KI-Telefonassistent: was er kann und was nicht

Denken Sie an den letzten Vormittag, an dem das Firmentelefon dreimal hintereinander klingelte, während Sie bei einem Kunden waren. Sie haben keinen einzigen Anruf angenommen und wissen wahrscheinlich bis heute nicht, wer es war. Ein KI-Telefonassistent — ein Programm, das abnimmt, ein Gespräch führt und notiert, was zu notieren ist — wird Ihnen genau für diese Situation verkauft, mit dem Versprechen, dass niemand merkt, dass er mit einem Roboter spricht. Was nicht mitverkauft wird: Seit dem 2. August 2026 ist dieses Programm verpflichtet, dem Anrufer in den ersten Sekunden zu sagen, dass es ein KI-System ist.

Die Pflicht stammt aus der Verordnung (EU) 2024/1689 — dem AI Act — und sie stellt die Frage auf den Kopf, mit der fast alle zu uns kommen, die sich für Sprachagenten interessieren. Sie fragen: „Hört man, dass es ein Roboter ist?“ Die Antwort lautet seit August: Ja, man hört es, weil das Gesetz es verlangt. Die nützliche Frage ist eine andere: Welche Ihrer Anrufe kann ein Roboter korrekt erledigen, der sich in der ersten Sekunde als Roboter zu erkennen gegeben hat. Nicht „alle“, aber auch nicht „keine“ — und der Abstand zwischen diesen beiden Listen entscheidet, ob sich das Projekt lohnt.

Der Anruf, den niemand annimmt, steht in keiner Statistik

Ein verpasster Anruf ist der einzige Verlust im Betrieb, der nirgends eine Spur hinterlässt: Er landet in keinem Bericht und erreicht Sie nicht als Beschwerde. Der Patient, der nicht durchkam, hat sich anderswo einen Termin geholt, der Kunde mit dem defekten Auto hat die nächste Werkstatt auf der Liste angerufen, und wer am Samstagabend einen Tisch für vier wollte, wird Ihnen nie erzählen, dass er es versucht hat. Die Kosten sind real und gleichzeitig unsichtbar — deshalb wird die Entscheidung endlos aufgeschoben.

Im Netz kursieren bequeme Zahlen zu diesem Thema: dass 62 % der Anrufe bei kleinen Unternehmen unbeantwortet bleiben, dass 85 % derjenigen, die keine Antwort erhalten, nie wieder anrufen. Wir haben sie bis zur Quelle zurückverfolgt und verwenden sie nicht: Sie erscheinen fast ausschließlich auf Seiten, die selbst Lösungen für verpasste Anrufe verkaufen, und die Zitationskette endet bei einer Studie mit 85 Unternehmen und unveröffentlichter Methodik. Das Argument braucht sie nicht: Ein Werkstattinhaber weiß längst, wie oft das Telefon klingelt, wenn er mit den Händen im Motor steckt.

Was sich mit Daten belegen lässt, ist bescheidener, aber es genügt: Der Erinnerungsanruf wirkt. Eine randomisierte Studie im Journal of General Internal Medicine (2016) hat die Wirkung eines Anrufs sieben Tage vor dem Termin bei Patienten mit hohem Risiko des Nichterscheinens gemessen — die Rate sank von 29,2 % in der Kontrollgruppe auf 22,8 % in der angerufenen Gruppe. Die Einschränkungen sind Pflicht: Der Anruf kam von einem Menschen, nicht von einem KI-Agenten, und die Population bestand aus nach Risiko ausgewählten US-Hausarztpatienten. Die Zahl zeigt, dass der Anruf zählt; nicht, dass ein Sprachagent dieselbe Wirkung erzielt.

