Zum Inhalt springen

Blog · 30. September 2026 · 7 Minuten

KI-Telefonagent: die Checkliste, bevor er ans Telefon darf

Acht Punkte, die ein KI-Telefonagent erfüllen muss, bevor er den ersten Anruf annimmt: von der Ansage als KI-System über den Weg zum Menschen bis zu dem, was nach dem Gespräch im System steht.

Telefon und Headset am Empfang einer Werkstatt, davor eine Checkliste mit abgehakten Punkten

Ein KI-Telefonagent ist schnell eingerichtet. Eine Rufnummer, eine Stimme, ein Sprachmodell mit ein paar Anweisungen, und das System nimmt Anrufe an. Genau das ist das Problem: Die Technik ist nicht mehr die Hürde, die Sorgfalt davor ist es. Wer einen Agenten ans Telefon lässt, der bei Störungen schweigt, Anrufer in Schleifen hält oder Namen falsch versteht und trotzdem weitermacht, verliert Kunden an der einzigen Stelle, an der sie das Unternehmen direkt erleben. Die folgende Checkliste fasst zusammen, was aus unserer Sicht erfüllt sein muss, bevor ein Agent den ersten echten Anruf annimmt.

Die acht Punkte im Überblick:

  1. Der Anrufer erfährt zu Beginn, dass ein KI-System spricht.
  2. Eine Aufzeichnung findet nur mit vorheriger, ablehnbarer Einwilligung statt.
  3. Der Weg zu einem Menschen ist jederzeit offen und braucht kein Menü.
  4. Fällt das System aus, greift eine feste Rückfallnummer.
  5. Nach dem Gespräch steht ein Vorgang im System, nicht nur eine Notiz.
  6. Der Agent ist mit echtem Telefonaudio getestet, nicht mit Headset-Aufnahmen.
  7. Namen, Nummern und Produktbezeichnungen werden bestätigt statt geraten.
  8. Für den Betrieb sind Messgrößen und ein Ausgangswert festgelegt.

Recht und Transparenz vor dem ersten Satz

1. Die Ansage als KI-System

Artikel 50 Absatz 1 der KI-Verordnung verpflichtet Anbieter, KI-Systeme für die direkte Interaktion mit Menschen so zu gestalten, dass die betroffenen Personen erfahren, dass sie mit einem KI-System zu tun haben. Die Ausnahme gilt nur, wenn das aus Sicht einer angemessen informierten, aufmerksamen und verständigen Person ohnehin offensichtlich ist. Nach Absatz 5 muss die Information spätestens bei der ersten Interaktion klar und erkennbar erfolgen. Diese Pflicht gilt seit dem 2. August 2026, dem allgemeinen Geltungsbeginn nach Artikel 113. Die Digital-Omnibus-Verordnung (EU) 2026/1744, in Kraft seit dem 27. Juli 2026, hat die Fristen für Hochrisiko-Systeme auf den 2. Dezember 2027 und den 2. August 2028 verschoben, die Transparenzpflicht aber nicht angetastet.

Die Pflicht richtet sich dem Wortlaut nach an den Anbieter des Systems. Wer einen Agenten betreibt, sollte sich darauf nicht verlassen und die Ansage selbst in den ersten Satz legen. Praktisch heißt das: kein „digitaler Assistent“ und keine Umschreibung, sondern ein klarer Satz, dass ein automatisches System das Gespräch führt. Wie die Pflicht im Einzelfall auszulegen ist, sollte eine rechtliche Prüfung klären; dieser Beitrag ersetzt sie nicht.

2. Einwilligung, wenn aufgezeichnet wird

Nach § 201 Absatz 1 StGB wird mit Freiheitsstrafe bis zu drei Jahren oder Geldstrafe bestraft, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt. Ein Telefonat mit einer Hotline dürfte regelmäßig darunter fallen. Wer aufzeichnen will, braucht deshalb die Einwilligung des Anrufers, und zwar vor Beginn der Aufnahme. Die Einwilligung muss ablehnbar sein, und wer ablehnt, muss trotzdem bedient werden, in der Regel durch Weiterleitung an einen Menschen.

