KI-Telefonassistent

Stand: 2026-08-20

Dass eine Stimme abnimmt, versprechen inzwischen viele. Die Fragen, die über den Einsatz entscheiden, stellen sich weiter unten im Ablauf: Was hört der Anrufer zuerst? Was passiert mit dem Gesprochenen? Und was tut das System, wenn es den Anrufer nicht versteht oder selbst nicht sprechen kann?

Diese Seite beantwortet das in der Reihenfolge, in der es in einem Anruf passiert.

Bevor die KI spricht

Ein Anruf erreicht dein Haus über eine Rufnummer, die auf dein Haus gebucht ist. Diese Zuordnung ist die erste Prüfung, und sie ist streng: Kommt ein Anruf auf einer Nummer an, die keinem Haus zugeordnet ist, wird er abgewiesen, statt bei irgendeinem Mandanten zu landen.

Danach laufen drei weitere Prüfungen, in dieser Reihenfolge.

Herkunftsland. Du kannst festlegen, aus welchen Ländern Anrufe angenommen werden. Ist eine Liste hinterlegt und lässt sich die Nummer des Anrufers nicht zuordnen, wird abgewiesen. Wer eine Einschränkung konfiguriert hat, will im Zweifel eher einen Anruf verlieren als die Einschränkung.

Tageslimit. Pro Haus und Tag gibt es eine Kostenobergrenze, die du setzt. Ist sie erreicht, nimmt der Assistent an diesem Tag keine neuen Anrufe mehr an.

Öffnungszeiten. Ohne hinterlegte Zeiten nimmt der Assistent zu jeder Uhrzeit an. Mit Zeiten gilt die Zeitzone deines Hauses, Nachtfenster über Mitternacht eingeschlossen, und ein einzelnes Datum sticht die Wochenregel.

Alle drei sind so gebaut, dass eine fehlende oder fehlerhafte Konfiguration den Anruf durchlässt. Nur eine gültige Einstellung, die wirklich „nein" sagt, weist ab. Eine Fehleingabe im Admin darf keinen Gast an eine tote Leitung schicken.

Der erste Satz ist eine Pflichtangabe

Bevor der Assistent zuhört, spricht er. Die Eröffnung nennt den Namen deines Hauses, sagt, dass hier ein digitaler KI-Assistent spricht, weist auf die Verarbeitung des Gesprächs hin, nennt die Adresse der Datenschutzerklärung und sagt, dass man auflegen kann.

Das ist keine Begrüßungsfloskel, sondern drei Pflichten in einer Ansage:

• Art. 50 der KI-Verordnung. Ein Mensch muss wissen, dass er mit einer KI spricht. Deshalb stellt sich die Stimme als digitaler Assistent vor, hörbar, im ersten Satz.
• § 201 StGB. Wir behandeln die Echtzeit-Transkription wie eine Aufnahme des nicht öffentlich gesprochenen Wortes, unabhängig davon, welcher Erkennungsdienst konfiguriert ist. Der Widerspruch muss deshalb während der Ansage möglich sein, nicht danach.
• Art. 13 DSGVO. Eine kurze Ansage kann die Informationspflichten nicht vollständig erfüllen. Sie nennt deshalb die Adresse, unter der die vollständige Datenschutzerklärung steht. Ohne diesen Verweis wäre die Ansage unvollständig.

Zwei Eigenschaften dieser Ansage sind technisch und nicht kosmetisch.

Sie ist nicht unterbrechbar. Wer sie überspringen könnte, hätte sie nicht gehört, und eine Zustimmung, die niemand gehört hat, ist keine.

Und sie läuft, bevor das Audio des Anrufers an die Spracherkennung geht. Die Reihenfolge ist der ganze Punkt: Erst informieren, dann verarbeiten.

Der Wortlaut ist versioniert. Jede Wiedergabe wird mit der Version protokolliert, unter der sie gesprochen wurde, damit später nachvollziehbar ist, welchem Text zugestimmt wurde. Ändert sich der Text, ändert sich die Version mit.

Wer über die Ansage spricht, wird nicht überhört

Eine nicht unterbrechbare Ansage hat einen Nebeneffekt, den man einmal live erlebt haben muss.

Am 13. August 2026 sprach ein Anrufer fünf Sekunden in die Eröffnung hinein. Das Framework verwirft, was während einer nicht unterbrechbaren Äußerung gesagt wird: keine Antwort, und auch kein Eintrag im Gesprächsverlauf. Der Satz war weg. Der Anrufer hörte die Ansage zu Ende und wurde danach gefragt, wie man helfen könne, obwohl er das gerade gesagt hatte.

Die Ansage bleibt unterbrechungsfrei, weil sie das sein muss. Was der Anrufer darüber sagt, wird jetzt gepuffert und beantwortet, sobald die Ansage endet. Beide Anforderungen sind erfüllbar, nur nicht mit der Voreinstellung.

Aufnahme, Widerspruch und was bleibt

Der Anrufer kann der Audio-Aufnahme widersprechen, während das Gespräch läuft. Zwei Wege: die Taste 2 auf dem Telefon, oder gesprochen im Gespräch selbst.

