Was ist der Unterschied zwischen einem Telefon-Assistenten, der Anliegen aufnimmt, und einem, der Auskunft gibt?

Ein aufnehmender Assistent muss nur zuhören und protokollieren — er kann nichts falsch beantworten, weil er nichts beantwortet. Ein auskunftsfähiger Assistent nennt Fakten, die im Moment des Anrufs stimmen müssen. Dafür braucht er eine Live-Anbindung an das führende System, ein Latenzbudget für die Abfrage und eine Regel, was er sagt, wenn die Daten nicht verfügbar sind.

Wie schnell muss eine Telefon-KI antworten, damit das Gespräch natürlich wirkt?

Als Faustregel gilt rund eine Sekunde zwischen Ende der Frage und Beginn der Antwort. Dieses Budget teilen sich Spracherkennung, Sprachmodell, die eigentliche Datenabfrage und die Sprachausgabe. Wer die Datenabfrage nicht von Anfang an einplant, verliert genau dort die Zeit, die das Gespräch unnatürlich macht.

Was soll die Telefon-KI sagen, wenn die Fahrplandaten gerade nicht erreichbar sind?

Dass sie es nicht verlässlich sagen kann — und dann weiterleiten oder auf eine andere Quelle verweisen. Ein System, das bei Datenausfall trotzdem eine plausible Zeit nennt, ist gefährlicher als eines, das gar nicht erst abhebt. Dieses Verhalten muss explizit gebaut und getestet werden; von allein macht es kein Assistent.

Telefon-KI, die wirklich Auskunft gibt — und warum die meisten es nicht tun

Q: Warum kann ein Sprachassistent den Fahrplan nicht einfach auswendig lernen?

Weil ein Sprachmodell Wahrscheinlichkeiten erzeugt, keine Fakten abruft. Ein einmal eintrainierter Fahrplan ist ab der ersten Fahrplanänderung falsch, und das Modell merkt es nicht. Auskunftsdaten gehören in eine Abfrage zur Laufzeit, nicht in den Prompt und schon gar nicht in die Modellgewichte.

In unserem Audit von zehn Telefon-AI-Anbietern haben wir mehrere hundert produktive Setups angerufen. Eine Beobachtung ist uns dabei erst im Nachhinein aufgefallen, weil sie so selbstverständlich wirkte: Fast alle diese Assistenten nehmen etwas entgegen. Kaum einer beantwortet etwas.

Sie fragen nach dem Anliegen, nach Namen und Rückrufnummer, schlagen einen Termin vor. Das ist nützlich, und es ist vor allem eines: risikoarm. Ein Assistent, der nur protokolliert, kann nichts Falsches sagen — er sagt ja nichts Inhaltliches.

Interessant wird es an der Stelle, an der ein Anrufer eine Auskunft will. Wann fährt der nächste Bus? Ist die Lieferung raus? Habe ich noch Garantie auf das Gerät? Diese Fragen sind der eigentliche Grund, warum Menschen anrufen. Und genau hier hören die meisten Angebote auf.

Der Grund dafür ist kein fehlendes Sprachmodell. Die Modelle können das längst. Der Grund ist, dass Auskunft eine andere Klasse von Problem ist — und drei Dinge verlangt, die im 99-€-Paket nicht vorkommen.

Ein Sprachmodell weiß nichts. Es formuliert.

Nehmen wir eine Fahrplanauskunft im ÖPNV. Ein Anrufer fragt: „Wann fährt der nächste Bus von Greiz nach Zeulenroda?” Es liegt nahe, den Fahrplan einfach in den Prompt zu kippen oder das Modell darauf zu trainieren. Beides ist falsch.

Ein Sprachmodell ruft keine Fakten ab, es erzeugt wahrscheinliche Wortfolgen. Ein eintrainierter oder in den Prompt kopierter Fahrplan ist ab der ersten Fahrplanänderung falsch — und das Modell merkt es nicht. Es wird weiter souverän eine Abfahrtszeit nennen, im selben freundlichen Tonfall wie vorher. Ein Anrufer, der daraufhin bei Regen zwanzig Minuten an der Haltestelle steht, wird das Unternehmen nicht für die KI verantwortlich machen. Er wird es für unzuverlässig halten.

Auskunftsdaten gehören deshalb in eine Abfrage zur Laufzeit gegen das führende System. Im ÖPNV heißt das konkret: die statischen Fahrplandaten im GTFS-Format für Linien, Haltestellen und Sollzeiten, und — wenn Verspätungen beantwortet werden sollen — zusätzlich der Echtzeit-Kanal des Verbunds. Ohne diese Anbindung ist der Assistent kein Auskunftssystem, sondern ein sehr eloquenter Ratgeber.

Dasselbe gilt in jeder anderen Branche. Der Lieferstatus steht im ERP, der Garantieanspruch in der Kundenakte. Wer keinen belastbaren Zugriff auf das führende System hat, kann keine Auskunft automatisieren — er kann nur so tun. Wir haben das an anderer Stelle ausführlicher beschrieben: das Rückgrat ist wichtiger als der Agent.

Das Latenzbudget entscheidet, ob es sich wie ein Gespräch anfühlt

Am Telefon gibt es keine Ladeanimation. Die Faustregel für ein natürlich wirkendes Gespräch liegt bei etwa einer Sekunde zwischen dem Ende der Frage und dem Beginn der Antwort. Alles darüber wird als Aussetzer wahrgenommen; Anrufer fangen an, „Hallo?” zu sagen.

