KI-Sprachagenten im Unternehmen: Einsatz, Kosten und Pflichten

KI-Sprachagenten können im Kundenservice den ersten Anruf annehmen: Sie erkennen das Anliegen, prüfen einen Lieferstatus oder buchen einen Termin und übergeben an einen Menschen, wenn der Fall es verlangt. Die Technik lässt sich heute produktiv einsetzen, wenn der Anwendungsfall klar abgegrenzt ist und Datenschutz und Transparenzpflichten von Anfang an mitgeplant werden.

Der Bedarf ist da. Laut Bitkom-KI-Studie 2026 nutzen 57 % der Unternehmen ab 20 Beschäftigten KI (2025: 36 %), am häufigsten im Kundenkontakt. Der Leitfaden ordnet Architekturen, Einstiegs-Use-Cases, Kosten und Pflichten ein. Stand: September 2026.

Ein KI-Sprachagent ist ein KI-System, das Gespräche in gesprochener Sprache in Echtzeit führt. Er wandelt das Gesagte in verarbeitbare Information, entscheidet mit einem Sprachmodell über die Antwort, ruft bei Bedarf Werkzeuge wie CRM, Kalender oder Warenwirtschaft auf und antwortet mit synthetischer Stimme. Im Markt heißen solche Systeme auch Voice AI, Voicebot oder Telefon-KI.

Anders als ein klassisches Telefonmenü („Drücken Sie 1 für …“) versteht ein Sprachagent frei formulierte Anliegen und reagiert auf Rückfragen und Unterbrechungen. Und anders als ein Chatbot muss er ohne spürbare Pausen antworten und auch bei Hintergrundgeräuschen zuverlässig verstehen.

In der Praxis haben sich zwei Bauweisen durchgesetzt: Speech-to-Speech-Modelle, die Audio direkt verarbeiten, und Kaskaden aus Spracherkennung, Sprachmodell und Sprachausgabe. Sie unterscheiden sich in Gesprächsfluss, Kosten, Flexibilität und Kontrolle über den Datenfluss.

Speech-to-Speech (S2S): Ein Modell nimmt Audio entgegen und antwortet mit Audio, ohne Umweg über Text. Ein Beispiel ist gpt-realtime-2 von OpenAI mit einstellbarer Reasoning-Tiefe, Werkzeugaufrufen und 128.000 Tokens Kontext.

Kaskade: Spracherkennung (Speech-to-Text), Sprachmodell und Sprachausgabe (Text-to-Speech) arbeiten nacheinander, jede Schicht ist austauschbar. Plattformen wie ElevenLabs, Retell AI oder Vapi bündeln sie zu Telefonagenten. Sprachmodi in KI-Chat-Anwendungen sind dagegen keine Telefonie-Lösung.

Ein Sprachagent muss in Echtzeit reagieren und kann eine falsche Auskunft nicht zurücknehmen, sobald sie ausgesprochen ist. Wer bereits einen KI-Chatbot im Kundenservice betreibt, kann Wissensbasis und Eskalationsregeln übernehmen, braucht für das Telefon aber eigene Tests.

Legen Sie deshalb vorab fest, welche Themen der Agent beantworten darf, aus welchen Quellen er schöpft und wann er an einen Menschen übergibt. Wie Sie KI-Halluzinationen kontrollieren, gilt am Telefon genauso wie im Chat.

Am besten eignen sich Anliegen mit hohem Volumen, wenigen klar unterscheidbaren Themen und geringen Fehlerfolgen. Typisch sind Anrufannahme mit Weiterleitung, Terminbuchung sowie Status- und Bestellauskünfte.

Bewusst nicht in der Liste: Personalauswahl, Kreditwürdigkeitsprüfung sowie Risikobewertung und Preisbildung in der Lebens- und Krankenversicherung. Dort gelten Sprachagenten nach Anhang III der KI-Verordnung als Hochrisiko-KI (Pflichten ab 2. Dezember 2027). Emotionserkennung am Arbeitsplatz ist verboten; Details stehen im Abschnitt zu den Pflichten.

Für ausgehende Anrufe gilt zusätzlich das Wettbewerbsrecht: Werbeanrufe bei Verbrauchern brauchen nach § 7 Abs. 2 UWG deren vorherige ausdrückliche Einwilligung, beim Einsatz automatischer Anrufmaschinen gilt das gegenüber allen Adressaten. Halten Sie Serviceerinnerungen zu vereinbarten Terminen deshalb klar von Werbung getrennt.

