Ein Kundengespräch endet, die Beraterin legt auf und nimmt den nächsten Anruf an. Eine Viertelstunde später steht im CRM bestenfalls eine knappe Notiz, und für einen guten Rückruf reicht die nicht. Lassen Sie Ihre Telefonate transkribieren und hängen Sie das Ergebnis an den richtigen Datensatz, dann bleibt von jedem Gespräch eine kurze Zusammenfassung, das erkannte Anliegen und ein nächster Schritt. Das vollständige Transkript liegt getrennt davon in einem geschützten Speicher.
Dieser Leitfaden ist für IT-Verantwortliche, für Leiterinnen und Leiter von Vertrieb und Support in kleinen und mittleren Unternehmen und für IT-Dienstleister, die Telefonie und CRM verbinden. Die Spracherkennung auszuwählen ist nur eine von mehreren Entscheidungen. Sie legen außerdem fest, welche Anrufe transkribiert werden, wo die Aufnahme liegt, welche Daten ins CRM gehen, wer sie lesen darf und wann sie gelöscht werden. Wir empfehlen dabei einen sparsamen Ansatz: wenig im CRM, das Transkript unter Verschluss, Hosting in der Europäischen Union.
Was beim Transkribieren eines Telefonats passiert
Eine Spracherkennung (Speech-to-Text) wandelt das gesprochene Wort eines Anrufs automatisch in Text um. Sie verarbeitet dazu die Aufnahme oder den laufenden Audiostrom und liefert ein Transkript, oft mit Zeitstempeln und einer Zuordnung zu den Sprechenden. Ein Sprachmodell kann aus diesem Text anschließend eine Zusammenfassung, das Anliegen und einen nächsten Schritt ableiten.
Drei Wege zum Transkript
Unternehmen haben im Wesentlichen drei Möglichkeiten:
In der Telefonanlage eingebaut: Die Cloud-Telefonanlage zeichnet den Anruf auf, lässt ihn transkribieren und legt Transkript und Zusammenfassung direkt beim Anruf im Protokoll ab. Sie brauchen keine zusätzliche Schnittstelle.
Externer Dienst mit API: Ein spezialisierter Anbieter bekommt das Audio über eine Schnittstelle und schickt den Text zurück. Das gibt Ihnen mehr Einfluss auf Modell und Fachvokabular, bedeutet aber einen weiteren Auftragsverarbeiter.
Aufnahme von Hand hochladen: Für ein einzelnes Gespräch, etwa ein Interview, laden Sie die Audiodatei in ein Transkriptionswerkzeug. Für den laufenden Betrieb im Vertrieb oder Support taugt das kaum, weil niemand jede Datei von Hand zuordnet.
Bevor Sie anfangen, sollten drei Dinge geklärt sein: eine rechtlich saubere Aufnahme, ein klarer Zweck und eine Regel, an welchen Datensatz das Ergebnis gehört. Zur Aufnahme selbst: Wer das nichtöffentlich gesprochene Wort eines anderen unbefugt auf einen Tonträger aufnimmt, macht sich nach § 201 StGB strafbar. Was das für die Einwilligung im Alltag heißt, auch in Österreich und der Schweiz, erklärt der Beitrag Telefongespräche aufzeichnen.
Warum das Transkript ins CRM gehört
Am Telefon nennt ein Kunde oft in wenigen Minuten seinen Bedarf, seine Einschränkungen und seine Frist. Die Beraterin weiß vielleicht, wer anruft, doch der CRM-Datensatz bleibt unverändert, bis sie Zeit für eine Notiz findet. Landet der Anruf beim falschen Kontakt, hat die Verkaufschance keine Aufgabe, dem Ticket fehlt der Kontext, und die Kollegin geht ohne Vorgeschichte ins nächste Gespräch.
