KI-Voice-Agents: Der komplette Guide 2026 zu Technik, Kosten, Recht und Auswahl

Kurz gesagt: Ein KI-Voice-Agent ist Software, die Anrufe annimmt oder selbst anruft, freie Sprache versteht, entscheidet, was zu tun ist, und es über Werkzeuge erledigt: Termin buchen, Bestellung nachsehen, Ticket anlegen oder an einen Menschen weiterleiten. Technisch ist er eine Kette aus Spracherkennung, Sprachmodell und Sprachsynthese oder ein einzelnes Speech-to-Speech-Modell. Ob er funktioniert, hängt weniger an der Stimme als am Sprecherwechsel, am Wissen und an den Werkzeugen. In der EU müssen Anrufer zu Beginn erfahren, dass sie mit einer KI sprechen.

Wir haben diesen Guide im Oktober 2026 neu geschrieben. Die alte Fassung versprach Antworten in unter einer Sekunde, Hosting rund um die Welt, Nummern in mehr als 50 Ländern, einen Blindtest, Amortisation in wenigen Wochen, eine Sprachenzahl und eine falsche Darstellung der Kartenprüfung mit 1 Euro. Das konnten wir nicht belegen, deshalb ist es raus.

Was ist ein KI-Voice-Agent?

Ein KI-Voice-Agent ist ein Programm, das in Echtzeit ein gesprochenes Gespräch führt und danach handelt. Drei Fähigkeiten unterscheiden ihn von älterer Telefontechnik. Er versteht freie Sprache, niemand muss sich durch ein Menü drücken. Er entscheidet, weil ein Sprachmodell abwägt, ob es antwortet, nachfragt, etwas nachschlägt oder übergibt. Und er handelt: Über Werkzeuge bucht er einen Termin, ergänzt einen CRM-Eintrag, legt ein Ticket an oder leitet den Anruf weiter.

Der Test für einen Agenten: Kann das System außerhalb des Gesprächs etwas verändern, abhängig davon, was der Anrufer gesagt hat? Wenn es nur reden kann, ist es ein Voicebot mit besserer Stimme. Wenn es handeln kann, müssen Sie auch festlegen, was es darf.

KI-Voice-Agent, KI-Telefonagent, Voice Agent und Conversational Voice AI meinen dasselbe. Die meisten Voice Agents nehmen am Telefon ab, per Rufumleitung von Ihrer bestehenden Nummer oder auf einer neuen, und immer mehr laufen auch im Browser.

KI-Voice-Agent, IVR, Voicebot, Chatbot und Sprachassistent im Vergleich

Die Grenzen verschwimmen. Entscheidend ist, was ein System mit einem Satz macht, den niemand eingeplant hat.

Wie funktioniert ein KI-Voice-Agent? Die technische Kette

Jeder Gesprächszug läuft durch dieselbe Kette: hören, erkennen, dass der Anrufer fertig ist, verstehen, entscheiden, handeln, sprechen.

1. Telefonie und Audio

Der Anruf erreicht den Agenten über das Telefonnetz oder eine SIP-Verbindung, oder über das Mikrofon im Browser. Telefonaudio ist schmal. Der im Telefonnetz übliche Codec G.711 arbeitet mit 8.000 Abtastwerten pro Sekunde und acht Bit pro Wert [1]. Damit lassen sich nur Frequenzen bis 4.000 Hertz übertragen, und vieles, was ein "s" von einem "f" unterscheidet, liegt darüber. Deshalb sind Namen, E-Mail-Adressen und buchstabierte Codes für eine Maschine der schwierigste Teil eines Anrufs.

2. Spracherkennung

Die Spracherkennung macht aus dem Audio Text, während der Anrufer noch spricht. Alltagssprache klappt gut. Eigennamen, Straßennamen, Codes aus Buchstaben und Ziffern sowie gruppiert gesprochene Zahlen bleiben auf jeder Plattform Schwachstellen. Gute Agenten arbeiten mit Vokabellisten und wiederholen wichtige Angaben, bevor sie handeln.

