So funktioniert ein KI-Telefonassistent – vom Klingeln bis zum Eintrag im CRM
Hinter einem natürlich klingenden Telefonat stecken mehrere Bausteine, die in Sekundenbruchteilen zusammenarbeiten. Hier sehen Sie, was jeder davon tut, wo die Grenzen liegen und welche Stellschrauben Sie selbst in der Hand haben.
Fünf Bausteine, ein Gespräch
Ein KI-Telefonassistent ist kein einzelnes Programm, sondern eine Kette. Ruft jemand an, leitet Ihre Telefonanlage das Gespräch an den Assistenten weiter. Dort hört eine Spracherkennung zu und schreibt mit. Ein Sprachmodell liest den Text, versteht das Anliegen und entscheidet, was als Nächstes passiert. Es greift dabei auf eine Wissensbasis mit Ihren Informationen zurück und kann über Anbindungen Termine eintragen oder Daten speichern. Die Sprachausgabe macht aus der Antwort wieder gesprochene Sprache.
Das alles passiert für jeden Satz neu. Damit das Gespräch flüssig wirkt, muss die Kette schnell sein: Pausen von mehr als einer Sekunde empfinden Anrufer als holprig. Deshalb spielt neben der Qualität der einzelnen Bausteine auch die Latenz, also die Verzögerung im Netz und in der Verarbeitung, eine große Rolle.
Was im Hintergrund passiert
Spracherkennung
Wandelt das Gesprochene laufend in Text um (Speech-to-Text). Sie muss mit Telefonqualität, Hintergrundlärm und Dialekt klarkommen. Namen und Hausnummern lässt der Assistent zur Sicherheit wiederholen.
Sprachmodell
Ein großes Sprachmodell (LLM) versteht den Sinn, auch wenn jemand umständlich formuliert, und formuliert die Antwort. Es arbeitet nach Ihren Vorgaben: Rolle, Tonfall, erlaubte Themen, feste Abläufe.
Wissensbasis
Öffnungszeiten, Leistungen, Zuständigkeiten, häufige Fragen. Der Assistent antwortet nur aus diesem freigegebenen Wissen. Was dort nicht steht, sagt er auch nicht – er nimmt stattdessen eine Rückrufbitte auf.
Werkzeuge
Über Schnittstellen (API) liest und schreibt der Assistent in Ihren Systemen: freie Termine im Kalender, Kontakt im CRM, Ticket im Servicesystem, E-Mail an ein Team-Postfach.
Sprachausgabe
Eine synthetische Stimme liest die Antwort vor. Sie klingt natürlich, imitiert aber keine echte Person. Name und Begrüßung des Assistenten legen Sie fest.
Übergabe
Erkennt der Assistent, dass er nicht weiterkommt oder der Anrufer einen Menschen möchte, stellt er über die Telefonanlage durch oder legt eine Rückrufbitte mit Zusammenfassung an.
Ein Anruf, Schritt für Schritt mitgelesen
Fiktives Beispiel: Eine Anruferin möchte einen Beratungstermin. Rechts steht jeweils, welcher Baustein gerade arbeitet.
Anlage leitet weiter
Alle Kolleginnen sind im Gespräch, die Rufgruppe ist besetzt. Die Telefonanlage gibt den Anruf nach 20 Sekunden an den Assistenten.
TelefonanlageBegrüßung
Assistent: „Guten Tag, hier ist der digitale Assistent der Firma. Ich bin eine KI. Wie kann ich Ihnen helfen?“
SprachausgabeAnliegen verstehen
Anruferin: „Ja, hallo, ich hätte gern mal einen Termin, wegen dem Angebot, das Sie mir geschickt haben.“ Das Sprachmodell erkennt: Terminwunsch, Bestandskundin.
Spracherkennung + SprachmodellNachfragen
Assistent: „Gern. Auf welchen Namen läuft das Angebot?“ – Anruferin: „Petra Lange.“ – Assistent: „Lange mit L-A-N-G-E?“
SprachmodellKalender prüfen
Der Assistent fragt im Kalender der zuständigen Beraterin freie Zeiten ab und schlägt zwei vor. Die Anruferin wählt Donnerstag, 10 Uhr.
Werkzeug: KalenderAbschluss
Termin eingetragen, Bestätigung per E-Mail verschickt, Gesprächsnotiz am Kontakt im CRM gespeichert. Assistent: „Dann sehen wir uns Donnerstag um zehn. Kann ich sonst noch etwas für Sie tun?“
Werkzeug: CRM
Wann der Assistent abgibt – und wie
Die wichtigste Eigenschaft eines brauchbaren Voice Agents ist nicht, dass er alles kann, sondern dass er seine Grenzen kennt. Wir legen dafür feste Regeln an:
- Der Anrufer sagt, dass er einen Menschen sprechen möchte.