Ein Beispiel aus dem Support. Ein Kunde meldet um 10:12 Uhr, dass sein Drucker nach einem Update keine Aufträge mehr annimmt, und die Beraterin sagt ihm einen Rückruf bis 14 Uhr zu. Am Ticket erscheinen danach drei Zeilen: Drucker nimmt seit dem Update keine Aufträge an, Treiber bereits neu installiert, Rückruf bis 14 Uhr zugesagt. Dazu kommt eine Aufgabe für die zuständige Kollegin. Die Seriennummer, die der Kunde zweimal falsch durchgibt, und der Smalltalk über das Wetter bleiben im Transkript, das nur die Teamleitung öffnen kann. Die Beraterin prüft die drei Zeilen weiterhin selbst, aber das Wissen aus dem Gespräch steckt nicht mehr nur in ihrem Kopf.
Im Vertrieb funktioniert es genauso. Die Verkaufschance bekommt den Bedarf in einer knappen Zusammenfassung und ein Datum für den Rückruf. In einer Klinik oder Praxis sollten Sie strenger auswählen, denn dort fallen am Telefon Gesundheitsdaten an, und die gehören nicht in einen Datensatz, den das ganze Team liest.
Faustregel: Ein Transkript nützt im Betrieb erst dann, wenn daraus eine verlässliche Angabe am richtigen Datensatz wird und nur Berechtigte sie lesen können.
Dafür muss jeder Anruf eindeutig zugeordnet sein. Er braucht einen Anker im CRM: die Rufnummer, eine Kontakt-ID, die Nebenstelle, ein Ticket oder eine Verkaufschance. Fehlt dieser Abgleich, legt die Automatik einen falschen Kontakt an oder hängt eine Aufgabe an den falschen Kunden. Wie Telefonanlage und CRM ihre Kontakte abgleichen, steht im Beitrag zum Synchronisieren von Kontakten mit der Telefonanlage. Ebenso entscheidend sind Tonqualität, Dialekt, Unterbrechungen und die Frage, ob die Angerufenen informiert wurden.
Die Spracherkennung auswählen
Die wichtigste Entscheidung treffen Sie, bevor jemand die erste Schnittstelle anspricht. Trennen Sie in der Planung vier Bausteine: Telefonanlage, Spracherkennung, eine Klärungswarteschlange für unsichere Fälle und das CRM. Das Audio sollte nicht in jedes dieser Systeme kopiert werden. Die Telefonanlage hält die Aufnahme für eine festgelegte Dauer vor, die Spracherkennung macht daraus Text, eine Verarbeitungsschicht zieht die nützlichen Angaben heraus, und das CRM bekommt nur dieses Ergebnis.
Eine eingebaute Spracherkennung hält die Zahl der Datenflüsse klein und verknüpft Anruf, Aufnahme und Transkript ohne Zusatzarbeit. Bei einem externen Dienst schauen Sie genauer hin: Wohin wird das Audio übermittelt, welche Unterauftragsverarbeiter sind beteiligt, wo wird verarbeitet, und wie wird gelöscht?
Worauf Sie beim Test achten
Testen Sie die Spracherkennung mit dem Vokabular, das in Ihrem Unternehmen wirklich fällt. Ein Modell, das ein Alltagsgespräch sauber erfasst, kann an Produktnamen, Artikelnummern, Eigennamen oder medizinischen Begriffen scheitern. Nehmen Sie außerdem die Dialekte Ihrer Kunden in die Stichprobe, etwa Bairisch, Schwäbisch oder Schweizerdeutsch, dazu Hintergrundlärm, Sprecher, die sich ins Wort fallen, und Anrufe vom Handy.
Die Sprechertrennung (Diarisierung) ordnet jede Passage einer Person zu. Für ein Gesprächsprotokoll in Vertrieb und Support ist das hilfreich, aber die Zuordnung ist eine Schätzung und kann danebenliegen. Bleibt unklar, wer was gesagt hat, sollte der volle Text zur Kontrolle sichtbar bleiben und die automatische Aufgabe warten.
Hosting in der Europäischen Union macht die Datenflüsse leichter beherrschbar. DSGVO-konform ist eine Lösung damit allein noch nicht. Sie müssen außerdem die Unterauftragsverarbeiter, die Zwecke, die Zugriffsrechte und die Löschwege kennen. Fragen Sie den Anbieter auch, ob er Ihre Daten selbst weiterverwendet, etwa zum Training seiner Modelle.
