KI-Sprachagenten für Unternehmen: 8 Anwendungsfälle, die funktionieren

KI-Sprachagenten für Unternehmen sind KI-Assistenten, die ans Telefon gehen, ein natürliches Gespräch führen und daraus etwas Nützliches machen: den Termin buchen, den Lead qualifizieren, die Frage beantworten oder den Anruf an die richtige Person weitergeben. Am besten funktionieren sie bei häufigen Anrufen, die einem Muster folgen, am schlechtesten bei Anrufen, die Urteilsvermögen verlangen.

Im Folgenden: acht Anwendungsfälle, die sich bewähren, was eine Minute kostet, wo die Grenzen liegen und welche EU-Regeln gelten. Der Artikel gehört zu unserem Leitfaden KI-Agenten für Unternehmen.

Was KI-Sprachagenten für Unternehmen eigentlich sind

Ein Sprachagent ist eine Kette aus vier Teilen:

1. Speech-to-Text wandelt das, was der Anrufer sagt, in geschriebenen Text um.
2. Ein Sprachmodell, die Art von KI hinter ChatGPT, entscheidet, was als Nächstes gesagt oder getan wird.
3. Text-to-Speech macht aus der Antwort gesprochene Sprache.
4. Werkzeuge lassen den Agenten handeln: den Kalender prüfen, eine Buchung anlegen, eine Bestellung nachschlagen oder den Anruf weiterleiten.

Der Anrufer spricht, der Agent antwortet innerhalb von etwa einer Sekunde (ElevenLabs nennt eine Zeit bis zum ersten Ton von typischerweise unter einer Sekunde), und in Ihren Systemen passiert etwas.

Ein vereinfachtes Setup (jede Plattform benennt diese Teile anders):

# Vereinfachtes Setup eines Sprachagenten (zur Veranschaulichung)
phone_number: "+49 30 0000000"     # eine Nummer von einem Telefonieanbieter
speech_to_text: Standard des Anbieters
language_model: ein schnelles, mittelgroßes Modell
text_to_speech: eine gewählte Stimme, auf Deutsch und Englisch
first_sentence: "Guten Tag, Sie sprechen mit dem KI-Assistenten der Praxis. Dieses Gespräch wird aufgezeichnet. Wie kann ich helfen?"
tools:
  - check_calendar                  # freie Termine lesen
  - book_appointment
  - send_sms_confirmation
transfer_rule:
  to: "+49 30 0000001"              # Empfang
  when: Anrufer möchte einen Menschen sprechen, ist verärgert oder stellt eine medizinische Frage

Die Stimmen sind sehr überzeugend geworden. ElevenLabs beschreibt seine Agenten als natürlich und menschlich klingend, und unabhängige Forschung bestätigt das: In einer Studie der Queen Mary University of London aus dem Jahr 2025 hielten Zuhörer mit den Tools von ElevenLabs erstellte Stimmklone etwa genauso oft für menschlich wie echte Aufnahmen von Menschen (70 % gegenüber 72 %). Open-Source-Modelle holen auf. Chatterbox von Resemble AI, veröffentlicht unter der MIT-Lizenz, hat ein Turbo-Modell, das für Sprachagenten gebaut ist. Im Blindtest des Unternehmens gegen ElevenLabs Turbo v2.5 bevorzugten Zuhörer Chatterbox in etwa 65 % von 2.500 Bewertungen. Es ist ein vom Anbieter durchgeführter Test gegen ein älteres ElevenLabs-Modell, werten Sie ihn also als Hinweis. Trotzdem: Eine gute Stimme selbst zu betreiben, wird günstiger.

Wie ein Sprachagent eine echte Telefonnummer bekommt

Sie haben drei Möglichkeiten.