Zwei Fragen sollten vor dem Start geklärt sein, und beide gehören zu einem Juristen. Erstens: Gilt schon die kurzzeitige technische Verarbeitung des Audiostroms, die jede Spracherkennung braucht, als Aufnahme, auch wenn nichts dauerhaft gespeichert wird? Zweitens: Ein Transkript ist technisch keine Tonaufnahme, enthält aber dieselben personenbezogenen Daten und wird datenschutzrechtlich entsprechend behandelt. Aufbewahrungsdauer und Löschfristen werden festgelegt und eingehalten. Die ehrlichste Frage lautet oft, ob überhaupt etwas gespeichert werden muss oder ob der strukturierte Vorgang reicht.

Wenn das Gespräch nicht läuft wie geplant

3. Der Weg zum Menschen

Wer einen Menschen verlangt, bekommt einen. Jederzeit, mit einem einfachen Wunsch wie „Mitarbeiter“, und ohne Umweg über ein Menü, das die Option versteckt. Es wird immer Anrufe geben, die ein Agent nicht lösen kann oder soll: verärgerte Kunden, unklare Anliegen, Notfälle.

Die Übergabe hat zwei Seiten. Der Anrufer kommt zu einem Menschen, und der Mensch erfährt, was bereits besprochen wurde, damit niemand alles wiederholen muss. Außerhalb der Geschäftszeiten, wenn kein Mensch erreichbar ist, muss der Agent das sagen können, einen Rückruf zusagen und diese Zusage so hinterlegen, dass sie am nächsten Morgen jemand sieht (dazu Punkt 5). Welche Gespräche grundsätzlich zum Menschen gehören, legt der Blueprint fest, nicht das Modell. Der Eintrag zu Human in the Loop beschreibt, nach welchen Auslösern das sinnvoll ist.

4. Die Rückfallnummer bei Ausfall

Ein Telefonagent hängt an mehreren Diensten zugleich: Telefonie, Spracherkennung, Sprachmodell, Sprachsynthese und die angebundenen Systeme. Jeder davon kann ausfallen oder zu langsam antworten. Deshalb braucht die Telefonanlage eine feste Rückfallnummer, die greift, wenn das System innerhalb einer definierten Zeit nicht reagiert. Ein stummer Anschluss ist der schlechteste denkbare erste Eindruck.

Dazu gehört ein zweiter Fall: Die Telefonie funktioniert, aber das Sprachmodell antwortet nicht. Dann soll der Agent nicht raten oder schweigen, sondern sagen, dass er gerade nicht helfen kann, und verbinden. Beide Wege sind ein Fallback, und für Fallbacks gilt: Was nie geübt wurde, ist eine Annahme, keine Absicherung.

Was hinter dem Gespräch passiert

5. Der Vorgang im System

Hier trennt sich der Telefonagent vom Anrufbeantworter. Ein Agent, der freundlich zuhört und am Ende eine Gesprächsnotiz in ein Postfach legt, hat die Arbeit nicht erledigt, sondern verschoben: Jemand muss die Notiz lesen, verstehen und abtippen. Der Nutzen entsteht erst, wenn nach dem Gespräch ein vollständiger Vorgang im richtigen System steht. Das heißt konkret:

  • ein Ticket, ein Termin oder eine Störungsmeldung ist angelegt, mit Status und Zuständigkeit,
  • die Angaben liegen als strukturierte Felder vor: Name, Rückrufnummer, Anliegen, Kategorie, Dringlichkeit,
  • eine Zusammenfassung des Gesprächs ist nach festgelegter Vorgabe dokumentiert,
  • ausgelöste Aktionen sind protokolliert: welche Benachrichtigung ging raus, welcher Rückruf wurde eingeplant,
  • der zuständige Mensch ist informiert, nicht nur das System.

Dazu gehört die Frage, was der Agent überhaupt darf. Er sieht die Daten, die sein Prozess braucht, und nicht das gesamte CRM. Kritische Aktionen wie das Absagen eines Termins oder das Ändern von Stammdaten laufen zunächst in einem Freigabemodus, in dem ein Mensch bestätigt, bevor etwas geschieht.