3. Sprecherwechsel und Unterbrechungen

Die am meisten unterschätzte Stufe ist die Frage, wann der Anrufer fertig ist. Die einfache Methode wartet auf Stille. OpenAI beschreibt seine serverseitige Erkennung so, dass sie das Audio anhand von Sprechpausen automatisch in Abschnitte teilt, und in der Beispielkonfiguration wartet sie 500 Millisekunden [2]. Menschen machen aber mitten im Gedanken Pausen. Eine kurze Schwelle fällt ihnen ins Wort, eine lange macht jede Antwort langsam. Die semantische Erkennung beurteilt stattdessen anhand der Wörter, ob der Satz vollständig ist, und wartet länger, wenn sie unsicher ist [2]. Deepgram hat im Oktober 2025 sein Modell Flux mit einer Erkennung des Gesprächsendes vorgestellt, die nach Herstellerangabe Kontext und Gesprächsverlauf versteht und nicht nur Stille [3].

Das umgekehrte Problem heißt Barge-in. Sagt der Anrufer mitten im Satz des Agenten "nein, Freitag", muss der Agent sofort aufhören und sich merken, was der Anrufer tatsächlich gehört hat. Er darf weder seine eigene Stimme noch ein kurzes "mhm" für eine Unterbrechung halten. Deepgram nannte Unterbrechungen das größte Problem von Voice Agents [3].

4. Sprachmodell, Wissen und Werkzeuge

Das Transkript geht an ein Sprachmodell, zusammen mit den Anweisungen für den Agenten, dem bisherigen Gespräch, passenden Abschnitten aus Ihrer Wissensdatenbank und einer Liste von Werkzeugen. Das Modell schreibt den nächsten Satz oder fordert einen Werkzeugaufruf an, etwa "freie Termine am Donnerstag ab 14 Uhr", und formuliert aus dem Ergebnis eine Antwort.

Das Modell weiß nichts über Ihr Unternehmen. Öffnungszeiten, Preise und Ausnahmen kommen aus der Wissensdatenbank, und deren Qualität entscheidet mehr Gespräche als die Wahl des Modells.

5. Sprachsynthese

Die Sprachsynthese liest die Antwort vor, am besten gestreamt ab dem ersten Satz. Prüfen Sie, wie sie Datumsangaben, Preise, Telefonnummern und fremde Namen ausspricht.

Kaskade oder Speech-to-Speech?

In einer Kaskade hören, denken und sprechen getrennte Modelle. Speech-to-Speech-Modelle hören Audio und erzeugen Audio in einem einzigen Modell.

OpenAIs Realtime API ist seit dem 28. August 2025 allgemein verfügbar, die Beta-Schnittstelle wurde am 12. Mai 2026 abgeschaltet [4]. Fragen Sie jeden Anbieter, wie er mit solchen Wechseln umgeht. Ein Modell-Update im Juli 2026 versprach bessere Erkennung von Buchstaben-Ziffern-Folgen, besseren Umgang mit Stille und Störgeräuschen und besseres Verhalten bei Unterbrechungen [4], also ziemlich genau die Schwachstellen von oben. Am 10. September 2026 folgte GPT-Live 1, ein Vollduplex-Sprachmodell, das gleichzeitig zuhören und sprechen und das Denken und die Werkzeugnutzung an einen Backend-Agenten abgeben kann [5].

Die Richtung ist eine schnelle Sprachschicht vorne und ein leistungsfähigeres Modell dahinter. Beurteilen Sie das Ergebnis in Testanrufen, nicht die Architektur.

