sagen, dass eine KI spricht — und vor der Aufnahme fragen

Offenheit über KI ist nicht nur höflich. An vielen Orten ist sie Pflicht.

• KI-Hinweis. Seit dem 2. August 2026 verlangt die KI-Verordnung der EU (AI Act), dass KI-Systeme, die direkt mit Menschen sprechen, so gestaltet sind, dass diese erfahren, dass sie es mit einer KI zu tun haben — es sei denn, das ist offensichtlich (Artikel 50).
• Ausgehende Anrufe. In den USA hat die Telekommunikationsbehörde FCC im Februar 2024 entschieden, dass KI-erzeugte Stimmen als „künstliche“ Stimmen im Sinne des Telephone Consumer Protection Act gelten. Anrufe damit unterliegen dessen Regeln zu Einwilligung, Kennzeichnung und Widerspruch (Quelle: FCC, Declaratory Ruling, 2024, fcc.gov). In Deutschland brauchen Werbeanrufe bei Verbrauchern deren vorherige ausdrückliche Einwilligung nach dem Gesetz gegen den unlauteren Wettbewerb (UWG).
• Aufnahme. In Deutschland kann es strafbar sein, das nichtöffentlich gesprochene Wort eines anderen ohne Einwilligung aufzunehmen (§ 201 Strafgesetzbuch). In den USA verlangt das Bundesrecht die Zustimmung einer Gesprächspartei, manche Bundesstaaten wie Kalifornien aber die Zustimmung aller Beteiligten.
• Transkripte sind personenbezogene Daten. Nach der DSGVO brauchen Aufnahmen und Transkripte einen Zweck, eine Rechtsgrundlage, eine Speicherdauer und klare Informationen für die Anrufer.

Diese Übersicht ist keine Rechtsberatung. Lassen Sie Ihre Rechtsabteilung oder Ihren Datenschutzbeauftragten die Einrichtung prüfen, bevor der erste echte Anruf kommt.

Sensible Branchen: das Beispiel Gesundheitswesen

Arzt-, Zahnarzt- und Tierarztpraxen erhalten viele Anrufe zu Terminen, deshalb sind Telefonagenten dort verbreitet. Unser Vergleich führt passende Tools im Bereich Kundenservice & Telefonie. Nach Angaben der Anbieter ist Weave eine Kommunikationsplattform für Praxen mit Telefon, Textnachrichten und Terminplanung, und Confido Health bietet Sprach-KI-Agenten, die Anrufe annehmen, Termine vergeben und die Praxissoftware aktualisieren. Vida baut KI-Agenten für Anrufe, Textnachrichten, E-Mail und Chat allgemein, Calilio und KrispCall sind Cloud-Telefonanlagen mit KI-Funktionen:

VidaKundenservice & Telefonie · KI ist der KernKI-Telefonagenten, die Anrufe, SMS, E-Mail und Web-Chat rund um die Uhr annehmen und Termine vereinbaren. CalilioKundenservice & Telefonie · Software mit KI-FunktionenCloud-Telefonie und Callcenter-Software mit KI-Funktionen und virtuellen Nummern aus über 100 Ländern. KrispCallKundenservice & Telefonie · Software mit KI-FunktionenCloud-Telefonanlage mit Anrufen, SMS, virtuellen Nummern aus über 100 Ländern und KI-Assistent. WeaveKundenservice & Telefonie · Software mit KI-FunktionenKommunikationsplattform für Arzt-, Zahnarzt- und Tierarztpraxen: Telefon, SMS, Terminplanung und Zahlungen. Confido HealthKundenservice & Telefonie · KI ist der KernSprach-KI-Agenten für Praxen und Kliniken: nehmen Anrufe an, planen Termine und pflegen die Praxissoftware.

Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.

Das Gesundheitswesen zeigt, warum sensible Branchen zusätzliche Regeln brauchen:

• Gesundheitsdaten sind besonders geschützt. Nach der DSGVO gehören sie zu den besonderen Kategorien personenbezogener Daten (Artikel 9). In den USA braucht eine Praxis, die einen Anbieter mit geschützten Gesundheitsdaten arbeiten lässt, nach HIPAA ein Business Associate Agreement.
• Keine medizinische Beratung. Der Agent bucht, verschiebt und erinnert. Fragen zu Beschwerden, Medikamenten oder Befunden gehen an qualifiziertes Personal.
• Notfälle haben Vorrang. Fallen Worte wie „Brustschmerzen“ oder „Ich bekomme keine Luft“, verweist der Agent sofort auf den Notruf und verbindet mit dem Praxisteam.
• Erfassen Sie nur, was die Aufgabe braucht. Für eine Buchung genügen der Name, eine Möglichkeit, die Person zuzuordnen, und eine Uhrzeit — nicht die ganze Krankengeschichte.

Dieselbe Sorgfalt gilt für Banken, Versicherungen und Kanzleien: Identität prüfen, keine verbindliche Beratung und ein schneller Weg zu einem Menschen.

Messen, was Anrufer erleben

Telefonagenten liefern viele Zahlen, und manche schmeicheln. Die bekannteste ist die Containment-Rate: der Anteil der Anrufe, die ohne einen Menschen enden. Sie zählt jeden Anruf, der Ihr Team nie erreicht hat — auch Anrufer, die aufgegeben haben, und Anrufer, die noch einmal anrufen mussten. Das Beispiel zeigt die Lücke:

Im Beispiel enden 70 Prozent der Anrufe ohne Menschen, wirklich gelöst sind aber nur 52 Prozent. Betrachten Sie diese Kennzahlen zusammen: