Wie eine KI einen Anruf annimmt
Ein KI-Sprachagent, auch als KI-Telefonassistent oder Voicebot verkauft, ist ein Computerprogramm, das Anrufe annimmt und mit dem Anrufer in ganz normaler Sprache spricht. Die Spracherkennung macht aus Ihren Worten Text, ein Sprachmodell entscheidet, was gesagt oder getan wird, und die Sprachsynthese spricht die Antwort. Die Telefonanlage des Unternehmens gibt ihm den Anruf, und er reicht ihn an einen Menschen weiter, wenn es angebracht ist. Das Thema entwickelt sich schnell: Wir haben jede Angabe auf dieser Seite zuletzt am 26. Oktober 2026 geprüft und prüfen sie alle drei Monate erneut.
Lila: Ihr Anruf und die Station, die ihn gerade bearbeitetLegende
- Lila: Ihr Anruf und die Station, die ihn gerade bearbeitet
- Bildschirme: was jede Station hört, schreibt und sagt
- Gestrichelt: Telefonnetz und Internet, in Wirklichkeit viel länger
Ein KI-Agent nimmt die Anrufe dieser Praxis an · wartet auf einen Anruf
Drücken Sie einen Knopf oder klicken Sie auf einen Bildschirm, um diese Station bei der Arbeit zu sehen.Drücken Sie einen Knopf oder tippen Sie auf einen Bildschirm, um diese Station bei der Arbeit zu sehen.
Die Schritte beschreiben den KI-Agenten. Schalten Sie um, dann sehen Sie das Sprachmenü mit Tastenwahl, das er ersetzt und das von den 1990er- bis in die 2010er Jahre verbreitet war.
Anatomie eines KI-Sprachagenten: ein Anruf von Ihrem Handy durch die Telefonanlage und die drei Stationen des Agenten bis zu einem Menschen am Empfang. Der Schalter zeigt das Sprachmenü mit Tastenwahl, das er ersetzt. Die Zeichnung ist nicht maßstabsgetreu.
-
Folgen Sie einem Anruf
Drücken Sie auf Anruf abspielen und sehen Sie zu, oder scrollen Sie nach unten: Die Zeichnung geht Schritt für Schritt mit. Mit Ausprobieren unter der Zeichnung führen Sie Ihren eigenen Anruf.Drücken Sie auf Anruf abspielen und sehen Sie zu, oder auf Weiter für den nächsten Schritt. Mit Ausprobieren unter der Zeichnung führen Sie Ihren eigenen Anruf.
-
Schritt 1 von 6
Die Telefonanlage gibt Ihren Anruf an die KI
Sie rufen Ihre Zahnarztpraxis an, um einen Termin zu verschieben. Der Anruf geht über das Telefonnetz zur Telefonanlage der Praxis, hier in einem Rechenzentrum. Die Telefonanlage stellt ihn durch wie zu einem Tischtelefon, nur ist diese Nebenstelle ein KI-Agent: Programme auf Servern, ohne einen Menschen dahinter. Sein erster Satz sagt Ihnen, dass Sie mit einer KI sprechen.
Muss er sagen, dass er eine KI ist?
In der Europäischen Union ja, seit dem 2. August 2026. Die KI-Verordnung (AI Act) verlangt, dass ein System, das mit Menschen spricht, so gebaut ist, dass sie erfahren, dass sie es mit einer KI zu tun haben, es sei denn, eine angemessen informierte Person würde das ohnehin erkennen. Erfahren müssen sie es spätestens zu Beginn des Gesprächs.
Am Telefon sehen Sie nicht, wer abnimmt, also ist der erste Satz der natürliche Ort dafür. Mehr dazu steht weiter unten bei den Regeln.
Quellen: European Commission AI Act Service Desk: Article 50, transparency obligations (2024); European Commission AI Act Service Desk: Article 113, entry into force and application (2024)
-
Schritt 2 von 6
Die Spracherkennung schreibt mit, was Sie sagen
Sie sagen: „Kann ich meinen Termin auf Freitag verschieben?“ Ihre Stimme erreicht den Agenten so, wie sie bei jedem Internetanruf unterwegs ist, in Scheiben von 20 Millisekunden, 50 pro Sekunde. Die erste Station, die Spracherkennung, macht aus dem Klang Text, während er ankommt. Auf ihrem Bildschirm erscheinen Ihre Worte.