Latenz beim Voice Agent: Benchmarks und wo die Zeit verloren geht

Eine Studie mit Alltagsgesprächen in zehn Sprachen, von Japanisch bis Dänisch, hat gemessen, wie schnell Menschen auf eine Frage antworten: Die Lücke lag im Mittel bei 208 Millisekunden, und der Durchschnitt jeder einzelnen Sprache lag höchstens etwa eine Viertelsekunde davon entfernt [6]. Allein für das Telefonnetz sagt die ITU-T-Empfehlung G.114, dass eine Verzögerung in eine Richtung von 400 Millisekunden für die allgemeine Netzplanung nicht überschritten werden sollte und dass interaktive Aufgaben wie Telefongespräche schon von deutlich geringeren Verzögerungen beeinträchtigt sein können [7].

Die Verarbeitung im Agenten kommt obendrauf. Ein Agent, der 500 Millisekunden Stille abwartet, bevor er den Gesprächszug als beendet ansieht, hat mehr als das Doppelte des menschlichen Mittelwerts verbraucht, bevor er überhaupt zu denken beginnt.

Latenz selbst messen

Veröffentlichte Latenzwerte sind selten vergleichbar, weil Anbieter Verschiedenes messen. Was der Anrufer erlebt, ist die Lücke zwischen dem Ende seines Satzes und dem ersten Laut des Agenten, und zwar auf einer echten Telefonleitung.

Machen Sie 20 bis 30 Testanrufe vom Handy, zeichnen Sie sie auf und messen Sie diese Lücke nach jedem Ihrer Sätze. Notieren Sie den Median (p50) und die langsamsten fünf Prozent (p95), getrennt für Gesprächszüge mit Werkzeugaufruf. Anrufer erinnern sich an die eine Stille, nach der sie "Hallo, sind Sie noch da?" gefragt haben, nicht an den Durchschnitt. Fragen Sie Anbieter, von welchem Moment bis zu welchem sie messen, auf welcher Leitung und wie hoch ihr p95 ist.

Werkzeuge und Aktionen: was ein Voice Agent erledigen kann

Werkzeuge sind die Schnittstellen, die der Agent während eines Anrufs nutzen darf:

• Kalender: freie Termine prüfen, buchen, verschieben oder absagen.
• CRM: den Anrufer an der Nummer erkennen, einen Lead anlegen, eine Notiz ergänzen.
• Tickets und Bestellungen: ein Ticket mit Gesprächszusammenfassung anlegen, Bestell- oder Lieferstatus nachsehen.
• Nachrichten ans Team: eine Rückrufbitte in einen Team-Kanal posten oder eine E-Mail senden.
• Anrufsteuerung: an eine Telefonnummer weiterleiten, Tastentöne senden, eine Mailbox erkennen, das Gespräch beenden.
• Webhooks: eigene Systeme anbinden, für die es keinen fertigen Connector gibt.

Drei Regeln machen Werkzeuge sicher. Geben Sie dem Agenten nur die Werkzeuge, die seine Aufgabe braucht. Lassen Sie ihn vor dem Handeln bestätigen ("Freitag um zehn, soll ich das buchen?"). Und planen Sie den Ausfall ein: "Ich erreiche den Kalender gerade nicht, darf ich Ihre Nummer für einen Rückruf notieren?" ist besser als eine Buchung, die still gescheitert ist. Sorgen Sie bei der Weiterleitung dafür, dass der Kontext bei Ihrem Kollegen ankommt, und legen Sie fest, was passiert, wenn niemand abnimmt.

Einsatzfelder: Inbound und Outbound

Inbound: der Agent nimmt ab

Die meisten Unternehmen beginnen mit eingehenden Anrufen. Typische Aufgaben: Annahme außerhalb der Geschäftszeiten und wenn alle Leitungen belegt sind, Termine buchen und verschieben, häufige Fragen zu Öffnungszeiten und Preisen, Bestellstatus, Aufnahme von Reparaturanfragen oder Schadenmeldungen, Weiterleitung und Rückrufbitten. Gute Kandidaten sind Anrufe, die häufig sind, einem Muster folgen und Informationen brauchen, die sich aufschreiben lassen.