Die Alternativen, die jeder ausprobiert, bevor er bei einem Sprachagenten landet, scheitern jede auf ihre Weise:

• Die Mailbox — sie verlagert die Mühe auf den Anrufer, genau dann, wenn seine Geduld am geringsten ist. Ein beobachtender Vergleich in Psychiatric Services (Teo u. a., 2017) an 250 Hausarztpatienten mit Depression fand 3 % Nichterscheinen, wenn die Erinnerung live angenommen wurde, 24 % bei hinterlassener Nachricht und 39 %, wenn niemand abnahm. Nicht randomisiert, enge Population: Das zeigt eine Richtung, kein Verhältnis von acht zu eins.
• Das Tastenmenü („Drücken Sie die 1 für Termine“) — es verliert den Anruf nicht, zwingt den Anrufer aber durch einen Baum, den er nie gesehen hat; viele legen bei der zweiten Verzweigung auf.
• Der Empfang, der nur zu Geschäftszeiten abnimmt — Anrufe am Abend und am Wochenende existieren für den Betrieb einfach nicht.
• Unbestätigte Termine — der Platz bleibt im Kalender blockiert und in der Realität leer, und niemand hat Zeit für zehn Bestätigungsanrufe am Tag.

Was ein KI-Telefonassistent kann und was nicht

Alle Demos von Sprachagenten haben eines gemeinsam: Der Gesprächspartner spricht deutlich, der Reihe nach, in einem ruhigen Raum. Der beste öffentliche Beleg dafür, was passiert, wenn das nicht mehr der Fall ist, stammt aus einer Arbeit zur rumänischen Spracherkennung (Pîrlogeanu, Georgescu, Cucu), im November 2025 auf arXiv eingestellt, mit einem Modell, das auf über 2.600 Stunden Rumänisch trainiert wurde. Bei gelesener Sprache liegt die Wortfehlerrate bei 3,09 % für RoWhisper-large-v2 und bei 1,73 % für das vorgeschlagene Modell. Bei spontaner Sprache kommen dieselben Modelle auf 25,05 % und 8,12 % auf dem einen Korpus und auf 61,46 % und 10,75 % auf dem anderen.

Der Unterschied zwischen gelesener und spontaner Sprache ist eine Größenordnung, und ein Telefonanruf ist ausnahmslos spontane Sprache: Der Mensch korrigiert sich mitten im Satz, redet dazwischen, sitzt im Auto, gibt die Nummer in Zweierblöcken durch. Zwei Warnungen, ohne die die Zahlen zur Manipulation werden: Die Arbeit ist ein Preprint und sie misst nicht die kommerziellen Modelle, auf denen Agenten im Produktivbetrieb aufbauen. Was bleibt, ist die Form des Problems, nicht der Prozentwert: Die Qualität hängt stärker davon ab, wie vorhersehbar das ist, was der Anrufer sagt, als davon, wie teuer das Modell ist — und das gilt für jede Sprache, die nicht Englisch ist.

Daraus ergibt sich das einzige brauchbare Auswahlkriterium. Ein Sprachagent ist machbar, wenn der Anruf im Grunde ein kurzes, laut vorgelesenes Formular ist — ein Name, eine Nummer, ein Zeitfenster, eine Leistung aus einer Liste von fünf. Er wird unzuverlässig, je weniger der Anruf einem Formular gleicht:

• Funktioniert: einen neuen Termin aufnehmen, einen bestehenden bestätigen oder verschieben, Öffnungszeiten und Adresse, häufige Fragen mit fester Antwort, eine Nachricht mit Name und Nummer aufnehmen, Anrufe nach 18 Uhr abfangen.
• Funktioniert mit Vorsicht: Preisschätzungen mit Bedingungen („kommt auf das Ersatzteil an“), lange Leistungslisten, Reservierungen mit vielen Variablen — sie brauchen ein engeres Skript und eine klare Abbruchschwelle.
• Funktioniert nicht: die Beschwerde eines unzufriedenen Kunden, jedes inhaltliche medizinische Gespräch, eine Preisverhandlung, das Problem, das in keine vorbereitete Kategorie passt — nicht weil die Technik schwach ist, sondern weil ein Fehler hier mehr kostet als der verpasste Anruf.

Es ist nicht mehr entscheidend, ob man hört, dass es ein Roboter ist — seit August 2026 muss er es selbst sagen. Entscheidend ist nur, welche Anrufe einen Roboter verdienen.

