Zum Inhalt springen
Alle Artikel

KI-Telefonassistent: Was beim Bau trägt und was schiefgeht

Anrufer hören den ersten Ton nach 0,6 Sekunden, auf der Tonspur gemessen. Aufbau, Fehler, Grenzen und Prüfung eines KI-Telefonassistenten.

Stand: 11.11.2026. Die Zeiten sind auf der Tonspur von Messanrufen über eine echte Telefonleitung gemessen, jeweils ab dem Ende der Frage des Anrufers.

Mit einem KI-Telefonassistenten erreicht jeder Anrufer jemanden, auch wenn keiner kann. Er klingt nicht nach Ansage, setzt nach gut einer halben Sekunde ein und antwortet nach ein bis zwei Sekunden. Danach steht der Termin im Kalender und die Zusammenfassung im Postfach. Gut wird der Assistent durch die Arbeit um das Sprachmodell herum. Festzulegen ist, was er sagen darf, was er nie sagt und wie er geprüft wird, bevor ein Kunde anruft.

Wo ohne Telefonassistent Anfragen verloren gehen

Nach Angaben unserer Kunden nimmt in Praxen im Alltag rund 80 Prozent der Anrufe niemand an. Wer behandelt, kann nicht ans Telefon. In anderen Branchen schätzen unsere Kunden den Anteil auf 40 bis 50 Prozent. Der Meister steht in der Werkstatt, die Steuerberaterin sitzt im Mandantengespräch, der Makler ist bei einer Besichtigung.

Ein Anrufbeantworter hilft wenig, wenn der Anrufer jetzt jemanden sprechen will und die nächste Nummer auf der Karte einen Fingertipp entfernt ist. Website, Google-Profil und KI-Suche bringen den Anruf. Klingelt es dann ins Leere, geht die Anfrage an der teuersten Stelle verloren. Wie viele Anrufe es in Ihrem Betrieb sind, zeigt die Anrufliste Ihrer Telefonanlage.

Aufbau eines Telefonassistenten, der nichts Falsches zusagt

Die Assistenten, die wir bauen, arbeiten in drei Schritten. Die Spracherkennung von Deepgram schreibt mit, was der Anrufer sagt. Das Sprachmodell Claude Opus 5.5 von Anthropic liest den Text, die Kundenakte und das Wissen über den Betrieb und formuliert die Antwort. Die Stimme von ElevenLabs, Modell v4 Turbo, spricht sie. Spracherkennung und Stimme laufen bei Twilio, das auch die Telefonleitung stellt.

Zwischen Sprachmodell und Stimme sitzt eine Prüfung. Jeder Satz geht durch sie, bevor er gesprochen wird. Nennt das Modell eine Zahl, einen Preis oder eine Frist, die nicht in den freigegebenen Angaben steht, wird der Satz ersetzt. Bei Modellen, die in einem Schritt hören und sprechen, etwa GPT Realtime von OpenAI, geht das nicht. Warum wir deshalb bei der Kette bleiben, steht im Beitrag ElevenLabs oder GPT Realtime.

Fehler, die beim Bau passieren

Der Assistent fragt nach, was er schon weiß. Der Anrufer nennt seinen Namen, der Assistent fragt trotzdem nach der Firma, und der Anrufer ist genervt. Die Ursache kann im Code dahinter liegen. Verlangt die Kundensuche zwei Merkmale, fragt das Modell gehorsam nach dem zweiten. Abhilfe schafft eine Erkennung im Code vor jeder Antwort. Ruft eine gespeicherte Nummer an, begrüßt der Assistent den Anrufer gleich mit Namen.

Die Stille-Erkennung schlägt zu früh an. Fragt der Assistent schon nach neun Sekunden „Hallo? Sind Sie noch da?“, kommt er einem Anrufer zuvor, der noch überlegt. 15 Sekunden Wartezeit lassen dem Anrufer Zeit.

Das kleinere Modell ist nicht schneller. Wir haben Claude Opus 5.5 und Claude Sonnet 5.5 mit derselben echten Anweisung gemessen. Sonnet 5.5 war nicht schneller und griff zu früh zum Kalender, noch bevor klar war, was der Anrufer wollte. Opus 5.5 im schnellen Modus war inhaltlich am stärksten und kam direkt am Modell nach 1,0 bis 1,5 Sekunden zum ersten Wort. Der schnelle Modus kostet den doppelten Preis je Token.