Beispiele nach Branche: Gesundheitswesen, Handwerk, Hotellerie und Gastronomie, Immobilien, Finanzen und Versicherungen, Recht und Steuern, E-Commerce und Callcenter. Zahlen zur Verbreitung nach Branche stehen in KI-Voice-Agent-Statistik 2026: Marktgröße, Verbreitung, Kosten, Nischen und Recht, jede Zahl mit Quelle.

Outbound: der Agent ruft an

Voice Agents können auch selbst anrufen: Terminerinnerungen und Bestätigungen, Rückrufe zu Webanfragen, kurze Umfragen nach einem Serviceeinsatz. Technisch ist es derselbe Agent. Rechtlich ist es etwas anderes, denn Werbeanrufe sind in der EU, in Großbritannien und in den USA stark eingeschränkt, und Anrufe durch eine Maschine oft noch stärker. Für Outbound braucht es außerdem eine Mailbox-Erkennung, vernünftige Anrufzeiten und einen sofortigen Stopp, wenn jemand widerspricht. Lesen Sie vor jeder Kampagne KI-Kaltakquise 2026: Was ist erlaubt? UWG, DSGVO, Robinsonliste und die Regeln in Österreich, der Schweiz, UK und den USA.

Grenzen und typische Fehler

Voice Agents scheitern auf vorhersehbare Weise. Testen Sie darauf:

• Namen, Zahlen, Buchstabieren: wiederholen lassen, Zahlen über die Tastatur anbieten, schriftlich bestätigen.
• Störgeräusche: mit Freisprechanlage aus dem Auto testen, nicht aus dem ruhigen Büro.
• Sprecherwechsel: Unterbrechungen oder lange Stille.
• Erfundene Antworten: Lücken im Wissen werden mit plausiblen Preisen oder Zusagen gefüllt. Schließen Sie die Lücken und weisen Sie den Agenten an, nicht zu raten.
• Zwei Anliegen in einem Anruf: Das zweite geht oft verloren.
• Heikle Situationen: Beschwerden, Trauerfälle, Drohungen mit Anwalt und Notfälle gehören zu einem Menschen.
• Ausfälle von Werkzeugen: Der Agent muss sie bemerken und offen sagen.
• Manipulation: Anrufer versuchen, den Agenten von seinen Regeln abzubringen. Geben Sie ihm keinen Zugriff auf Daten, die er nie preisgeben darf.
• Schleifen: Nach dem zweiten gescheiterten Versuch Weiterleitung oder Rückruf anbieten.

Der rote Faden ist der Ausweg zum Menschen. In einer Gartner-Umfrage unter 3.566 Kunden im Februar und März 2026 sagten 87 Prozent, es sei unverzichtbar, dass Unternehmen beim Einsatz generativer KI einen Weg zu einem menschlichen Mitarbeiter anbieten [8]. Nur 27 Prozent würden einen Chatbot nach einer schlechten Erfahrung noch einmal ausprobieren [9].

Wie viel Prozent der Anrufe kann ein Voice Agent automatisieren?

Eine verlässliche Zahl über alle Branchen gibt es nicht. Sie hängt von Ihren Anrufen, Ihrem Wissen und Ihren Werkzeugen ab, und Prognosen zeigen nur eine Richtung. Gartner sagt voraus, dass agentische KI bis 2029 80 Prozent der gängigen Kundenservice-Anliegen eigenständig lösen wird, bei um 30 Prozent niedrigeren Betriebskosten [10]. Forrester erwartet, dass jede vierte Marke bis Ende 2026 eine Steigerung erfolgreicher einfacher Self-Service-Interaktionen um 10 Prozent sieht [11]. Ihre eigene Zahl finden Sie, indem Sie zwei Wochen Anrufe nach Anliegen sortieren und in einem Pilotbetrieb echte Lösungen messen.

Was kosten KI-Voice-Agents? Pro Minute oder im Abo

Jeder Preis deckt Spracherkennung, Sprachmodell, Sprachsynthese, Plattform, Telefonie und die Pflege des Agenten ab. Anbieter bündeln das auf vier Arten.