„75 Millisekunden“ sind nicht die Pause, die der Anrufer hört

Die zweite Grenze, die niemand erklärt, ist die Latenz, weil die Zahlen der Anbieter hervorragend klingen. Die Dokumentation von ElevenLabs nennt etwa 75 ms (Flash v2.5), rund 100 ms im Median (v4 Turbo), rund 280 ms (v3 Conversational) und 150 ms für die Echtzeittranskription mit Scribe v2 Realtime. Das Problem: In der Sprachsynthese misst die Latenz streng genommen die Zeit bis zum ersten erzeugten Audio-Byte — nicht die Pause, die der Anrufer hört.

Die tatsächliche Pause summiert Telefontransport, Spracherkennung, Inferenz des Sprachmodells, Synthese und Netzwerkpuffer. Einen glaubwürdigen unabhängigen Ende-zu-Ende-Benchmark für Rumänisch haben wir nicht gefunden, deshalb nennen wir keine Zahl — aber wir akzeptieren auch 75 ms nicht als Antwort auf „wie lange dauert es, bis er antwortet“. Die Prüfung kann jeder vor der Unterschrift selbst machen: eine Testnummer verlangen, vom Handy aus anrufen, aus dem Auto, und den Agenten mitten im Satz unterbrechen.

Rumänisch steht auf der Liste der unterstützten Sprachen — enthalten im mehrsprachigen Modell mit 29 Sprachen, die neueren führen es ausdrücklich auf. Was es nach unserer Recherche nicht gibt, ist eine veröffentlichte Bewertung, wie natürlich die Synthese im Rumänischen gegenüber dem Englischen klingt. Wer behauptet, es klinge identisch, hat damit genauso wenig Grundlage wie wer behauptet, es klinge schlecht. Geprüft wird mit dem eigenen Ohr, in der eigenen Sprache, dort wo die Synthese stolpert: Eigennamen, Adressen, Abkürzungen und Zahlen.

Drei Pflichten, die Sie am Tag der Inbetriebnahme erben

Der rechtliche Teil ist keine Warnung am Ende des Artikels, sondern Teil der Spezifikation: Zwei der drei folgenden Pflichten werden zu Sätzen, die der Agent in den ersten Sekunden ausspricht.

1. Der Agent muss sagen, dass er KI ist

Art. 50 Abs. 1 des AI Act verpflichtet Anbieter, dafür zu sorgen, dass KI-Systeme, die für die direkte Interaktion mit natürlichen Personen bestimmt sind, so gestaltet werden, dass die betroffenen Personen darüber informiert werden, dass sie mit einem KI-System interagieren — es sei denn, dies ist für eine angemessen informierte, aufmerksame und verständige Person offensichtlich. Auf dem Sprachkanal, mit guter Synthese, ist genau das nicht mehr offensichtlich. Abs. 5 ergänzt die für das Telefon entscheidende Bedingung: Die Information wird klar und unterscheidbar, spätestens zum Zeitpunkt der ersten Interaktion gegeben. Das ist kein Hinweis in der Datenschutzerklärung auf der Website — es ist ein Satz am Anfang des Gesprächs. Der Text verpflichtet den Anbieter, für Sie ist er damit eine Abnahmebedingung: Wer Ihren Agenten baut, muss ihn mit gesprochener Offenlegung ausliefern und sie nicht Ihnen zum Konfigurieren überlassen.

Zwei nützliche Feinheiten. Die Pflicht aus Abs. 2, generierte Audioinhalte maschinenlesbar zu kennzeichnen, trifft den Anbieter des generativen Systems, nicht die Praxis, die es einsetzt; für Systeme, die vor dem 2. August 2026 in Verkehr gebracht wurden, gilt eine Schonfrist bis zum 2. Dezember 2026. Und wenn der Agent Sentimentanalyse auf der Stimme des Anrufers betreibt oder ihn an der Stimme erkennt, fallen Sie zusätzlich unter Abs. 3 — ein guter Grund, Funktionen nicht zu aktivieren, die Sie nicht brauchen.