Nicht jede Stimme trägt am Telefon. Manche deutsche Stimme spielt über die Telefonleitung gar nicht, der Anbieter bricht mit einer Fehlermeldung ab. Mit mehr Schwankung klingt eine Stimme im selben Satz euphorisch und nüchtern. Ein fester Tonfall-Hinweis vor jedem Satz klingt nach Bandansage. Bewährt hat sich eine Stimmung je Antwort, ausgewählt aus wenigen festen.

Wie schnell ein Assistent antwortet, gemessen auf der Tonspur

Die Protokolle der Systeme sagen wenig darüber, was der Anrufer hört. Wir messen über eine echte Telefonleitung und werten die Tonspur aus: vom Ende des Satzes des Anrufers bis zum ersten Ton der Antwort.

Ohne Optimierung liegt diese Lücke in unserem Aufbau im Schnitt bei 1,65 Sekunden. Sie setzt sich so zusammen:

AbschnittDauer
Spracherkennung meldet „Satz ist fertig“rund 0,5 s
bis das Sprachmodell antwortetrund 0,6 s
Nachdenken vor dem ersten Wort0 bis 0,9 s
bis der erste Halbsatz steht0,05 bis 0,3 s
Stimme erzeugt den ersten Tonrund 0,13 s

Eine Spracherkennung, die das Satzende selbst vorhersagt, war in unseren Messungen mit 1,5 bis 2,3 Sekunden langsamer. Ein Vorlauf, bei dem das Modell schon rechnet, während der Anrufer den Satz beendet, senkt die Wartezeit im Modell deutlich, am Ohr aber kaum. Die Streuung kommt vom Nachdenken vor dem ersten Wort.

Geholfen hat ein kurzer Laut, wie ihn Menschen am Telefon auch machen. Auf eine echte Frage kommt sofort ein „Mhm“ oder „Also“, danach die Antwort. Der erste Ton liegt damit bei 0,62 bis 0,66 Sekunden, die Antwort selbst kommt nach 1,1 bis 1,9 Sekunden. Bei Abschied, Beschwerde und Ärger bleibt der Laut weg, und nach zwei Lauten antwortet der Assistent einmal ohne.

Was ein Assistent nicht darf

Die meiste Arbeit steckt in den Grenzen. Diese Regeln bauen wir in jeden Assistenten ein:

  • Keine Zahl ohne Beleg. Preise, Fristen und Zusagen nennt er nur, wenn sie in den freigegebenen Angaben des Betriebs stehen.
  • Keine Auskunft an fremde Nummern. Am Telefon gilt die gespeicherte Nummer als Ausweis. Ruft jemand von einer anderen Nummer an, sagt der Assistent offen, dass er dazu nichts sagen darf, und bietet einen Rückruf an.
  • Kein Ton auf Band. Mitgeschrieben wird der Text, aufgenommen wird nichts. Fragt ein Anrufer, sagt der Assistent das.
  • Der KI-Hinweis kommt zu Beginn. Nach den Leitlinien der EU-Kommission vom 05.11.2026 reicht das Wort „Assistent“ allein nicht. Der Assistent sagt deshalb in der Begrüßung, dass er eine KI ist, und behauptet nie, ein Mensch zu sein.
  • Kein Auflegen ohne Abschied und keine Begriffe aus dem Innenleben des Systems.

Was davon Pflicht ist und was Entscheidung des Betriebs, steht im Beitrag KI-Telefonassistent und DSGVO.

Wie geprüft wird, bevor ein echter Anrufer dran ist

Bevor ein Assistent live geht, spielen wir über hundert Gesprächslagen durch. Darunter sind Stammkunde, neuer Interessent, Bewerber, Werbeanruf, Beschwerde, ein Anrufer, der nur den Chef will, und einer auf Englisch. Vor jeder Änderung am Code laufen zwanzig dieser Gespräche gegen den echten Aufbau. Ist eines rot, wird nicht ausgeliefert.