Wer selbst einen Agenten baut, zahlt die reinen Modellpreise: 0,05 US-Dollar pro Minute für OpenAIs GPT-Live 1, sekundengenau abgerechnet, Backend-Modell und Werkzeugnutzung kommen getrennt dazu [5], oder 4,50 US-Dollar pro Stunde für Deepgrams Voice Agent API zum Start im Juni 2025 [17]. Telefonie, Entwicklung und Pflege kommen obendrauf.

Rechnen Sie beim Vergleich alles auf Kosten pro Gesprächsminute inklusive Telefonie um, prüfen Sie, was fehlt (Rufnummern, Minuten im Telefonnetz, Sprachmodell, Integrationen), und achten Sie auf Währung und Mehrwertsteuer.

Kosten pro gelöstem Anruf: ein Rechenbeispiel

Ein Beispiel mit angenommenen Werten: Anrufe dauern drei Minuten, der Agent kostet 0,30 Euro pro Minute und löst 70 von 100 Anrufen. Dann kosten 100 Anrufe 300 Minuten × 0,30 Euro = 90 Euro, und jeder gelöste Anruf kostet 90 Euro ÷ 70 = rund 1,29 Euro, zuzüglich Telefonie. Bei 40 Lösungen sind es 2,25 Euro. Die Lösungsquote bewegt das Ergebnis stärker als jeder Rabatt auf den Minutenpreis.

Mehr zu Kosten und Einrichtung steht in KI-Telefonagent 2026: Was er kostet, wie er arbeitet und wie Sie ihn einführen, und Ihre eigenen Anrufmengen können Sie im ROI-Rechner eingeben.

Recht in Kürze: AI Act, DSGVO, Aufzeichnung, Outbound

EU AI Act: KI-Hinweis zu Beginn

Art. 50 Abs. 1 der KI-Verordnung verlangt, dass KI-Systeme, die mit Menschen interagieren, so gestaltet sind, dass diese wissen, dass sie es mit einer KI zu tun haben, es sei denn, das ist offensichtlich [18]. Die Regel gilt seit dem 2. August 2026, und die EU-Kommission setzt sie seit diesem Tag durch [19]. In ihren Fragen und Antworten zu Art. 50 ergänzt die Kommission, dass Menschen ab Beginn der ersten Interaktion klar und unterscheidbar informiert werden müssen, dass die Ausnahme für offensichtliche Fälle eng auszulegen ist, und sie nennt Chatbots, KI-Agenten und Avatare als Beispiele [20].

In der Praxis ist das ein klarer Satz am Anfang, etwa "Guten Morgen, Sie sprechen mit der KI-Assistenz der Sanitär Müller GmbH." Verstöße können mit bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes geahndet werden [18]. Der Digital Omnibus, Verordnung (EU) 2026/1744, hat diese Pflicht nicht verschoben. Er gibt bestehenden Systemen nur bis zum 2. Dezember 2026 Zeit, KI-erzeugte Inhalte nach Art. 50 Abs. 2 zu kennzeichnen [21].

Die Verordnung reicht über die EU hinaus. Nach Art. 2 Abs. 1 erfasst sie auch Anbieter und Betreiber außerhalb der EU, deren Systemausgaben in der EU verwendet werden [18]. Ein Unternehmen aus den USA oder Großbritannien, dessen Agent Kunden in Deutschland anruft, fällt also darunter. Details stehen in EU AI Act 2026: Was die KI-Hinweispflicht für Voice- und Chat-Systeme bedeutet.

DSGVO: Datenschutz bei jedem Anruf

Jeder Anruf enthält personenbezogene Daten: Nummer, Stimme, Inhalt, oft ein Transkript. Sie brauchen eine Rechtsgrundlage für jeden Zweck, Informationen für Anrufer nach Art. 13 DSGVO und einen Auftragsverarbeitungsvertrag mit dem Anbieter nach Art. 28 [22]. Legen Sie Löschfristen fest und fragen Sie, wo Daten verarbeitet werden, auch durch die KI-Modelle. Keine Plattform ist für sich allein DSGVO-konform. Konformität hängt davon ab, wie Sie sie einsetzen.