Die laufenden Plattformpreise liegen Stand September 2026 bei wenigen US-Cent bis rund 30 US-Cent pro Gesprächsminute. Über die Wirtschaftlichkeit entscheiden aber Integration, Betrieb und der Anteil der Anrufe, die der Agent abschließend löst.

Die Preisbeispiele stammen von den Preisseiten der Anbieter und ändern sich häufig.

Die folgende Rechnung ist ein Beispiel mit offengelegten Annahmen, kein Marktdurchschnitt. Sie geht von 2.000 Anrufen pro Monat mit je vier Minuten Gesprächsdauer aus.

Der Stundensatz von 42 € ergibt sich zum Beispiel aus 58.800 € Vollkosten im Jahr (Gehalt, Arbeitgeberanteile, Arbeitsplatz) bei 1.400 produktiven Stunden. Weil Anrufe, die der Agent nicht löst, zusätzlich Personalzeit kosten, trägt sich das Beispiel erst ab rund 40 % abschließend gelöster Anrufe. Bei 60 % sinken die monatlichen Kosten um rund 1.370 €. Schon eine andere Annahme verschiebt das Ergebnis deutlich, rechnen Sie deshalb mit Ihren eigenen Anrufdaten.

Herstellerstudien liefern Anhaltspunkte, aber keine Richtwerte. Eine von PolyAI beauftragte Forrester-Studie (Total Economic Impact, Juni 2025) errechnet für eine aus vier Kundeninterviews zusammengesetzte Modell-Organisation mit 4 Mio. Anrufen pro Jahr und 200 Service-Mitarbeitenden 391 % ROI über drei Jahre und eine Amortisation in unter sechs Monaten. Auf Anrufvolumina im Mittelstand lässt sich das nicht übertragen.

Messen Sie ab dem ersten Tag: Anteil der Anrufe ohne Übergabe an Menschen (Containment Rate), Lösung beim ersten Kontakt, Gesprächsdauer, Kundenzufriedenheit und Kosten je gelöstem Anliegen. Wie daraus eine belastbare Rechnung wird, zeigt der Beitrag KI-ROI berechnen und Erfolg messen.

Seit dem 2. August 2026 gelten die Transparenzpflichten nach Art. 50 KI-Verordnung. Dazu kommen die DSGVO, § 201 StGB bei Aufzeichnungen und die Mitbestimmung des Betriebsrats; Hochrisiko-Pflichten betreffen Sprachagenten nur in bestimmten Einsatzfeldern und gelten ab dem 2. Dezember 2027.

Verstöße gegen Art. 50 können nach Art. 99 Abs. 4 KI-Verordnung mit bis zu 15 Mio. € oder 3 % des weltweiten Jahresumsatzes geahndet werden, je nachdem, welcher Betrag höher ist; für KMU gilt nach Abs. 6 der niedrigere Betrag. Für die KI-Kompetenz nach Art. 4 sind dokumentierte Einweisungen der Beschäftigten sinnvoll, die Sprachagenten betreuen.

Die Transparenzpflichten im Detail erläutert der Beitrag EU AI Act Artikel 50. Diese Übersicht gibt den Rechtsstand September 2026 wieder und ersetzt keine Rechtsberatung.

Telefonate enthalten personenbezogene Daten, oft auch Vertragsnummern oder Gesundheitsangaben. Beantworten Sie vor dem Start schriftlich vier Fragen:

1. Rechtsgrundlage: Auf welcher Grundlage nach Art. 6 DSGVO verarbeiten Sie Audio und Transkripte, etwa Vertragserfüllung, berechtigtes Interesse oder Einwilligung?
2. Auftragsverarbeitung: Liegt mit jedem Anbieter in der Kette ein Vertrag nach Art. 28 DSGVO vor, und wo werden die Daten verarbeitet?
3. Speicherdauer: Wie lange bleiben Aufnahmen und Transkripte gespeichert, und wer hat Zugriff?
4. Betroffenenrechte: Wie setzen Sie Auskunft, Löschung und Widerspruch in der Sprachkette praktisch um?