• Eine neue Nummer von einem Telefonieanbieter. Twilio und ähnliche Anbieter vermieten Nummern in vielen Ländern; eine lokale US-Nummer kostet 1,15 $ im Monat.
• Ihre bestehende Nummer weiterleiten. Leiten Sie Anrufe nach 18:00 Uhr an die Nummer des Agenten weiter, oder wenn innerhalb von 20 Sekunden niemand abnimmt. Der sicherste Einstieg.
• Ihre Nummer portieren. Ziehen Sie Ihre bestehende Nummer zu einem neuen Anbieter um, so wie eine Handynummer beim Wechsel des Mobilfunkanbieters (der Ablauf bei Twilio). Tun Sie das erst, wenn sich das Pilotprojekt bewährt hat.

SIP (Session Initiation Protocol) ist der Standard, über den Internet-Telefonanlagen Gespräche verbinden. Über eine SIP-Verbindung kann Ihre bestehende Telefonanlage also Anrufe an den Agenten senden und wieder zurückbekommen. ElevenLabs zum Beispiel unterstützt das.

Die Anbindung an Kalender und CRM

Ein Sprachagent ohne Werkzeuge ist ein Anrufbeantworter mit guten Manieren. Der Wert liegt in dem, was er während des Gesprächs tut: freie Termine prüfen, die Buchung anlegen, den Anrufer in Ihr CRM eintragen (Customer Relationship Management, das System, in dem der Vertrieb Kontakte und Deals verwaltet) oder eine Reparaturanfrage erfassen. Die Wege dorthin beschreiben wir in wie Sie einen KI-Agenten mit ERP und CRM verbinden. Geben Sie dem Agenten nur den engsten Zugriff, der für die Aufgabe reicht.

Voice AI Anwendungsfälle nach Funktion

1. Eingehender Support für wiederkehrende Fragen. Öffnungszeiten, Bestellstatus, „Ist meine Erstattung schon durch?“. Der Agent antwortet aus einer Wissensdatenbank und schlägt Bestelldaten nach. Für Sprach-KI im Kundenservice ist der Maßstab einfach: Wie viele Anrufe enden mit beantworteter Frage und ohne Weiterleitung?

2. Termine buchen und verschieben. Der Anrufer möchte Dienstagnachmittag; der Agent bietet zwei Termine an, bucht einen und schickt eine Bestätigung per SMS. Vergessen Sie das Verschieben nicht: Diese Anrufe unterbrechen das Personal den ganzen Tag und brauchen selten einen Menschen.

3. Lead-Qualifizierung. Ein Interessent ruft wegen eines Angebots an. Der Agent stellt die Fragen, die Ihr Vertrieb immer stellt (was gebraucht wird, wo, wie schnell, ungefähres Budget), trägt die Antworten ins CRM ein und bucht für passende Leads ein Gespräch mit einem Vertriebsmitarbeiter. Der Beispiel-Prompt für Agenten von ElevenLabs selbst erfasst genau das: Name, Unternehmen, das Problem, den Zeitrahmen und jeden Hinweis auf ein Budget.

4. Erinnerungen und Bestätigungen. Ausgehende Anrufe an Menschen, die bereits eine Beziehung zu Ihnen haben: „Ihr Termin ist morgen um 10:00 Uhr, passt Ihnen das noch?“ Wenn nicht, bucht der Agent direkt um. Prüfen Sie vorher die Regeln Ihres Landes zu automatisierten ausgehenden Anrufen; manche verlangen eine vorherige Einwilligung.

Voice AI Anwendungsfälle nach Branche

Dieselben Bausteine, eingesetzt dort, wo verpasste Anrufe echtes Geld kosten.

5. Handwerk: Installateure, Elektriker, Heizungsbauer. Die Person, die ans Telefon gehen könnte, liegt meist gerade unter einem Waschbecken. Ein KI-Telefonassistent nimmt ab, trennt Notfälle („Das Wasser kommt durch die Decke“) von Routineaufträgen, nimmt die Adresse auf, lässt sich Fotos per Textnachricht schicken und bucht entweder einen Termin oder leitet den Notfall an die Person im Bereitschaftsdienst weiter.

