Was ist ein KI-Voice-Agent? Echtzeit-KI am Telefon erklärt

Ein KI-Voice-Agent ist eine KI, die ein gesprochenes Gespräch in Echtzeit führt – meist am Telefon oder in einem Sprach-Widget auf einer Website – und dabei Aktionen ausführen kann, etwa einen Termin buchen oder eine Bestellung nachschlagen. Ein KI-Rezeptionist ist ein KI-Voice-Agent, der dafür eingerichtet ist, Anrufe für ein Unternehmen anzunehmen.

Voice-Agent, Chatbot und Telefonmenü

Die Bausteine

1. Telefonie: Der Anruf kommt über das Telefonnetz (SIP) oder einen Browser (WebRTC) und wird als Audio an die KI gestreamt.
2. Zuhören: Die Spracherkennung macht aus Audio Verständnis, und ein Modell für den Sprecherwechsel beurteilt, ob der Anrufer fertig gesprochen hat.
3. Nachdenken: Ein Sprachmodell entscheidet anhand der Anweisungen und des Wissens des Unternehmens, was gesagt oder getan wird.
4. Handeln: Über „Function Calling“ schlägt der Agent freie Zeiten nach, legt Buchungen an, sendet SMS oder ruft den Bestellstatus ab.
5. Sprechen: Die Sprachsynthese – oder ein Speech-to-Speech-Modell, das Zuhören, Nachdenken und Sprechen in einem erledigt – liefert die Antwort als natürliche Sprache.
6. Protokollieren: Aufzeichnung, Transkript und Zusammenfassung, damit das Gespräch später nachvollzogen werden kann.

Die halbe Sekunde, die alles entscheidet

Im normalen Gespräch antworten wir einander nach wenigen hundert Millisekunden. Ein Voice-Agent muss in etwa derselben Zeit hören, dass der Anrufer fertig ist, verstehen, entscheiden und zu sprechen beginnen. Wartet er zu lange, wirkt er langsam; antwortet er zu schnell, fällt er ins Wort. Die drei wichtigsten Qualitätsmerkmale eines Voice-Agents sind daher:

• Antwortzeit vom Moment, in dem der Anrufer aufhört zu sprechen, bis der Agent beginnt.
• Sprecherwechsel: Fällt er mitten in einer Denkpause ins Wort?
• Barge-in: Hört er auf zu sprechen, wenn der Anrufer ihn unterbricht?

Ein kleiner Kniff: Gute Agenten sagen „Einen Moment, ich schaue kurz im Kalender nach“, während sie etwas abfragen – genau wie ein Mensch.

Eingehend und ausgehend

Ein Voice-Agent kann Anrufe annehmen (eingehend) und selbst anrufen (ausgehend) – zum Beispiel mit Erinnerungen am Tag vor einem Termin oder beim Nachfassen zu einem Angebot. Die Regeln für beides unterscheiden sich; lesen Sie eingehende und ausgehende KI-Anrufe.

Was kann schiefgehen?

• Falsch verstandene Namen und Nummern: gelöst, indem der Agent wiederholt und bestätigt.
• Antworten ohne Grundlage: Der Agent sollte nur auf Basis der Informationen des Unternehmens antworten und ansonsten sagen, dass man sich meldet.
• Lärm und schlechte Verbindungen: Der Agent sollte den Anrufer bitten, sich zu wiederholen, statt zu raten.
• Kunden, die einen Menschen sprechen möchten: müssen das immer dürfen. Siehe Weiterleitung an einen Menschen.

Möchten Sie tiefer einsteigen?

Die aktuellen Entwicklungen bei Echtzeitmodellen, Sprachtechnologie und KI-Regulierung finden Sie in die neueste KI-Technologie 2026, oder hören Sie, wie ein Voice-Agent in der Praxis klingt.