- Das Anliegen gehört nicht zu den freigegebenen Themen, etwa eine Reklamation oder eine Vertragsfrage.
- Der Assistent hat zweimal nicht verstanden, worum es geht.
- Es fallen Wörter, die auf einen Notfall hindeuten – dann nennt er die Notrufnummer, statt selbst zu handeln.
Während Ihrer Geschäftszeiten stellt der Assistent dann in eine Rufgruppe oder an eine bestimmte Durchwahl durch. Die Kollegin sieht auf Wunsch vorab eine kurze Zusammenfassung. Außerhalb der Geschäftszeiten entsteht eine Rückrufbitte mit Name, Nummer und Anliegen, die morgens im richtigen Postfach liegt.
Telefonanlage, Kalender, CRM: wie die Verbindung entsteht
Telefonanlage: Der Assistent wird wie eine Nebenstelle oder ein externes Ziel eingebunden, meist über SIP. In einer Cloud-Telefonanlage legen Sie per Zeitsteuerung fest, wann er übernimmt: immer, nur bei Besetzt, nur nach Feierabend. Ob eine ältere Anlage im Haus das kann, prüfen wir vorab.
Kalender: Für Termine braucht der Assistent Lese- und Schreibrechte auf die freigegebenen Kalender, zum Beispiel in Microsoft 365. Er sieht nur freie und belegte Zeiten, keine Termininhalte.
CRM und weitere Systeme: Kontakte, Notizen und Tickets landen über eine Schnittstelle oder einen Webhook im System. Mit gängigen CRM-Systemen funktioniert das in der Regel direkt; bei Branchensoftware klären wir im Erstgespräch, was die Schnittstelle hergibt. Wo keine Schnittstelle existiert, ist eine strukturierte E-Mail der verlässliche Weg.
Was mit den Gesprächsdaten passiert
Der Assistent stellt sich zu Beginn als KI vor – das schreibt die Transparenzpflicht der europäischen KI-Verordnung vor. Welche Dienste an Spracherkennung, Sprachmodell und Sprachausgabe beteiligt sind und wo sie verarbeiten, halten wir im Auftragsverarbeitungsvertrag fest. Ob Gespräche aufgezeichnet oder nur als Transkript gespeichert werden und wie lange, entscheiden Sie. Mehr im Ratgeber KI-Telefonassistent und DSGVO.
Fragen zur Technik
Welches Sprachmodell steckt dahinter?
Das hängt vom Einsatz ab und wird im Projekt festgelegt. Entscheidend sind deutsche Sprachqualität, Antwortgeschwindigkeit, Verarbeitungsort und Vertragsbedingungen. Welche Dienste in Ihrem Assistenten arbeiten, steht im Angebot und im Auftragsverarbeitungsvertrag – Sie müssen das nicht raten.
Kann die KI frei erfundene Antworten geben?
Sprachmodelle neigen dazu, Lücken plausibel zu füllen. Dagegen helfen klare Vorgaben: Der Assistent darf nur aus der freigegebenen Wissensbasis antworten, bei Unsicherheit nimmt er eine Rückrufbitte auf. Im Testlauf prüfen wir genau solche Fälle und schärfen nach, bevor echte Kunden anrufen.
Lernt der Assistent aus den Gesprächen von selbst?
Nicht unkontrolliert. Verbesserungen entstehen, indem wir Auswertungen und Stichproben ansehen und dann Wissensbasis oder Regeln gezielt anpassen. So bleibt nachvollziehbar, was der Assistent sagt – und nichts ändert sich ohne Ihr Wissen.
Wie schnell antwortet der Assistent?
In der Regel antwortet er innerhalb von etwa einer Sekunde, ähnlich wie ein Mensch, der kurz nachdenkt. Die tatsächliche Verzögerung hängt von Verbindung und Gesprächslänge ab. Im Demo-Termin hören Sie es selbst.
Was ist der Unterschied zu einem Sprachmenü?
Ein Sprachmenü führt Anrufer über feste Auswahlpunkte, meist per Tastendruck. Der KI-Assistent versteht frei gesprochene Sätze und erledigt Aufgaben. Für reine Verteilung reicht oft das Menü, für Gespräche mit Rückfragen braucht es den Assistenten. Den Begriff erklärt auch das Glossar unter Voicebot.
Weiterlesen im Ratgeber
Passt oft dazu
Technik live im Demo-Termin ansehen
Ein paar Sätze genügen. Wir melden uns zu unseren Geschäftszeiten – mit einer ehrlichen Einschätzung, nicht mit einem Verkaufsgespräch.
- Telefon, Mo–Do 8:30–17:00 Uhr, Fr 8:30–15:30 Uhr05308 935030
- E-Mailinfo@stkom.de
- AdresseBerliner Straße 60, 38165 Lehre