Die KI-Verordnung der Europäischen Union
Die KI-Verordnung (Verordnung 2024/1689) ist am 1. August 2024 in Kraft getreten. Seit dem 2. Februar 2025 gelten die Verbote bestimmter Praktiken und die Pflicht zur KI-Kompetenz, seit dem 2. August 2026 der Großteil der übrigen Regeln. Die Europäische Kommission hat am 19. November 2025 Vereinfachungen vorgeschlagen, den sogenannten KI-Omnibus. Er ist seit dem 27. Juli 2026 in Kraft und verschiebt unter anderem die Pflichten für Hochrisiko-Anwendungen in sensiblen Bereichen auf den 2. Dezember 2027. Den aktuellen Stand fasst die Seite der Europäischen Kommission zum KI-Rechtsrahmen zusammen.
Wie ein System eingestuft wird, hängt vom Zweck ab. Ein Anruf, den Sie für eine betriebliche Zusammenfassung transkribieren, ist etwas anderes als ein System, das aus Gesprächen auf Emotionen, Leistung oder Verlässlichkeit von Beschäftigten schließt. Emotionserkennung am Arbeitsplatz ist seit Februar 2025 verboten. Lassen Sie den Anwendungsfall deshalb einordnen, bevor Sie eine Transkriptionslösung einführen, und halten Sie die Verantwortlichkeiten schriftlich fest. Ein Anbieter, der pauschal Konformität mit der KI-Verordnung verspricht, nimmt Ihnen diese Prüfung nicht ab.
Schnittstellen und Feldzuordnung zum CRM

Die Anbindung folgt einer festen Reihenfolge, und jeder Schritt sollte im Protokoll nachvollziehbar sein. Die Telefonanlage erkennt den Anruf und legt die Aufnahme in einem kontrollierten Speicher ab. Danach entsteht das Transkript, und ein Verarbeitungsdienst zieht die freigegebenen Felder heraus. Ins CRM schreibt er eine knappe Zusammenfassung mit einem Link zum ausführlichen Transkript, den nur Nutzer mit der passenden Berechtigung öffnen können.
Ereignisse in der richtigen Reihenfolge
Der Webhook zum Gesprächsende sollte zunächst nur die Eckdaten übertragen: Anruf-ID, Zeitstempel, Rufnummer, Warteschlange, Nebenstelle und Status. Der Integrationsdienst gleicht sie mit Kontakt oder Vorgang ab. Erst dann fordert er das Transkript an oder verarbeitet ein bereits vorliegendes Ergebnis.
Schickt der Anbieter dieselbe Benachrichtigung mehrfach, verhindert eine eindeutige technische ID Dubletten. Planen Sie außerdem eine asynchrone Verarbeitung ein: Das Transkript liegt kurz nach dem Anruf vor, die Zusammenfassung manchmal erst später. Das CRM muss deshalb die bestehende Aktivität aktualisieren können, statt bei jedem Ereignis eine neue anzulegen.
Felder, die ins CRM gehören
Setzen Sie bei der Feldzuordnung (Mapping) auf Felder, die man lesen und nachprüfen kann.
Braucht ein Feld die volle Identität nicht, sollte der Verarbeitungsdienst Namen, Nummern und sensible Angaben pseudonymisieren, bevor er ins CRM schreibt. Die Zusammenfassung gibt das Gespräch in wenigen Sätzen wieder und kopiert es nicht. Im Anruf kann eine Diagnose, eine Kontonummer oder ein Betriebsgeheimnis zur Sprache kommen. In eine dauerhafte Notiz, die viele Kollegen lesen, gehört davon nichts.