Gespräche aufzeichnen: § 201 StGB

In Deutschland wird mit Freiheitsstrafe bis zu drei Jahren oder mit Geldstrafe bestraft, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt [23]. Audio zu verarbeiten, um den Anrufer zu verstehen, ist eine Sache, eine Aufnahme zu speichern eine andere. Wenn Sie Aufnahmen behalten, kündigen Sie das an und sorgen Sie für eine Rechtsgrundlage, oder verzichten Sie darauf.

Outbound-Anrufe: erst die Einwilligung

In Deutschland verbietet § 7 Abs. 2 UWG Werbeanrufe bei Verbrauchern ohne deren vorherige ausdrückliche Einwilligung und bei sonstigen Marktteilnehmern ohne zumindest mutmaßliche Einwilligung. Werbung mit einer automatischen Anrufmaschine braucht die vorherige ausdrückliche Einwilligung jedes Angerufenen [24]. Die vorsichtige Lesart behandelt einen KI-Agenten, der selbst wählt, als solche Maschine, also braucht es auch im B2B eine ausdrückliche Einwilligung.

In Österreich verbietet § 174 Abs. 1 TKG 2021 Anrufe zu Werbezwecken ohne vorherige Einwilligung des Nutzers, ohne Ausnahme für Unternehmen [25]. In den USA hat die FCC entschieden, dass der Telephone Consumer Protection Act auch heutige KI-Technik erfasst, die menschliche Stimmen nachahmt. Anrufe mit KI-Stimmen brauchen dort also eine vorherige ausdrückliche Einwilligung [26]. Eine Erinnerung an einen Termin, den der Kunde gebucht hat, ist in der Regel keine Werbung, DSGVO und KI-Hinweis gelten trotzdem.

KI-Voice-Agent auswählen: die Checkliste

Demos sind einstudiert. Wenn Sie Anbieter von KI-Voice-Agents vergleichen, die Anrufe annehmen und selbst anrufen können, trennen diese Fragen die Angebote.

Einen KI-Voice-Agenten in sieben Schritten einführen

1. Eine Anrufart wählen. Häufig, strukturiert und mit geringem Risiko, etwa Termine.
2. Wissen und Grenzen aufschreiben. Was er wissen soll, was er nie tun darf, wann er weiterleitet.
3. Ein Werkzeug und die Weiterleitung anbinden. Einen Kalender und eine Nummer, unter der ein Mensch abnimmt.
4. Die Begrüßung schreiben. Ihr Firmenname, der KI-Hinweis und ein Hinweis, falls Sie aufzeichnen.
5. Intern testen. 30 bis 50 Testanrufe, die die typischen Fehler von oben abdecken.
6. Begrenzt live gehen. Außerhalb der Geschäftszeiten oder für Überlaufanrufe.
7. Auswerten und erweitern. Transkripte wöchentlich lesen, Lücken schließen, die nächste Anrufart ergänzen.

In der EchoCall-Demo geben Sie eine Website-Adresse ein, aus deren öffentlichen Seiten in etwa 20 Sekunden ein Agent entsteht, den Sie im Browser anrufen oder anschreiben können, ohne Anmeldung. Für Ihren eigenen Agenten gibt es einen Test: 30 Voice-Minuten und 30 Chat-Gespräche für 14 Tage, die Kreditkarte wird dafür mit 1 Euro geprüft.

Kennzahlen: woran Sie erkennen, ob Ihr Voice Agent funktioniert

Ergänzen Sie das Geschäftsergebnis, für das Sie den Agenten eingeführt haben, etwa gebuchte Termine.