Zu den Folgen: Ein Verstoß gegen Art. 50 fällt unter Art. 99 Abs. 4 — bis zu 15.000.000 Euro oder 3 % des weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist — doch für KMU kehrt Art. 99 Abs. 6 die Regel um und wendet den niedrigeren Betrag an. Die Zahl von 35 Millionen Euro, die durch die Presse geht, betrifft die verbotenen Praktiken aus Art. 5, nicht die Transparenz. Der Vollzug ist national: Jeder Mitgliedstaat benennt seine eigene Marktüberwachungsbehörde und regelt Kontrollverfahren und Sanktionen selbst. In Rumänien wurde per Regierungsmemorandum vom 12. März 2026 ANCOM, die nationale Kommunikationsbehörde, als Marktüberwachungsbehörde und zentrale Kontaktstelle für den AI Act benannt. Mitte August 2026 war das nationale Gesetz, das Kontrollverfahren und Sanktionsregime festlegt, nicht verabschiedet, und ANCOM bestätigte öffentlich, dass der Rechtsakt noch in Arbeit sei; bis zum Erscheinen dieses Artikels haben wir keinen Hinweis darauf gefunden, dass sich das geändert hätte. Die 2026 verhandelte Verschiebung betraf Hochrisikosysteme, nicht die Transparenz. Die Pflicht gilt, das nationale Kontrollinstrument war im Aufbau — ein Fenster zur Vorbereitung, keine Aussetzung.

2. Ein Agent, der abnimmt, ist eine Sache; einer, der anruft, etwas völlig anderes

Hier steht das einzige Bußgeld dieses Artikels, das tatsächlich schon verhängt wurde. Die rumänische Datenschutzbehörde ANSPDCP hat im Juni 2026 eine Untersuchung bei AMATO BESTSELLER S.R.L. abgeschlossen und den Verantwortlichen unter anderem mit 50.000 RON belegt, wegen Verstoßes gegen Art. 12 Abs. 1 des Gesetzes 506/2004: Er hatte kommerzielle Kommunikation über automatische Anruf- und Kommunikationssysteme ohne menschliches Eingreifen durchgeführt, ohne die vorherige ausdrückliche Einwilligung der Empfänger. Im gleichen Verfahren kamen 78.465 RON für Art. 32 Abs. 4 DSGVO und 104.620 RON für Art. 5 Abs. 1 Buchst. c und Art. 9 DSGVO hinzu. Die Regel dahinter ist nicht rumänisch: Art. 13 der ePrivacy-Richtlinie 2002/58/EG verlangt für automatische Anrufmaschinen die vorherige Einwilligung und ist in jedem Mitgliedstaat umgesetzt — in Deutschland über § 7 Abs. 2 UWG.

Das sanktionierte Muster ist genau das eines Sprachagenten, der anruft, statt abzunehmen. Die praktische Abgrenzung: Ein Agent, der eingehende Anrufe annimmt, ist keine unerwünschte kommerzielle Kommunikation, denn den Anruf hat der Kunde ausgelöst; einer, der Nummern wählt, um Angebote zu machen, braucht die vorherige ausdrückliche Einwilligung, dokumentiert vor dem ersten Anruf. Der dritte Fall — der automatische Anruf, der einen vom Kunden gewünschten Termin bestätigt — ist nach üblicher Logik kein Marketing, doch eine ausdrückliche öffentliche Position der Behörde zu dieser Situation haben wir nicht gefunden, also geben wir kein Urteil ab.

3. Wenn Sie das Transkript behalten, informieren Sie den Anrufer

Ein brauchbarer Sprachagent kommt mit Transkripten — ohne sie können Sie nicht prüfen, was er dem Kunden gesagt hat, und das Skript nicht korrigieren. Doch Transkript und etwaige Aufzeichnung sind personenbezogene Daten, in einer Praxis können es Gesundheitsdaten sein. Das heißt: Information am Anfang des Gesprächs, eine bewusst gewählte Rechtsgrundlage, eine schriftlich festgelegte Speicherdauer, beschränkter Zugriff und Löschung auf Anfrage — gemeinsam mit den übrigen Pflichten zum Datenschutz behandelt, nicht in einer Datei auf dem Laptop am Empfang improvisiert.