Eine Klärungswarteschlange für unsichere Fälle
Ohne Klärungswarteschlange sollten Sie nicht starten. Dort landet alles, was die Automatik nicht sicher zuordnen kann: Anrufe, deren Nummer zu mehreren Kontakten passt, schlecht getrennte Sprecher, unsicher erkanntes Vokabular oder eine Zusammenfassung mit einem ungeprüften kritischen Feld. Eine benannte Person prüft das Ergebnis, korrigiert den Datensatz und gibt die Aktion frei.
Für die Einführung empfehlen wir ein schrittweises Vorgehen. Legen Sie zuerst den Zweck fest. Erfassen Sie dann, wohin Audio und Text fließen, begrenzen Sie die verarbeiteten Anrufe und pseudonymisieren Sie die Daten. Steuern Sie Zugriffe über Rollen, protokollieren Sie sie und verschlüsseln Sie die Übertragung. Messen Sie die Qualität an einer Stichprobe eigener deutschsprachiger Gespräche, und lassen Sie kritische Felder von einem Menschen freigeben.
Bei Odoo oder einem anderen CRM sollte die REST-API ein strukturiertes Objekt mit festen Feldern bekommen, keinen freien Textblock. So bestimmt die Integration, welche Felder sie annimmt, weist unerwartete Werte ab und behält einen Nachweis jeder Übertragung. Ausgangspunkt dafür kann die Verbindung von Voxbi mit Odoo und anderen CRM-Systemen sein, ohne dass das komplette Gespräch in jedem Datensatz landet.
Datenschutz beim Transkribieren von Telefonaten

Hosting in der Europäischen Union senkt das Risiko von Übermittlungen in Drittländer. Es ersetzt aber weder das Verzeichnis von Verarbeitungstätigkeiten noch die Zugriffsregeln. Halten Sie für Aufnahme, Transkript, Zusammenfassung und Aufbewahrung jeweils einen eigenen Zweck fest. Die Zwecke liegen nah beieinander, decken sich aber nicht immer.
Informieren Sie die Anrufer gleich zu Beginn und in verständlicher Sprache. Die Ansage nennt den Zweck, die Rechte der Betroffenen und den Verantwortlichen. Auch Ihre Beschäftigten sollten die Regeln kennen, vor allem wenn Transkripte der Qualitätssicherung dienen. Gibt es einen Betriebsrat, bestimmt er bei technischen Einrichtungen mit, die dazu bestimmt sind, Verhalten oder Leistung der Arbeitnehmer zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG).
Audio, Transkript und Zusammenfassung getrennt speichern
Nach dem Grundsatz der Speicherbegrenzung (Art. 5 Abs. 1 lit. e DSGVO) dürfen personenbezogene Daten nur so lange in identifizierbarer Form gespeichert werden, wie der Zweck es erfordert. Geben Sie Audio, Transkript und Zusammenfassung deshalb je eine eigene Frist, denn sie dienen verschiedenen Zwecken. Wie Sie Speicherfristen festlegen und eine Datenschutz-Folgenabschätzung angehen, zeigt der Beitrag zur DSGVO-konformen Telefonanlage.
Mit dieser Trennung beantworten Sie ein Auskunfts- oder Löschersuchen genauer, und Sie können in Telefonanlage, Spracherkennung und CRM gleichzeitig löschen. Ein Löschknopf im CRM reicht dafür nicht. Das Original-Audio liegt in der Telefonanlage, und die Spracherkennung hält unter Umständen eine Zwischenkopie. Jeder dieser Speicherorte braucht seinen eigenen Löschweg.
Zugriffe nach Rollen steuern
Unterscheiden Sie im Rollenmodell mindestens drei Gruppen: die Beraterin, die ihren eigenen Vorgang liest, den Teamleiter, der Stichproben prüft, und die Datenschutzbeauftragte oder den IT-Leiter, die die Regeln verwalten. Den vollen Text sollten nur ausdrücklich berechtigte Rollen öffnen. Protokollieren Sie jeden Zugriff und halten Sie jeden Export nachvollziehbar.