Woher weiß er, dass Sie fertig gesprochen haben?
Meist wartet er auf eine kurze Stille. VoiceXML, ein Standard für Sprachmenüs von 2004, hatte dafür schon eine Einstellung: wie lange die Erkennung nach Ihrem letzten Wort wartet, bevor sie entscheidet, dass Sie fertig sind.
Ist diese Wartezeit kurz, fällt Ihnen der Agent ins Wort, während Sie Luft holen. Ist sie lang, sitzen Sie vor jeder Antwort in der Stille. Die Zeit, die er wartet, geht von der kurzen Lücke ab, die Menschen zwischen zwei Redebeiträgen lassen.
Quellen: IETF RFC 3551: the RTP profile for audio and video (2003); W3C: VoiceXML 2.0, the standard for voice menus (2004)
-
Schritt 3 von 6
Das Sprachmodell entscheidet, was es sagt
Der Text geht an das Sprachmodell, die Station mit zwei Racks. Es ist ein Programm, das mit riesigen Mengen Text trainiert wurde, und es schreibt seine Antwort Wort für Wort. Von sich aus weiß es nichts über diese Praxis. Also arbeitet es mit dem, was die Praxis ihm gibt: Anweisungen, Fakten wie die Öffnungszeiten und Werkzeuge. Hier findet es Ihren Dienstagstermin in der Patientenkartei und prüft den Kalender über das Internet. Freitag um 10 Uhr ist frei.
Kann es sich irren?
Ja. Ein Sprachmodell schreibt die Wörter, die am wahrscheinlichsten als Nächstes kommen, und auch ein flüssiger Satz kann falsch sein. Deshalb gibt ein Unternehmen ihm eine eng umrissene Aufgabe und seine eigenen Fakten und Werkzeuge, etwa den Kalender, statt es aus dem Gedächtnis antworten zu lassen.
Auch deshalb zählt die Übergabe an einen Menschen in Schritt 6.
-
Schritt 4 von 6
Die Sprachsynthese spricht die Antwort
Die Antwort geht an die dritte Station, die Sprachsynthese, die aus dem Text eine Stimme macht. Sie kann mit den ersten Wörtern beginnen, bevor das Modell die letzten geschrieben hat. Der Klang nimmt denselben Weg zurück, auf dem Ihr Anruf gekommen ist, durch die Telefonanlage zu Ihrem Handy: „Freitag um 10 Uhr ist frei. Soll ich den Termin eintragen?“
Warum muss jede Station so schnell sein?
Weil Menschen Stille bemerken. Im Gespräch liegt zwischen einer Frage und ihrer Antwort ein Bruchteil einer Sekunde, und eine längere Pause klingt nach Zögern. Die Zahlen stehen weiter unten, unter „Wie lang eine Pause sein darf“.
Also überlappen sich die Stationen. Die Spracherkennung schreibt, während Sie sprechen, das Modell beginnt seine Antwort, sobald Sie aufhören, und die Sprachsynthese spricht die ersten Wörter, während der Rest noch entsteht.
-
Schritt 5 von 6
Sie fallen ihm ins Wort, und er verstummt
Mitten in der Antwort sagen Sie: „Entschuldigung, kann ich mit jemandem sprechen?“ Die Spracherkennung hat weiter zugehört, während der Agent sprach. Sie hört Sie, der Agent bricht mitten im Wort ab, und das Modell liest, was Sie gesagt haben. Am Telefon fallen sich Menschen ständig ins Wort. Ein Agent, der einfach über Sie hinwegredete, klänge wie eine Aufnahme.
Konnte man auch einem Sprachmenü ins Wort fallen?
Oft ja. VoiceXML, der Standard des World Wide Web Consortium für Sprachmenüs, nennt das Barge-in: Sie drücken eine Taste oder sprechen in eine aufgezeichnete Ansage hinein, und die Ansage stoppt.
Wer das Menü baute, konnte das auch abschalten, etwa für einen rechtlichen Hinweis oder eine Werbeansage, die der Anrufer bis zum Ende hören musste.
Quellen: W3C: VoiceXML 2.0, the standard for voice menus (2004)
-
Schritt 6 von 6
Er übergibt Sie an einen Menschen
Sie haben nach einem Menschen gefragt, also bittet der Agent die Telefonanlage, den Anruf weiterzuverbinden. Die Telefonanlage lässt Annas Tischtelefon am Empfang klingeln, Anna nimmt ab, und der Agent verlässt das Gespräch. Ein gut gebauter Agent übergibt auch ungefragt: wenn er Sie nicht versteht oder wenn er die Frage nicht beantworten darf.