Die Reihenfolge der Schritte, wenn es funktionieren soll

Die folgenden Schritte sind nützlich, ob Sie den Agenten selbst bauen oder nie bauen. Die ersten drei sind Entscheidungen, keine Einstellungen, und falsch getroffen zahlen Sie sie im dritten Monat.

1. 1Wählen Sie einen einzigen messbaren Anwendungsfall — Termine oder häufige Fragen, nicht „der komplette Empfang“. Ein Agent, der eine Sache gut macht, ist ein Projekt; einer, der drei Sachen schlecht macht, ist eine Demo.
2. 2Schreiben Sie den Eröffnungssatz vor allem anderen: die Offenlegung, dass der Anrufer mit einem KI-System spricht, den Hinweis auf die Aufzeichnung und die Möglichkeit, einen Menschen zu verlangen. Wenn er nicht in 10-12 Sekunden passt, schreiben Sie ihn um, bis er passt.
3. 3Legen Sie den Übergabepunkt an den Menschen ausdrücklich fest: beim zweiten Missverständnis in Folge, bei jeder direkten Bitte, bei jedem medizinischen, Zahlungs- oder Beschwerdethema. Eine Gartner-Umfrage unter 3.566 Kunden von Februar bis März 2026 zeigt, dass 87 % es für wesentlich halten, einen menschlichen Mitarbeiter erreichen zu können, wenn ein Unternehmen generative KI im Kundenkontakt einsetzt. Die Tür zum Menschen ist kein Zugeständnis, sie ist die Abnahmebedingung.
4. 4Entscheiden Sie, ob Sie auch ausgehende Anrufe brauchen. Wenn ja, wird die vorherige ausdrückliche Einwilligung vor der ersten Kampagne eingeholt und dokumentiert, nicht danach.
5. 5Entscheiden Sie, wie der Anruf hereinkommt: neue Nummer oder Integration in die bestehende Telefonie, mit schriftlichen Regeln für die Zeiten außerhalb der Öffnungszeiten, die belegte Leitung und gleichzeitige Anrufe.
6. 6Lassen Sie den Pilot zwei bis vier Wochen parallel zum manuellen Prozess laufen, so wie wir bei jeder KI-Automatisierung arbeiten, und messen Sie drei Dinge: wie viele Anrufe er angenommen hat, wie viele er eskaliert hat, wie viele Termine korrekt im Kalender gelandet sind.
7. 7Hören Sie 20 echte Anrufe im Dashboard an, bevor Sie erweitern. Nicht die Berichte — die Anrufe. Dort sieht man, wo das Skript stolpert, und dort repariert man es in 20 Minuten.

Was es kostet und warum nach Minuten abgerechnet wird

Bei uns entsteht ein Agent für einen einzigen Anwendungsfall — Termine oder häufige Fragen — in 3-4 Wochen, mit 12.500 RON für die Umsetzung, und wird mit 450 RON pro Monat für bis zu 1.000 Minuten betrieben. Die Variante mit mehreren Funktionen (Empfang, Termine und Support) braucht 5-7 Wochen und 24.500 RON, mit 1.250 RON pro Monat für bis zu 5.000 Minuten. Die Leistungen sind dieselben: der Agent mit eigener Stimme, die Integration mit Twilio oder der bestehenden Telefonie, der eigene Ablauf für Termine, FAQ und Eskalation, dazu das Dashboard mit Transkripten. Das Betriebsabo lässt sich direkt über die Pakete buchen; die Umsetzung wird nach einem Gespräch dimensioniert, weil sich das Skript zwischen einer Praxis und einer Autowerkstatt unterscheidet.