Beides führt zum selben Ergebnis: Die Audio-Aufnahme wird abgeschaltet, das Transkript bleibt. Der Widerspruch ist mehrfach auslösbar, ohne Schaden, und er wird protokolliert.

Warum das Transkript bleibt und nicht mit verschwindet: Es ist die Grundlage dafür, dass die Anfrage überhaupt bearbeitet wird, und es ist die Grundlage für die Auskunft, die derselbe Anrufer später verlangen kann.

Zuhören ist der schwierigere Teil

Sprechen ist gelöst. Zuhören ist die Stelle, an der ein Telefonassistent peinlich wird, und die drei Regeln unten stammen alle aus echten Anrufen.

Das Zimmer im Hintergrund ist nicht der Gast. Auf einem Anruf im Juli 2026 wurden „privat" und „Rekord" als Wortmeldungen des Gastes an das Modell gegeben. Die Geräuschunterdrückung war aktiv und war nicht die Lücke: Sie entfernt gleichförmige Geräusche, Lüfter und Rauschen. Ein Fernseher im Hintergrund klingt wie Sprache und geht hindurch. Die Lücke sitzt eine Ebene tiefer, in der Erkennung selbst, und wird dort über die Zuversicht der Erkennung geschlossen, nicht über die Wortzahl: „Doppelzimmer", „August" oder ein einzelner buchstabierter Laut sind ebenfalls Ein-Wort-Antworten, und eine echte Antwort zu verwerfen ist der schlimmere Fehler.

Die Sprache wechselt mitten im Gespräch, aber nicht auf Zuruf. Der Text der Antwort ist maßgeblich; das Sprachetikett des Erkennungsdienstes darf nur unter Bedingungen überstimmen. Sonst kippt ein einziger falsch etikettierter Satz das ganze Gespräch in eine andere Sprache. Mehr zur Mehrsprachigkeit, auch auf der Seite deines Teams, steht unter Mehrsprachig.

„Sind Sie noch da?" kommt nicht, wenn der Gast auf uns wartet. Diese Nachfrage ist sinnvoll, wenn ein Anrufer weggegangen ist, und peinlich, wenn er gerade auf ein Angebot wartet. Der Auslöser liest deshalb den Lebenszyklus-Zustand des Assistenten und nicht nur, ob gerade ein Werkzeug läuft: Auf einem Anruf im Juli 2026 antwortete die Verfügbarkeitsabfrage in Millisekunden, während Modell und Sprachausgabe Sekunden brauchten, und genau diese Sekunden waren ungeschützt.

Was gesagt wird, geht durch eine Kette

Zwischen dem Modell und der Stimme liegt genau eine Stelle, an der Text verändert wird, und sie ist eine Kette aus einzelnen Schritten, Satz für Satz: Erst werden zurückgeworfene Anweisungen und Listenzeichen entfernt, dann greifen die Sperrmuster deines Hauses, dann die Aussprache-Vorgaben, die du hinterlegen kannst, dann wird buchstabiert, was buchstabiert werden muss.

Der letzte Teil ist der, den man am Telefon sofort hört. Eine E-Mail-Adresse wird Buchstabe für Buchstabe zurückgelesen, eine Internetadresse wird gesprochen statt als Zeichenfolge vorgelesen, und Ziffernfolgen werden einzeln und in der Sprache genannt, die im Gespräch gerade gilt. Ein WLAN-Passwort, das als Zahl vorgelesen wird, ist am Telefon unbrauchbar.

Was am Telefon erledigt werden kann

Buchen. Prüfen, halten, Zahlungslink, abschließen. Der Ablauf, das 15-Minuten-Fenster für das Halten und die Grenzen stehen ausführlich auf Direktbuchungen und werden hier nicht wiederholt.

Einen Link aufs Handy schicken. Ein Formular oder ein Zahlungslink erreicht den Anrufer über eine feste Reihenfolge: WhatsApp, dann SMS, und wenn beides nicht geht, ein Ticket für dein Team. Ein Versand, der fehlschlägt, gilt nicht als Zustellung. Und wenn zum Anruf keine brauchbare Nummer vorliegt, fragt der Assistent einmal danach, statt sofort ein Ticket zu schreiben. Ein Banner auf einem Bildschirm gibt es nur dort, wo es einen Bildschirm gibt, also im Browser-Demo und nicht am Telefon.

Übergeben. Kommt der Assistent nicht weiter, legt er einen dringenden Vorgang an und markiert das Gespräch als eskaliert. Was danach passiert, beschreibt AI Ticketing.

Wenn die KI nicht sprechen kann

Auf einem Anruf im Juli 2026 saß ein Anrufer zwei Minuten in der Stille, während jede Sprachsynthese fehlschlug. Es gab eine Ausweichstimme, sie sprang nicht an, und das System erzeugte weiter Antworten in eine tote Leitung.

Fällt heute die Sprachausgabe vollständig aus, kann keine Ansage mehr erzeugt werden. Deshalb liegt für diesen Fall eine vorab erzeugte Aufnahme bereit: Der Anrufer hört in seiner Sprache, dass gerade eine Störung vorliegt, und das Gespräch wird sauber beendet, nachdem die Ansage zu Ende gespielt wurde.