Wie wechselt der Anruf, ohne dass Sie neu wählen?
Der Agent schickt im laufenden Anruf eine Bitte, das Gespräch weiterzuverbinden. Bei Internetanrufen ist der Standard dafür die REFER-Nachricht, 2003 von der IETF veröffentlicht: Eine Seite eines Anrufs bittet die andere, stattdessen jemand anderen anzurufen.
Ihr Handy bleibt die ganze Zeit verbunden. Nur das andere Ende wechselt, vom Agenten zu Annas Tischtelefon.
Quellen: IETF RFC 3515: the SIP REFER method, for transfers (2003)
Sprachmenü und KI-Agent im Vergleich
Beide nehmen denselben Anruf an derselben Telefonanlage an. Geändert hat sich die Maschine dahinter: früher ein fester Baum aus Tasten, heute ein Modell, das Ihre Worte liest.
Sprachmenü
KI-Agent
Was es verstehtITU-T Q.23; W3C; Eurostat
Tasten
Jede Taste sendet ihr eigenes Tonpaar, und manche Menüs kannten auch eine kurze Liste fester Wörter
Ihre eigenen Worte
Die Spracherkennung macht Text daraus
Wer den nächsten Schritt bestimmtW3C; European Commission AI Act Service Desk
Ein fester Baum
Jede Taste führt zu einem Zweig, den das Unternehmen vorher angelegt hat
Ein Sprachmodell
Es erarbeitet aus dem, was Sie gesagt haben, eine Antwort, im Rahmen der Anweisungen des Unternehmens
Aufnahmen
Ansagen, vorher aufgenommen oder von einem Sprachsynthesizer vorgelesen
Ein neuer Satz
Vom Modell für Ihren Anruf geschrieben, von der Sprachsynthese gesprochen
Muss es sagen, dass es eine Maschine ist?European Commission AI Act Service Desk (1, 2)
Keine Regel
Die KI-Verordnung der Europäischen Union kam 2024
Ja
In der Europäischen Union seit dem 2. August 2026, es sei denn, es ist offensichtlich
Wie lang eine Pause sein darf
Ein KI-Agent muss hören, dass Sie fertig sind, entscheiden und zu sprechen beginnen, und das alles in der Lücke, die Menschen zwischen zwei Redebeiträgen lassen. Auch das Telefonnetz braucht einen Teil dieser Zeit. Diese drei Zahlen bestimmen, wie groß die Lücke ist.
-
208 ms
Über zehn Sprachen hinweg begannen Menschen ihre Antwort im Schnitt etwa 208 Millisekunden nach dem Ende der Frage. Am schnellsten waren Sprecher des Japanischen mit 7 ms, am langsamsten Sprecher des Dänischen mit 469 ms.
PNAS: universals and cultural variation in turn-taking in conversation (2009)
-
600 ms
In einer Studie mit 380 Zuhörern genügte eine Stille von 600 Millisekunden vor einem „Ja“, damit die Antwort weniger bereitwillig klang.
Journal of the Acoustical Society of America: silent gaps after requests (2013)
-
150 ms
Die Internationale Fernmeldeunion nennt 150 Millisekunden in eine Richtung, vom Mund zum Ohr, als die Verzögerung, unter der die meisten Gespräche nicht gebremst werden. Ihre Worte legen diesen Weg zum Agenten zurück, und die Antwort legt ihn zurück zu Ihnen.
Wie es dazu kam
- 1952
Eine Maschine hört zehn Ziffern
Drei Ingenieure beschreiben eine Schaltung, die die Ziffern null bis neun erkennt, wenn sie über eine Telefonleitung gesprochen werden, in 97 bis 99 % der Fälle. Sie funktioniert für jeweils einen Sprecher, nachdem sie auf dessen Stimme eingestellt wurde.
Journal of the Acoustical Society of America: automatic recognition of spoken digits (1952)
- 1963
Tasten, die eine Maschine hört
Das Bell System beginnt in zwei Orten in Pennsylvania, Tastentelefone mit Touch-Tone zu verkaufen. Jede Taste sendet Töne, die eine Maschine hören kann, und das macht Sprachmenüs möglich.