Technisch geht es um Übertragung, Speicherung und Schlüssel, organisatorisch um Anbieter, Unterauftragsverarbeiter, Übermittlungen und menschliche Korrekturen. Ob Sie nur die nötigen Daten verarbeiten und das rechtmäßig tun, müssen Sie selbst belegen, und zwar für Ihre Anrufe, Ihre Nutzer und Ihre Zwecke. Eine Transkription, die nur einzelne Warteschlangen erfasst, lässt sich meist leichter begründen als eine, die für alle Anrufe läuft.
Pilotprojekt mit Odoo, Microsoft Teams und REST-API
Starten Sie das Pilotprojekt in einem Bereich, dessen Ergebnis sich schnell prüfen lässt, etwa in einem Supportteam oder einer Vertriebswarteschlange. Schließen Sie sensible Anrufe von Anfang an per Regel aus. Vergleichen Sie im Test den erzeugten Text mit dem tatsächlichen Gespräch, und prüfen Sie vor allem, ob die angelegten CRM-Felder stimmen.
Sprache und Akustik testen
Ihre Stichprobe sollte den echten Arbeitsalltag abbilden und nicht nur die klaren Anrufe. Dazu gehören die Dialekte Ihrer Kunden, der Lärm am Empfang, Leute, die gleichzeitig reden, Kundennamen, Vorgangsnummern und Fachvokabular.
Messen Sie zwei Werte getrennt. Die Wortfehlerrate zeigt, wo die Spracherkennung an der Sprache scheitert. Die Fehlerrate der CRM-Felder zeigt, ob ein Fehler eine Einstufung, eine Zuordnung oder eine Aktion verändert hat. Fürs Geschäft ist die zweite Zahl oft wichtiger.
Integrationsszenarien prüfen
In Odoo kann der Datenfluss eine Aktivität am Kontakt, am Ticket oder an der Verkaufschance anlegen oder aktualisieren. Halten Sie die Zusammenfassung kurz und geprüft. Eine Aufgabe sollte nur dann automatisch entstehen, wenn der Anruf sicher zugeordnet ist, das Aktionsfeld verständlich ist und die Konfidenzregeln erfüllt sind. Die Schritte auf der Telefonie-Seite beschreibt die Anleitung Odoo mit Voxbi verbinden.
Bei Microsoft Teams kommt es auf die Verbindung zwischen Nutzer, Anruf und CRM-Vorgang an. Die Administration prüft die Leserechte, das Verhalten weitergeleiteter Anrufe und Gespräche mit mehreren Teilnehmern. Ein Teams-Anruf ohne eindeutige Zuordnung gehört in die Klärungswarteschlange und nicht an einen beliebigen Datensatz. Wie Teams als Telefonie-Oberfläche mit einer Cloud-Telefonanlage zusammenspielt, vergleicht der Beitrag zur Teams-Telefonie.
Bei einer REST-API sollten die Tests langsame Antworten, Dubletten, Ereignisse in falscher Reihenfolge und Authentifizierungsfehler abdecken. Ein erneut zugestelltes Ereignis darf keine zweite Aktivität anlegen, sondern muss die vorhandene aktualisieren. Jeder Vorgang trägt einen eindeutigen Status: empfangen, verarbeitet, abgewiesen oder in Klärung. Danach passt die IT oder der Dienstleister die Feldzuordnung an die Objekte an, die Ihr Unternehmen tatsächlich nutzt.
Nach Anwendungsfall einführen
Im Support reicht oft eine Zusammenfassung von Anlass, Symptom und nächster Aktion, während das vollständige Transkript nur die berechtigte Teamleiterin sieht. Der Vertrieb kann die vorgeschlagene Einstufung übernehmen. Einen rechtlich oder kaufmännisch wichtigen Rückruf sollte die Beraterin aber selbst bestätigen.
In einer Klinik, einem Pflegeheim oder einer Behörde können Sie die Transkription für bestimmte Warteschlangen oder Anrufarten abschalten. Das System kann zusätzlich sensible Daten herausfiltern und eine Freigabe verlangen, bevor es eine Aufgabe anlegt. Speichern Sie nur, was dem Ablauf tatsächlich dient.