Für Aufzeichnungen gilt zusätzlich das Strafrecht. Nach § 201 StGB ist strafbar, wer das nichtöffentlich gesprochene Wort eines anderen unbefugt auf einen Tonträger aufnimmt. Holen Sie vor jeder Aufzeichnung die Einwilligung der Gesprächspartner ein; eine Ansage allein reicht nicht sicher aus. Klären Sie das Verfahren mit Ihrem Datenschutz, auch wenn der Agent Gespräche nur transkribiert.

US-Anbieter sind nicht grundsätzlich ausgeschlossen. Transfers an Anbieter, die nach dem EU-US Data Privacy Framework (seit 10. Juli 2023) zertifiziert sind, sind möglich; das Gericht der EU hat das Abkommen am 3. September 2025 bestätigt (Rs. T-553/23). Risikoabwägung und Auftragsverarbeitungsvertrag bleiben nötig. OpenAI bietet für die Realtime API zudem Datenresidenz in Europa an (EWR und Schweiz), nach Freigabe und mit Zusatzvereinbarung; das Tracing ist laut OpenAI noch ausgenommen.

Für einen klar abgegrenzten Einstieg genügt meist ein fertiger KI-Telefonassistent. Eine eigene Orchestrierung lohnt sich, wenn mehrere Anwendungsfälle, eigene Systeme und hohe Anforderungen an Datenfluss und Modellwahl zusammenkommen.

Achten Sie bei jeder Option auf Ausstiegsmöglichkeiten: exportierbare Gesprächsdaten und Wissensbasis, austauschbare Modelle und Stimmen, keine langen Mindestlaufzeiten.

Der folgende Plan ist ein Vorschlag für Use Cases mit 1.000 bis 10.000 Anrufen pro Monat. Er setzt auf einen kleinen Start, einen Testbetrieb ohne Außenwirkung und eine schrittweise Ausweitung.

Für das wöchentliche Review helfen Stichproben, Bewertungskriterien und Fehlerkategorien, wie sie der Leitfaden zu AI Observability und LLM-Evaluation beschreibt.

Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand. Eine Telefonie-Plattform ist Plotdesk nicht: Die Plattform nimmt keine Anrufe an und steuert keine Sprachagenten im Contact Center. Sie deckt die Teile ab, die Sprache und Service im Unternehmen darüber hinaus brauchen.

• Sprachmodus im Chat: Mitarbeitende stellen Fragen per Sprache und hören die Antwort, etwa im Außendienst, im Lager oder in der Werkstatt.
• Meetings: Hochgeladene Aufnahmen werden transkribiert und zusammengefasst.
• Chatbots: Service-Chatbots lassen sich extern einbetten, etwa auf der Website.
• Governance: SSO, Rollen, mehr als 40 Berechtigungen, Audit-Logs sowie Modell- und Kostensteuerung pro Team.
• Modelle und Betrieb: mehr als 100 Modellvarianten aus zehn Provider-Typen, betrieben als dedizierte Instanz in der EU oder im eigenen Tenant, mit DSGVO-konformem AVV.

Das Umsetzungsteam greift auf 1.200+ Use Cases in 15 Branchen zurück und prüft mit Ihnen, ob für Ihren Service ein Telefon-Sprachagent eines spezialisierten Anbieters, ein Chatbot oder ein interner Assistent der richtige erste Schritt ist. Der Weg folgt vier Schritten: KI-Potenzialanalyse, Proof of Value, produktive Lösung und systematischer Ausbau. Mehr zum Ansatz lesen Sie auf der Plotdesk-Startseite.

KI-Sprachagenten sind 2026 ein brauchbares Werkzeug für wiederkehrende Service-Anliegen. Ob sie sich lohnen, hängt weniger an der Stimme als an drei Entscheidungen.

1. Den Use Case nach Volumen und Fehlertoleranz wählen. Terminbuchung und Statusauskünfte klingen unspektakulär, lassen sich aber messen und absichern.
2. Pflichten von Anfang an einplanen. KI-Hinweis nach Art. 50, Einwilligung vor Aufzeichnungen, Auftragsverarbeitung und Betriebsrat gehören in die erste Projektplanung, nicht in die Nacharbeit.
3. Die Wirtschaftlichkeit mit eigenen Zahlen rechnen. Entscheidend ist der Anteil der Anrufe, die der Agent abschließend löst. Halten Sie Modelle, Stimmen und Anbieter austauschbar, damit Sie auf neue Preise und Modelle reagieren können.