Binnen einer Stunde nach jedem echten Anruf prüft ein zweites Modell das Gespräch und gibt eine Note für Inhalt und Fluss. Schlechte Gespräche landen auf einer Liste. Jede Korrektur tragen wir als eigene Regel ein. Sie greift ab dem nächsten Anruf.

Was eine Gesprächsminute kostet

Für Spracherkennung und Stimme berechnet Twilio laut Preisliste 0,07 US-Dollar je Gesprächsminute, dazu kommt ein US-Cent je Minute für die Leitung des eingehenden Anrufs. Das Sprachmodell kommt dazu, je nach Modell und Menge des Wissens, das es bei jeder Antwort mitliest.

Die Minute ist der kleinste Posten. Teuer sind Aufbau, Prüfung und Pflege. Wie sich das für einen Betrieb rechnet, steht im Beitrag Was kostet ein KI-Telefonassistent?

Was Sie für Ihren Assistenten übernehmen können

  1. Mit der Prüfung anfangen. Schreiben Sie zuerst die Liste der Gespräche, die sitzen müssen.
  2. Auf der Tonspur messen. Protokolle messen die Wartezeit oft erst ab der Meldung der Spracherkennung. Die halbe Sekunde davor sieht nur die Tonspur.
  3. Wissen an einer Stelle. Assistent am Telefon und Assistent im Chat lesen dasselbe Wissen. Eine Korrektur gilt sofort für beide.
  4. Grenzen im Code prüfen. Ein Modell hält sich meistens an eine Anweisung. Die Prüfung im Code greift bei jedem Satz.

Wie bei Ihnen jeder Anruf angenommen wird, steht auf der Seite zum KI-Telefonassistenten.

Häufige Fragen

Was kann ein KI-Telefonassistent heute?

Er beantwortet Fragen aus den freigegebenen Angaben des Betriebs, bucht Termine im angebundenen Kalender und erkennt Stammkunden an der Nummer. Weiß er etwas nicht, nimmt er eine Rückrufbitte auf. Nach jedem Anruf kommt eine Zusammenfassung per Mail.

Wie schnell antwortet ein KI-Telefonassistent?

In unseren Messungen kommt auf eine Frage nach 0,62 bis 0,66 Sekunden ein kurzer Laut und nach 1,1 bis 1,9 Sekunden die Antwort. Gemessen ist das auf der Tonspur ab dem Ende der Frage. Ohne Optimierung liegt die Lücke im Schnitt bei 1,65 Sekunden.

Merken Anrufer, dass sie mit einer KI sprechen?

Ja, das sollen sie. Nach den Leitlinien der EU-Kommission vom 05.11.2026 muss der Hinweis ausdrücklich und zu Beginn kommen. Die Assistenten, die wir bauen, sagen in der Begrüßung, dass sie eine KI sind, und behaupten nie, ein Mensch zu sein.

Welches Sprachmodell eignet sich für einen Telefonassistenten?

In unserem Vergleich war Claude Opus 5.5 im schnellen Modus inhaltlich am stärksten. Mit 1,0 bis 1,5 Sekunden bis zum ersten Wort war es nicht langsamer als Claude Sonnet 5.5, das zu früh zum Kalender griff.

Der nächste Schritt

Drei Betriebe stehen vor Ihnen. Die bekommen Ihre Anfragen.

Wer in Ihrem Ort sucht, sieht eine Handvoll Namen. Steht Ihrer nicht darunter, ist der Auftrag vergeben, bevor Sie davon erfahren. Im Gespräch erfahren Sie, woran es liegt.

Ablauf des Gesprächs

  1. Vorab prüfen wir, wo Sie bei Google und auf der Karte stehen, welche Betriebe in Ihrem Ort an Ihrer Stelle genannt werden und welche Fragen Ihre Seite einem Suchenden beantwortet.
  2. Im Termin gehen wir die Befunde an Ihrer eigenen Seite durch. Sie sehen, welche Anfragen Ihnen heute verloren gehen und warum.
  3. Am Ende stehen die Maßnahmen, ihre Reihenfolge und der Preis. Rechnet es sich für Ihren Betrieb nicht, sagen wir ab. Das kommt vor.
Strategiegespräch vereinbaren 4,8 auf Trustpilot · 283+ Betriebe vertrauen der Blacklyne-Gruppe