Mit der Einführung im ganzen Unternehmen sollten Sie warten, bis Zuordnungsfehler, falsch erkannte Eigennamen und unpassende automatische Aufgaben behoben sind. Eine gut genutzte Klärungswarteschlange hält die CRM-Daten verlässlich. Eine vorschnelle Automatik wirkt reibungslos und verschlechtert die Daten trotzdem, nur merkt es lange niemand.
Telefonate transkribieren mit Voxbi
Voxbi ist eine Cloud-Telefonanlage, die in der Europäischen Union entwickelt und gehostet wird. Im Self-Service-Tarif Voxbi Plus AI (€3.10 pro Benutzer und Monat zzgl. MwSt., Anrufe minutengenau abgerechnet) wird jeder Anruf transkribiert und zusammengefasst, ohne Monatslimit für KI-Zusammenfassungen. Dazu kommt Voxbi insights mit KI-Anrufanalyse. Die übrigen Voxbi-One-Tarife Free, Starter, Plus und Channel enthalten 15 KI-Anrufzusammenfassungen pro Monat im Anrufprotokoll.
Voxbi Plus, Plus AI und Channel enthalten Odoo, Microsoft 365 und die API. Microsoft Teams kostet dort €50 pro Monat zusätzlich. In Free und Starter sind diese Integrationen nicht enthalten. Bei Voxbi One richten Sie alles selbst ein und erhalten E-Mail-Support.
Bei Voxbi Managed richtet unser Team die Telefonanlage ein und betreibt sie, mit Telefon-Support und einem SLA mit Ausfallgutschrift. Voxbi Enterprise (€17.10 pro Benutzer und Monat zzgl. MwSt. oder €23.50 mit unbegrenzten Anrufen) bringt Voxbi insights mit KI-Anrufanalyse und bewahrt Aufnahmen 120 Tage auf unserem Server auf. Essential speichert Aufnahmen 3 Tage, Professional 14 Tage und Business 60 Tage. Ab Professional kosten Odoo €29.50 und Microsoft Teams €72.50 pro Monat und Telefonanlage zusätzlich.
Laufender Betrieb und regelmäßige Prüfung

Fragen Sie vor jeder Erweiterung zuerst, ob sie nötig ist. Manche Warteschlangen brauchen gar keine Transkription, und manches Transkript können Sie früh löschen. Beginnen Sie mit wenigen Szenarien und erweitern Sie den Umfang, sobald Sie die typischen Fehler kennen.
Als Grundsatz für den Aufbau empfehlen wir: eine kurze Zusammenfassung im CRM, das ausführliche Transkript mit eingeschränktem Zugriff, das Audio nach einer kurzen, dokumentierten Frist gelöscht. So sehen nur wenige Personen sensible Angaben, und Vertrieb und Support wissen trotzdem, was im Gespräch vereinbart wurde.
Prüfen Sie regelmäßig vier Punkte:
Qualität: Fehler bei Wörtern, Sprechern und CRM-Feldern nachzählen.
Nutzung: Beobachten, ob die Beraterinnen die Zusammenfassungen lesen und vorgeschlagene Aufgaben korrigieren.
Datenschutz: Zugriffe, Löschungen, Exporte und die Zwecke im Verzeichnis kontrollieren.
Sparsamkeit: Warteschlangen abschalten, die wenig Nutzen oder viele sensible Inhalte erzeugen.
Teilen Sie die Verantwortung schriftlich auf. Das Unternehmen legt die Zwecke fest und gibt die Anwendungsfälle frei. Der IT-Dienstleister dokumentiert Datenfluss, Feldzuordnung und Klärungswege. Der Cloud-Anbieter beschreibt Hosting, Unterauftragsverarbeiter und Sicherheitsmaßnahmen, und die oder der Datenschutzbeauftragte prüft das Gesamtbild.
Sie planen ein Pilotprojekt mit gezielter Transkription, kurzer Zusammenfassung im CRM und festen Zugriffsrechten? Schreiben Sie uns an hello@voxbi.com.