6. Praxen: Zahnarzt, Physiotherapie, Tierarzt. Eine KI-Telefonzentrale übernimmt Buchungen, Absagen und Anrufe nach dem Muster „Haben Sie etwas Früheres?“. Die feste Regel: keine medizinische Beratung. Jede Frage zu Symptomen, Medikamenten oder Befunden geht direkt an einen Menschen.

7. Immobilien: Makler und Hausverwaltungen. Besichtigungsanfragen und Schadensmeldungen von Mietern. Der Agent bucht Besichtigungen und macht aus „Der Boiler macht Geräusche“ ein strukturiertes Reparaturticket mit Adresse, Problem und Rückrufnummer.

8. Gastgewerbe: Restaurants und Hotels. Tischreservierungen, späte Anreisen, Wünsche zur Ernährung. Gäste rufen in ihrer eigenen Sprache an: ElevenLabs nennt für seine Agentenmodelle über 90 Sprachen. Ein Hotel in Tunis oder Marrakesch kann auf einer Nummer Arabisch, Französisch und Englisch anbieten, sofern jede Sprache getestet ist (siehe die Grenzen weiter unten).

Was es kostet

Sprachagenten werden pro Minute abgerechnet. Wir haben die offiziellen Preisseiten am 24. Oktober 2026 geprüft. Alle Preise sind in US-Dollar, ohne Mehrwertsteuer, und ändern sich häufig.

Ein Beispiel zur Veranschaulichung, mit erfundenen Annahmen, keine Kundendaten: Eine Praxis erhält 1.500 Anrufe im Monat mit durchschnittlich 3 Minuten, also 4.500 Minuten. Für ElevenLabs nehmen wir 0,04 $ pro Minute für das KI-Modell an, den Wert, den der Rechner von Retell für sein Standardmodell verwendet.

Eine Minute mit allen Kosten landet also bei rund 0,08 $ bis 0,13 $. Das ist nur die Nutzungsrechnung; der eigentliche Aufwand steckt in Einrichtung, Tests und dem Auswerten von Gesprächen. Am stärksten schwankt das KI-Modell, aus den Gründen, die wir in Token-Kosten von KI-Agenten erklären: Ein größeres Modell und längere Anweisungen kosten mehr pro Minute.

Grenzen: Akzente, Sprachen und Übergabe an einen Menschen

Akzente und Dialekte. Speech-to-Text ist nur so gut wie das, womit es trainiert wurde. Eine von Stanford geleitete Studie aus dem Jahr 2020 zu fünf großen Spracherkennungssystemen fand eine durchschnittliche Fehlerquote von 35 % der Wörter bei schwarzen amerikanischen Sprechern gegenüber 19 % bei weißen Sprechern. Die Systeme sind seitdem besser geworden, testen Sie aber mit Aufnahmen Ihrer echten Anrufer. „Unterstützt Arabisch“ sagt Ihnen nicht, wie das System mit tunesischem oder marokkanischem Dialekt gemischt mit Französisch umgeht.

Lärm und schlechte Verbindungen. Anrufer auf einer Baustelle oder mit schwachem Mobilfunksignal sind schwerer zu verstehen, und der Sprecherwechsel kann immer noch schiefgehen: Der Agent fällt in einer Pause ins Wort oder redet über jemanden hinweg. Testen Sie das.

Übergabe an einen Menschen. Davon hängt ab, ob Anrufer dem System vertrauen. Retell führt die Anrufweiterleitung als Funktion auf, und ElevenLabs hat ein Weiterleitungswerkzeug, das den Anruf an eine Telefonnummer übergibt, wenn von Ihnen festgelegte Bedingungen erfüllt sind. Schreiben Sie diese Bedingungen auf: Der Anrufer möchte einen Menschen sprechen, wird ärgerlich, beschwert sich, spricht Gesundheit, Geld oder rechtliche Fragen an, oder der Agent versteht ihn zweimal nicht. Geben Sie bei der Übergabe eine kurze Zusammenfassung mit, und wenn niemand frei ist, bieten Sie einen Rückruf zu einer zugesagten Zeit an.