KI-Voice-Agents bei EchoCall

Das können die Voice Agents von EchoCall heute. Sie arbeiten am Telefon und im Browser. Seit Oktober 2026 können Besucher auch mit dem Chat-Agenten auf Ihrer Website per Sprache sprechen, nach einer Hinweiskarte, die Minuten kommen aus dem Voice-Kontingent. Die Agenten sprechen mehr als 30 Sprachen, mit abschaltbarer automatischer Erkennung der Gesprächssprache. Wissen kommt aus PDF-, TXT-, Markdown-, CSV- und JSON-Dateien, einzelnen Webseiten mit Intervall zum erneuten Einlesen, einem Crawl der ganzen Website mit Aktualisierungsintervall und freiem Text.

Systemwerkzeuge sind Gespräch beenden, Mailbox-Erkennung, Tastentöne, Erkennung der Gesprächssprache und Weiterleitung an eine Telefonnummer. Während des Anrufs kann der Agent Kalender wie Google Calendar, Outlook und Cal.com nutzen, CRMs wie HubSpot und Salesforce, Ticketsysteme, Shops, Zapier, Make und eigene Webhooks, und es gibt eine REST-API. Gehostet wird in IONOS-Rechenzentren in Frankfurt und Karlsruhe, ein Zero-PII-Modus ist verfügbar. Bei Telefon-Agenten schreiben Sie den KI-Hinweis selbst in die erste Nachricht. Der Editor zeigt dazu einen Infokasten, und im Hilfe-Center stehen Beispielsätze. Die Preise beginnen bei 75 Euro für 250 Minuten ohne Einrichtungsgebühr. Rufnummern und Telefonie sind nicht enthalten. Details stehen auf der Preisseite und der Seite zum Voice Agent.

Häufige Fragen

Was ist ein KI-Voice-Agent?

Software, die Telefon- oder Browsergespräche in natürlicher Sprache führt, herausfindet, was der Anrufer braucht, und es über Werkzeuge erledigt, etwa indem sie einen Termin bucht oder den Anruf weiterleitet. Anders als ein Sprachmenü oder ein klassischer Voicebot hängt sie nicht an festen Optionen oder Skripten.

Wie funktioniert ein KI-Voice-Agent?

Die Spracherkennung macht aus Sprache Text, die Erkennung des Gesprächsendes entscheidet, wann der Anrufer fertig ist, ein Sprachmodell antwortet oder ruft ein Werkzeug auf, und die Sprachsynthese spricht. Speech-to-Speech-Modelle fassen diese Schritte zusammen. Die Qualität hängt stark von Wissen und Werkzeugen ab.

Welche Latenz ist für einen Voice Agent gut?

Einen offiziellen Benchmark gibt es nicht. Menschen antworten auf eine Frage im Mittel nach 208 Millisekunden. Messen Sie vom Ende Ihres Satzes bis zum ersten Laut des Agenten auf einer echten Telefonleitung, prüfen Sie den Median und die langsamsten fünf Prozent, und fragen Sie Anbieter, was ihre Werte messen.

Wie viel Prozent der Anrufe kann ein Voice Agent automatisieren?

Eine verlässliche branchenübergreifende Zahl gibt es nicht. Sie hängt von Ihren Anrufen, Ihrem Wissen und Ihren Werkzeugen ab. Gartner prognostiziert, dass agentische KI bis 2029 80 Prozent der gängigen Service-Anliegen eigenständig lösen wird. Ihre eigene Zahl liefert ein Pilotbetrieb, der echte Lösungen zählt, nicht nur Anrufe ohne Weiterleitung.

Wie wird ein KI-Voice-Agent abgerechnet, pro Minute oder im Abo?

Beides und mehr. Anbieter rechnen pro Minute plus Modell- und Telefoniekosten ab, im Monatsabo nach Zahl der Anrufer, über einen Enterprise-Jahresvertrag oder in Minutenpaketen. Die Beispiele reichen von 0,05 US-Dollar pro Minute für das Hosting ohne Modellkosten bis zu Verträgen ab 30.000 US-Dollar im Jahr. EchoCall beginnt bei 75 Euro für 250 Minuten, ohne Rufnummern und Telefonie.

Ist ein KI-Voice-Agent in der EU erlaubt und DSGVO-konform?