- 1992
Sagen statt drücken
AT&T kündigt an, R-Gespräche per Spracherkennung abzuwickeln: Anrufer sagen „collect“ zu einer Maschine statt zu einem Menschen in der Vermittlung. Der Konzern rechnet damit, 3.000 bis 6.000 seiner 18.000 Vermittlungskräfte einzusparen.
Christian Science Monitor: AT&T and speech recognition (1992)
- 2004
Ein Standard für Sprachmenüs
Das World Wide Web Consortium veröffentlicht VoiceXML 2.0, eine gemeinsame Sprache für Sprachmenüs. Sie können auf Tasten und gesprochene Wörter hören und aufgenommene oder synthetische Ansagen abspielen, die ein Anrufer unterbrechen darf.
- 2017
Der Transformer
Forscher stellen auf der Konferenz NeurIPS den Transformer vor, eine Netzarchitektur, die auf Aufmerksamkeit (Attention) beruht. Gedacht war er für Übersetzungen zwischen Sprachen, und die heutigen großen Sprachmodelle bauen auf ihm auf.
- 2024
Sagen, dass es eine KI ist
Die Europäische Union verabschiedet die KI-Verordnung. Ab dem 2. August 2026 muss ein System, das mit Menschen spricht, sie wissen lassen, dass sie es mit einer KI zu tun haben.
European Commission AI Act Service Desk: Article 50, transparency obligations (2024)
Was das Gesetz von einer KI am Telefon verlangt
In der Europäischen Union fällt eine KI, die Anrufe annimmt, unter die KI-Verordnung, und alles, was sie aufzeichnet, unter die Datenschutzregeln, die für jedes Telefongespräch gelten. Manche Länder legen eigene Gesetze zum Kundenservice obendrauf. Hier stehen, in einfachen Worten, die Pflichten, die bestimmen, wie sich ein Agent bei einem Anruf verhält. Sie sind keine Rechtsberatung.
-
Er sagt Ihnen, dass er eine KI ist
Seit dem 2. August 2026 verlangt die KI-Verordnung vom Anbieter eines Systems, das mit Menschen spricht, es so zu bauen, dass sie erfahren, dass sie es mit einer KI zu tun haben. Der Hinweis muss klar sein und spätestens zu Beginn kommen, es sei denn, eine angemessen informierte Person würde das ohnehin erkennen. Ein Verstoß gegen diese Pflicht kann ein Unternehmen bis zu 15 Millionen Euro oder 3 % seines weltweiten Jahresumsatzes kosten, je nachdem, welcher Betrag höher ist.
-
Eine Aufzeichnung braucht einen Grund, und Sie müssen davon erfahren
Das europäische Recht schützt die Vertraulichkeit von Anrufen: Niemand außer den Gesprächsteilnehmern darf ohne deren Einwilligung mithören oder das Gespräch speichern. Es lässt Raum für Aufzeichnungen, die das Gesetz im rechtmäßigen Geschäftsverkehr erlaubt, zum Beispiel als Nachweis für einen Kauf. Die französische Datenschutzbehörde CNIL ergänzt, dass Anrufer über die Aufzeichnung informiert werden müssen und über ihr Recht, ihr vor dem Ende des Anrufs zu widersprechen.
legislation.gov.uk; Commission nationale de l'informatique et des libertés
-
In Spanien ein Mensch, wann immer Sie fragen
Das spanische Gesetz zum Kundenservice gilt für große Unternehmen und wesentliche Dienste. Es verbietet, dass ein Automat der einzige Weg ist, sie zu erreichen. Ein Bot oder ein Sprachmenü muss Sie jederzeit, vom Beginn des Anrufs an, nach einem Menschen fragen lassen, und dieser Mensch muss sagen, wer er ist. Das Gesetz trat am 28. Dezember 2025 in Kraft. Die Unternehmen haben bis zum 28. Dezember 2026 Zeit, ihren Kundenservice daran anzupassen.
Wo Voxbi ins Spiel kommt
Voxbi verkauft das als Voxbi KI-Telefonassistent. Er nimmt Anrufe auf einer Nebenstelle Ihrer Voxbi-Telefonanlage an, auf den Nummern, die Sie schon haben, und verbindet Anrufe mit Kolleginnen, Kollegen und Warteschlangen im selben System weiter. In Belgien und Luxemburg gibt es ihn nur mit einem Voxbi-Managed-Tarif.
In Voxbi ansehen