Ein Telefonagent ist außerdem eine Tür in Ihre Systeme: Jemand kann versuchen, ihn dazu zu überreden, die Buchung eines anderen Kunden preiszugeben. Die Regeln zu Berechtigungen aus Sicherheitsrisiken von KI-Agenten gelten für Sprache genauso wie für Text.

Recht: KI-Hinweis und Einwilligung zur Gesprächsaufzeichnung in der EU

Dies sind allgemeine Informationen, keine Rechtsberatung. Lassen Sie Ihr Setup in jedem Land, in dem Sie Anrufe annehmen, von einem Anwalt prüfen.

Sagen Sie Anrufern, dass sie mit einer KI sprechen. Artikel 50 des AI Act (KI-Verordnung der EU) besagt, dass Systeme, die direkt mit Menschen interagieren, so gestaltet sein müssen, dass diese Menschen informiert werden, dass sie es mit einem KI-System zu tun haben, es sei denn, das ist für eine angemessen informierte Person offensichtlich. Diese Transparenzpflicht gilt ab dem 2. August 2026; der Digital Omnibus hat nur für die Kennzeichnung KI-generierter Inhalte aus bereits auf dem Markt befindlichen Systemen mehr Zeit gegeben, bis zum 2. Dezember 2026. Und je menschlicher der Agent klingt, desto weniger offensichtlich ist es. Realismus hebt die Pflicht also nicht auf. Legen Sie es im ersten Satz jedes Gesprächs offen. Die weiteren Regeln behandeln wir in KI-Agenten, DSGVO und AI Act.

Aufzeichnungen und Transkripte fallen unter die DSGVO. Eine Aufnahme der Stimme eines Menschen und das Transkript dessen, was er gesagt hat, sind personenbezogene Daten. Sie brauchen eine Rechtsgrundlage, um sie zu speichern, Sie müssen Anrufer informieren, was Sie aufzeichnen, warum und wie lange, und Sie dürfen die Daten nur so lange speichern, wie Sie sie brauchen. Zudem arbeitet ein Sprachagent von Haus aus mit einem Transkript des Gesprächs. Wenn Sie die Audioaufzeichnung abschalten, heißt das also nicht, dass Sie das Gesagte nicht verarbeiten.

Nationale Regeln unterscheiden sich. Zwei Beispiele:

• Deutschland. Nach § 201 StGB (Verletzung der Vertraulichkeit des Wortes) wird mit Freiheitsstrafe bis zu drei Jahren oder mit Geldstrafe bestraft, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt. Holen Sie in der Praxis vor der Aufzeichnung eine Einwilligung ein.
• Frankreich. In ihren Leitlinien zur Aufzeichnung von Telefonaten am Arbeitsplatz sagt die Datenschutzbehörde CNIL, dass Anrufer zu Beginn des Gesprächs informiert werden müssen, dass es aufgezeichnet wird, zu welchem Zweck und dass sie widersprechen können, wobei die vollständigen Informationen auf einer Website verfügbar sein sollen. Aufnahmen sollten in der Regel nicht länger als sechs Monate aufbewahrt werden.

Eine vernünftige Grundeinstellung: KI und Aufzeichnung im ersten Satz offenlegen, Anrufern die Möglichkeit geben, zu widersprechen oder einen Menschen zu verlangen, Transkripte nur so lange aufbewahren, wie Sie sie brauchen, und die Audiodateien früher löschen.

So führen Sie ein Pilotprojekt durch

Vier bis sechs Wochen, eine Frage: Bewältigt der Agent eine Art von Anruf gut genug, um ihn zu behalten?