Hören und verstehen

6. Audioqualität am Telefon

Telefonaudio ist schmalbandig. Microsoft beschreibt in der Dokumentation zum eigenen Sprachdienst Callcenter-Audio als niedrige Qualität mit 8 kHz, häufig komprimiert und mit zwei Personen auf einem Kanal. Dieselbe Quelle ordnet die Fehlerarten ein: Viele ausgelassene Wörter deuten auf ein schwaches Signal, viele eingefügte Wörter auf eine laute Umgebung oder Übersprechen. Ein Modell, das im Büro mit Headset überzeugt, kann am Telefon spürbar schlechter sein.

Deshalb testen wir mit echten Anrufen über das Telefonnetz, nicht mit Aufnahmen aus dem Besprechungsraum: vom Handy, aus dem Auto über Freisprechanlage, aus der Werkhalle. Pausen und Unterbrechungen, die beiden anderen Eigenheiten des Kanals, beschreibt der Eintrag zum Voicebot.

7. Grenzen bei Namen und Produktbezeichnungen

Kundennummern, Postleitzahlen, Nachnamen und Produktnamen sind die Angaben, auf die es im Gespräch ankommt, und zugleich die, bei denen die Erkennung am unsichersten ist. Microsoft nennt für das Callcenter-Szenario ausdrücklich Namen von Produkten und Personen als Ursache für Ersetzungsfehler.

Dagegen hilft keine Behauptung, sondern Gestaltung. Eigene Produktnamen und Fachbegriffe werden dem Erkennungsdienst als Phrasenliste vorgegeben. Wo die Rufnummer bekannt ist, wird der Kunde gegen das CRM abgeglichen, statt den Namen aus dem Audio zu rekonstruieren. Kritische Angaben wiederholt der Agent zur Bestätigung, bietet bei Nachnamen das Buchstabieren an und nimmt Nummern in Blöcken auf. Und was er nicht sicher verstanden hat, markiert er im Vorgang als unsicher, statt es still zu übernehmen. Eine Erkennungsquote nennen wir nicht. Wir haben sie für Ihre Anrufer, Ihre Produktnamen und Ihre Leitungen nicht gemessen, und jede Zahl aus einer Herstellerbroschüre gilt für andere Bedingungen.

Im Betrieb messen

8. Messgrößen und Ausgangswert

Vor dem Start wird der Ausgangswert erhoben: Wie viele Anrufe gehen heute ein, wie viele bleiben unbeantwortet, wie lange wartet ein Anrufer, wie viele Nachrichten landen auf dem Anrufbeantworter, und wie lange dauert es bis zum Rückruf? Nach dem Start messen wir mit denselben Definitionen weiter:

  • Anteil der Anrufe, die der Agent vollständig abschließt,
  • Anteil und Gründe der Übergaben an Menschen,
  • Abbrüche, also Anrufer, die auflegen, bevor ein Ergebnis steht,
  • Auslösungen der Rückfallnummer,
  • Fehlerquote bei kritischen Angaben, geprüft an einer Stichprobe von Vorgängen gegen das Gespräch,
  • Kosten pro Anruf einschließlich Modell- und Telefoniekosten.

Die Kennzahlen gehören paarweise gelesen: Eine hohe Abschlussquote beweist nichts, solange die Stichprobe nicht zeigt, dass die abgeschlossenen Vorgänge auch stimmen. Welche Prozesskennzahlen sich dafür eignen und warum ein Mittelwert allein täuscht, steht im Glossar.

Die Checkliste sagt, wann ein Agent ans Telefon darf. Sie sagt nicht, ob er sich für Ihr Unternehmen rechnet; das klärt ein Blueprint mit Mengen, Zeiten und Ausnahmen des konkreten Ablaufs. Welche Grundsätze wir dabei für Datenschutz, Freigaben und Ausfallverhalten anlegen, steht auf der Seite zu Sicherheit und Betrieb.

Quellen

  • KI-Telefonagent
  • Voicebot
  • KI-Verordnung
  • Kundenservice

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.