Diese eine Sekunde ist ein Budget, und es hat mehrere Verbraucher:

die Spracherkennung, die zuhört und den Satz abschließt
das Sprachmodell, das versteht, was gefragt wurde
die eigentliche Datenabfrage — der Teil, den reine Terminbot-Anbieter nicht haben
die Sprachausgabe, die den ersten Ton produziert

Wer die Abfrage nicht von Anfang an einplant, merkt das Problem erst im Livebetrieb. Und dann ist es teuer, weil die Architektur schon steht. In der Praxis heißt das: Abfragen vorbereiten, während der Anrufer noch spricht; häufige Fälle wie „nächste Abfahrt ab Haltestelle X” vorhalten statt bei jedem Anruf neu zu berechnen; und mit der Sprachausgabe beginnen, bevor die vollständige Antwort formuliert ist.

Das ist unspektakuläre Ingenieursarbeit. Sie ist der Unterschied zwischen einem System, das benutzt wird, und einem, das nach zwei Wochen abgeschaltet wird.

Der wichtigste Satz ist: „Das kann ich Ihnen gerade nicht verlässlich sagen.”

Jede Datenanbindung fällt irgendwann aus. Die Schnittstelle des Verbunds ist nicht erreichbar, das ERP steht im Wartungsfenster, ein Zertifikat ist abgelaufen. Die entscheidende Frage ist nicht, ob das passiert, sondern was der Assistent in diesem Moment sagt.

Der Standardfall ist der schlechteste: Das System bemerkt den Ausfall nicht sauber, das Sprachmodell bekommt keine Daten — und formuliert trotzdem eine Antwort. Eine plausible. Eine falsche.

Ein auskunftsfähiger Assistent muss deshalb fail-closed gebaut sein: Wenn die Quelle nicht antwortet, sagt er das und leitet weiter, statt zu raten. Das klingt trivial, ist es aber nicht — es bedeutet, dass jeder Abfragepfad einen definierten Fehlerzustand hat, dass dieser Zustand bis zur Antwortlogik durchgereicht wird, und dass er regelmäßig getestet wird. Von allein macht das kein Assistent, und in keinem Anbieter-Dashboard, das wir gesehen haben, war dieses Verhalten überhaupt konfigurierbar.

Wir halten das für den härtesten Prüfstein bei der Anbieterauswahl: Lassen Sie sich vorführen, was das System sagt, wenn die Datenquelle absichtlich abgeschaltet wird.

Die rechtliche Seite bleibt dieselbe

An den Befunden aus unserem Anbieter-Audit ändert eine Auskunftsfunktion nichts, im Gegenteil: Wer Auskünfte gibt, führt tendenziell längere Gespräche mit mehr personenbezogenem Inhalt.

Es bleibt also dabei: klarer Hinweis auf die Aufzeichnung zu Beginn des Gesprächs, eine Einwilligung, die diesen Namen verdient, ein Auftragsverarbeitungsvertrag mit dem Anbieter, der die tatsächlich verarbeiteten Datenarten benennt, und eine dokumentierte Löschfrist. Details dazu stehen im Audit und im AVV-Leitfaden.

Was wir vor einem Projekt prüfen

Bevor über Sprachqualität oder Stimmen gesprochen wird, klären wir diese Punkte — in dieser Reihenfolge:

Welches System führt die Wahrheit? Fahrplan, ERP, Warenwirtschaft, Ticketsystem — und wer ist dafür verantwortlich?
Gibt es eine dokumentierte Schnittstelle, oder muss sie erst gebaut werden?
Werden Echtzeitdaten benötigt (Verspätungen, Bestände) oder reichen Sollzeiten?
Wie oft ändern sich die Daten, und wie erfährt der Assistent davon?
Was passiert bei Ausfall der Quelle — und wurde das getestet?
Welche Fragen darf der Assistent gar nicht beantworten, sondern muss weiterleiten?
Wie klingt die Einwilligung am Gesprächsanfang, und wo ist sie dokumentiert?
Wie wird gemessen, ob die Auskünfte stimmen — nicht ob das Gespräch „gut lief”?

Der letzte Punkt wird am häufigsten übersehen. Anbieter-Dashboards zeigen Anrufdauer, Abschlussquote und Stimmung. Keine dieser Zahlen sagt, ob die genannte Abfahrtszeit richtig war.

Der ehrliche Rahmen

Die reinen Inferenzkosten für Telefonie, Sprachmodell und Sprachausgabe lagen in unserem Audit bei etwa 0,05 bis 0,15 € pro Gesprächsminute. Daran hat sich nichts geändert. Der Aufwand für ein auskunftsfähiges System steckt nicht in diesen Minuten, sondern einmalig in der Datenanbindung und dem Fehlerverhalten — und danach im laufenden Betrieb und in der Prüfung, ob die Auskünfte noch stimmen.

Genau deshalb halten wir wenig davon, direkt ein Vollausbau-Paket zu verkaufen. Der sinnvolle Einstieg ist ein Audit, das klärt, ob die Datenlage das überhaupt hergibt, gefolgt von einem Piloten auf einer Linie, einem Prozess, einem Anwendungsfall. Wenn dieser Pilot verlässlich Auskunft gibt, ist die Ausweitung eine Fleißaufgabe. Wenn nicht, haben Sie es an einer Stelle gemerkt statt an zwanzig.

Wenn Sie wissen wollen, ob Ihre Daten das hergeben, ist der KI-Quick-Check der schnellste Einstieg. Wie ein solcher Assistent bei uns technisch aufgebaut ist, steht auf der Seite zur Telefon-KI.