Ja, wenn Sie die Regeln einhalten. Seit dem 2. August 2026 verlangt der AI Act zu Beginn einen klaren Hinweis, dass der Anrufer mit einer KI spricht. Die DSGVO verlangt eine Rechtsgrundlage, Informationen für Anrufer und einen Auftragsverarbeitungsvertrag. In Deutschland ist das unbefugte Aufzeichnen von Gesprächen nach § 201 StGB strafbar.

Dürfen KI-Voice-Agents Outbound-Verkaufsanrufe machen?

Technisch ja, rechtlich nur in engen Grenzen. In Deutschland brauchen Werbeanrufe bei Verbrauchern eine vorherige ausdrückliche Einwilligung, ebenso Werbung mit einer automatischen Anrufmaschine. Österreich verlangt die vorherige Einwilligung auch bei Geschäftskontakten, und in den USA verlangt die FCC eine vorherige ausdrückliche Einwilligung für Anrufe mit KI-Stimmen.

Quellen

Die Quellen sind englischsprachig, sofern nicht anders angegeben.

1. IETF, RFC 3551 (G.711 PCMU, 8.000 Hertz): rfc-editor.org
2. OpenAI, Voice Activity Detection: developers.openai.com
3. Deepgram Changelog, Flux, 2. Oktober 2025: developers.deepgram.com
4. OpenAI API Changelog: developers.openai.com
5. OpenAI, Modellseite GPT-Live 1: developers.openai.com
6. Stivers et al. (2009), Universals and cultural variation in turn-taking in conversation, PNAS: pmc.ncbi.nlm.nih.gov
7. ITU-T-Empfehlung G.114, Zusammenfassung: itu.int
8. Gartner-Umfrage über IT-Online, 5. August 2026: it-online.co.za
9. Gartner-Umfrage über IT-Online, 4. September 2026: it-online.co.za
10. Gartner-Prognose vom 5. März 2025 über CMSWire: cmswire.com
11. Forrester, 2026: The Year AI Gets Real For Customer Service: forrester.com
12. Vapi, Preise: vapi.ai
13. Retell AI, Preise: retellai.com
14. Goodcall, Preise: goodcall.com
15. Synthflow, Preise: synthflow.ai
16. EchoCall, Preise (deutsch): echocall.de/pricing
17. Deepgram, Start der Voice Agent API, 16. Juni 2025: deepgram.com
18. Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 2, 50 und 99 (deutsch): eur-lex.europa.eu
19. EU-Kommission, Durchsetzung ab 2. August 2026: digital-strategy.ec.europa.eu
20. EU-Kommission, Fragen und Antworten zu Art. 50 KI-Verordnung: digital-strategy.ec.europa.eu
21. Verordnung (EU) 2026/1744 (Digital Omnibus zur KI), deutsch: eur-lex.europa.eu
22. Verordnung (EU) 2016/679 (DSGVO), deutsch: eur-lex.europa.eu
23. § 201 StGB, deutsch: gesetze-im-internet.de
24. § 7 UWG, deutsch: gesetze-im-internet.de
25. § 174 TKG 2021, Rechtsinformationssystem des Bundes, Österreich, deutsch: ris.bka.gv.at
26. FCC, Declaratory Ruling FCC 24-17: docs.fcc.gov

Alle Links wurden am 6. Oktober 2026 geprüft, die Preisseite von Goodcall am 9. Oktober 2026 erneut. Dieser Beitrag ist keine Rechtsberatung.

Weiterlesen

• KI-Telefonagent 2026: Was er kostet, wie er arbeitet und wie Sie ihn einführen
• EU AI Act 2026: Was die KI-Hinweispflicht für Voice- und Chat-Systeme bedeutet
• KI-Voice-Agent-Statistik 2026: Marktgröße, Verbreitung, Kosten, Nischen und Recht, jede Zahl mit Quelle
• KI-Voice-Agents 2025 bis 2026: Was sich bei Technik, Preisen, Geld, Recht und Analysten wirklich verändert hat