Eine Störung, die man hört, ist besser als eine offene Leitung, in der nichts passiert.

Nach dem Anruf

Das Transkript wird als Nachrichtenverlauf gespeichert, in derselben Liste wie Chat, WhatsApp und E-Mail. Es gibt keinen zweiten Ort für „die Telefonate".

Gespeichert wird während des Gesprächs, nicht erst am Ende. Der Grund ist ein Vorfall: Ein siebenminütiger Anruf im Juli 2026 endete ohne einen einzigen gespeicherten Satz, weil die Abschlussroutine nie lief und das gesamte Transkript mit dem Zwischenspeicher starb. Im Admin war der Anruf leer, und in einer Auskunft nach Art. 15 DSGVO hätte er gefehlt.

Was am Anruf passiert ist, steht zusätzlich im Protokoll: angenommen, abgewiesen und warum, Ansage gespielt, Werkzeug ausgeführt oder verweigert, Gespräch beendet. Dieses Protokoll kann nur geschrieben und nicht geändert werden, auch nicht von uns.

Auskunft und Löschung am Telefon

Es gibt ein Werkzeug, mit dem ein Anrufer seine Rechte im Gespräch geltend machen kann: Auskunft über die zu seiner Nummer gespeicherten Daten, oder Löschung.

Drei Einschränkungen, die dazugehören. Das Werkzeug ist nicht voreingestellt, es wird pro Haus aktiviert. Die Auskunft gibt dem Modell nur Anzahlen zurück und niemals Inhalte, weil ein Auskunftsdatensatz nichts im Sprachmodell verloren hat. Und die Löschung ist endgültig, weshalb sie unter dem Bestätigungszwang steht: Sie läuft erst nach einer eigenen, ausdrücklichen Bestätigung des Anrufers.

Wo verarbeitet wird

Die Bestandteile eines Anrufs werden an genau einer Stelle im Code zusammengesetzt, und dort sind EU-Regionen gesetzt: das Sprachmodell über Vertex AI in einer EU-Region, die Sprachausgabe über den EU-Endpunkt ihres Anbieters, die Spracherkennung mit europäischer Region. Die Erkennung von Sprecherwechseln läuft im Prozess selbst und ruft nichts von außen auf.

Dass dies an einer Stelle steht, ist der eigentliche Punkt: Es gibt eine Datei, die man liest, um zu wissen, was ein Anruf berührt, statt einer Suchanfrage quer durch den Code.

Welche Anbieter dahinterstehen und in welchem Umfang sie beauftragt sind, gehört in den Auftragsverarbeitungsvertrag und nicht auf eine Produktseite. Wie du ihn bekommst, steht unter AV-Vertrag; was allgemein verarbeitet wird, in der Datenschutzerklärung.

Grenzen

Kein Durchstellen an einen Menschen. Eine Übergabe legt einen dringenden Vorgang an und markiert das Gespräch, sie verbindet den Anrufer aber nicht live weiter. Die Verdrahtung dafür ist auf der heutigen Telefonstrecke nicht gesetzt. Das ist die ehrlichere Auskunft als ein Versprechen, das im entscheidenden Moment auffällt.

Außerhalb der Öffnungszeiten hört der Anrufer nichts. Der Anruf wird abgewiesen, aber die gesprochene Ansage dazu wird auf der heutigen Telefonstrecke nicht abgespielt. Wer Öffnungszeiten setzt, sollte wissen, dass der Gast davor kein „wir sind gerade nicht erreichbar" hört, sondern das Ende des Gesprächs.

Die Eröffnung ist zunächst deutsch. Die Sprache des Anrufers wird erst am ersten eigenen Satz erkannt. Für ein Haus im deutschsprachigen Raum ist das die richtige Voreinstellung, aber es ist eine Voreinstellung.

Kein Tempoversprechen. Diese Seite nennt keine Antwortzeit, keine Sekundenzahl und keinen Prozentwert. Nicht aus Bescheidenheit: Es gibt für den Telefonweg keine gemessene, datierte Reihe, die eine solche Zahl tragen würde, und diese Website hat schon einmal eine Zahl veröffentlicht, die um ein Vielfaches falsch war und entfernt werden musste. Woher die Zahlen stammen, die hier stehen, steht in der Methodik.

Der Unterschied

Die meisten Seiten über KI am Telefon verkaufen den Moment, in dem die Stimme abnimmt. Das ist der einfachste Teil.

Die Teile, die entscheiden, ob ein Haus das System nach vier Wochen noch benutzt, sind unauffälliger: dass die Pflichtansage wirklich gehört wird, dass ein Fernseher im Hintergrund keine Buchung auslöst, dass ein Ausfall hörbar ist statt still, und dass am Tag danach nachlesbar ist, was gesagt wurde.

Deshalb steht auf dieser Seite so viel über Anrufe, die schiefgingen. Sie sind der Grund, warum die Regeln so aussehen, wie sie aussehen.