Die Minutengrenze ist kein kaufmännischer Trick, und sie ist erklärungswürdig, weil sie verändert, wie Sie das Gespräch entwerfen. Die Plattformkosten fallen pro gesprochener Minute an: ElevenLabs berechnet Agenten in allen Plänen 0,08 Dollar pro Minute, 0,16 Dollar oberhalb des Limits gleichzeitiger Anrufe, und die Twilio-Telefonie für Rumänien kommt mit 0,0100 Dollar pro Minute für einen eingehenden Anruf auf einer lokalen Nummer, 3 Dollar pro Monat für die Nummer und 0,0125 beziehungsweise 0,0320 Dollar pro Minute für ausgehende Anrufe ins Festnetz und ins Mobilnetz hinzu — Preise zum Zeitpunkt der Veröffentlichung. Die praktische Folgerung: Ein Agent, der einen Termin in 90 Sekunden erledigt, kostet ein Mehrfaches weniger als einer, der Sechsminutengespräche führt; ein kurzes Skript sieht man also auf der Rechnung, nicht nur an der Qualität.

Die Ausgabe, die weh tut, ist nicht das Abo, sondern das Projekt, das ohne klaren Anwendungsfall startet. Warum KI-Projekte in Unternehmen scheitern, haben wir separat behandelt, in der Analyse zum ROI von KI für KMU.

Fazit

Ein KI-Telefonassistent ist keine digitale Sekretärin, die jeden Anruf löst, und wer Ihnen das verspricht, hat nie 20 echte Anrufe angehört. Er ist ein Werkzeug, das eine enge, vorhersehbare Kategorie von Anrufen gut übernimmt — Termine, Bestätigungen, Fragen mit fester Antwort, die Anrufe nach Geschäftsschluss — und das in der ersten Sekunde sagen muss, was es ist. Alles, was über den Erfolg entscheidet, passiert vor der Umsetzung: welche Anrufe Sie ihm geben, was er am Anfang sagt und wann er das Gespräch an einen Menschen übergibt. Wenn Sie gemeinsam ansehen möchten, welche Ihrer Anrufe in diese Kategorie fallen, sprechen wir 30 Minuten, unverbindlich.

Quellen

• Verordnung (EU) 2024/1689 (AI Act) — Art. 50 (Transparenzpflichten) und Art. 99 (Sanktionen), über das AI Act Service Desk der Europäischen Kommission (ai-act-service-desk.ec.europa.eu)
• Analysen zum Digital-Omnibus-Paket zur KI und zur Verschiebung der Fristen für Hochrisikosysteme, mit Beibehaltung von Art. 50 zum 2. August 2026 (gibsondunn.com)
• Alexandra Crăsoveanu — „Der AI Act gilt in Rumänien, kann aber noch nicht sanktioniert werden“, JURIDICE.ro, 13. August 2026 (juridice.ro)
• ANSPDCP — Pressemitteilung vom 6. August 2026, Sanktion für kommerzielle Kommunikation über automatische Anrufsysteme ohne vorherige Einwilligung (dataprotection.ro); Gesetz 506/2004, Art. 12 Abs. 1; ePrivacy-Richtlinie 2002/58/EG, Art. 13, in Deutschland § 7 Abs. 2 UWG
• Gabriel Pîrlogeanu, Alexandru-Lucian Georgescu, Horia Cucu — „Open Source State-Of-the-Art Solution for Romanian Speech Recognition“, arXiv-Preprint 2511.03361, November 2025 (arxiv.org)
• ElevenLabs — Dokumentation zu Modellen und unterstützten Sprachen, Blogbeitrag zur Latenzoptimierung in der konversationellen KI und Preisseite für Agenten (elevenlabs.io)
• Twilio — Voice-Preise für Rumänien (twilio.com/en-us/voice/pricing/ro)
• Gartner — Pressemitteilung vom 4. August 2026, Umfrage unter 3.566 B2B- und B2C-Kunden zum Zugang zu einem menschlichen Mitarbeiter (gartner.com)
• Journal of General Internal Medicine, 2016 — randomisierte Studie zur Wirkung des Erinnerungsanrufs auf das Nichterscheinen (link.springer.com)
• Alan R. Teo, Christopher W. Forsberg, Heather E. Marsh, Somnath Saha, Steven K. Dobscha — „No-Show Rates When Phone Appointment Reminders Are Not Directly Delivered“, Psychiatric Services, 68(11), 2017 — beobachtender Vergleich der Arten von Terminerinnerungen (psychiatryonline.org)