1. Wählen Sie eine Anrufart. Buchungsanrufe oder Anrufe außerhalb der Öffnungszeiten, nicht „alle Anrufe“. Zählen Sie, wie viele Sie heute bekommen und wie viele Sie verpassen. Das ist Ihr Ausgangswert.
2. Beginnen Sie mit Weiterleitung. Leiten Sie nur unbeantwortete Anrufe oder Anrufe außerhalb der Öffnungszeiten weiter. Ihre Hauptleitung bleibt unberührt.
3. Schreiben Sie das Skript und die Übergaberegel. Den ersten Satz (Hinweis auf KI und Aufzeichnung), die Fragen, die der Agent stellen muss, was er buchen darf und wann genau er übergibt.
4. Testen Sie zuerst intern. Ihr Team ruft 50 Mal an: unhöfliche Anrufer, starke Akzente, Hintergrundlärm.
5. Gehen Sie live und hören Sie zu. Lesen Sie in der ersten Woche täglich die Transkripte, danach wöchentlich. Verfolgen Sie Anrufe ohne Weiterleitung, abgeschlossene Buchungen, Weiterleitungen und Beschwerden.
6. Entscheiden Sie anhand der Zahlen. Vergleichen Sie die Monatsrechnung mit den Anrufen, die Sie früher verpasst haben. Wenn es funktioniert, erweitern Sie die Zeiten oder nehmen Sie eine zweite Anrufart dazu.

Unter der Haube nutzt ein Sprachagent dieselben Bausteine wie die Chatbots und Assistenten, die wir bauen: Antworten aus Ihren eigenen Dokumenten und eine saubere Übergabe an einen Menschen.

FAQ

Was sind KI-Sprachagenten für Unternehmen?

Das sind KI-Assistenten, die mit natürlicher Stimme Anrufe annehmen und selbst anrufen. Verbunden mit Ihrem Kalender oder CRM können sie Termine buchen, Leads qualifizieren oder eine Nachricht aufnehmen und den Anruf an einen Menschen übergeben, wenn es nötig ist.

Was kostet ein KI-Sprachagent?

Auf den Plattformen, die wir am 24. Oktober 2026 geprüft haben, kostet eine Minute mit allen Kosten rund 0,08 $ bis 0,13 $, einschließlich KI-Modell und Telefonleitung. In unserem Beispiel zur Veranschaulichung mit 1.500 Anrufen im Monat und durchschnittlich drei Minuten ergibt das etwa 370 $ bis 580 $ im Monat, vor Einrichtungsaufwand und Mehrwertsteuer.

Kann ich meine bestehende Geschäftsnummer behalten?

Ja. Sie können Anrufe von Ihrer aktuellen Nummer an die Nummer des Agenten weiterleiten, zum Beispiel nur außerhalb der Öffnungszeiten oder wenn niemand abnimmt, oder Sie portieren Ihre Nummer zu einem Telefonieanbieter, der sie mit dem Agenten verbindet. Die Weiterleitung ist der einfachere Weg, um ein Pilotprojekt zu starten.

Muss ich Anrufern sagen, dass sie mit einer KI sprechen?

In der EU ja, sofern es nicht ohnehin offensichtlich ist. Artikel 50 des AI Act verlangt von Systemen, die direkt mit Menschen interagieren, klarzumachen, dass es sich um KI handelt, und diese Pflicht gilt ab dem 2. August 2026. Heutige Stimmen klingen so menschlich, dass Anrufer es nicht unbedingt erraten. Sagen Sie es also im ersten Satz des Gesprächs.

Kann ein Sprachagent einen Anruf an einen Menschen übergeben?

Ja, und das sollte er auch. Die großen Plattformen können ein laufendes Gespräch an eine Telefonnummer weiterleiten, wenn von Ihnen festgelegte Bedingungen erfüllt sind, etwa bei einem verärgerten Anrufer oder einer medizinischen Frage, idealerweise mit einer kurzen Zusammenfassung.

Sie denken über einen KI-Telefonagenten für Ihr Unternehmen nach? Buchen Sie ein Gespräch, und wir helfen Ihnen, die erste Anrufart für die Automatisierung auszuwählen und zu berechnen, was sie kosten würde.