Zum Inhalt springen

Sprache und Dokumente

Voicebot

Ein Voicebot ist ein Dialogsystem, das per gesprochener Sprache kommuniziert, meist am Telefon: Er wandelt das Gesagte in Text um, ermittelt das Anliegen, löst Aktionen in angebundenen Systemen aus und antwortet mit synthetischer Stimme.

Auch: Sprachbot, Voice Agent, KI-Telefonassistent, Sprachdialogsystem

Wer bei einer Hotline anruft, kennt das Tastenmenü: „Für Fragen zu Ihrer Rechnung drücken Sie die 1.“ Ein Voicebot ersetzt dieses Menü durch ein Gespräch. Der Anrufer sagt in eigenen Worten, was er will, und das System versteht es, fragt nach, erledigt den Vorgang oder verbindet weiter. Technisch ist ein Voicebot eine Kette aus drei Bausteinen: Spracherkennung für das Hören, ein Sprachmodell oder ein Dialogsystem für das Verstehen und Entscheiden, Sprachsynthese für das Sprechen.

Vom Tastenmenü zum Gespräch

Sprachgesteuerte Telefonsysteme sind nicht neu. Das W3C hat schon 2007 mit VoiceXML 2.1 einen Standard für Sprachanwendungen verabschiedet, der Spracherkennung, Tasteneingabe, synthetische Sprache und Telefonie verbindet. Solche Systeme arbeiteten aber mit festen Dialogen: Sie erwarteten bestimmte Wörter an bestimmten Stellen und kamen mit freien Formulierungen schlecht zurecht.

Mit großen Sprachmodellen hat sich das verschoben. Ein moderner Voicebot kann frei formulierte Anliegen verstehen, mehrere Angaben aus einem Satz entnehmen und auch mit Gegenfragen umgehen. Damit wird das Telefon für Abläufe nutzbar, die bisher nur mit Formular oder Mitarbeiter gingen.

Voicebot, Chatbot, KI-Agent

Die drei Begriffe überschneiden sich, und Anbieter verwenden sie nicht einheitlich.

Kanal Kernaufgabe typisches Risiko
Chatbot Text, etwa im Webchat oder Messenger Fragen beantworten, Anliegen aufnehmen falsche Auskunft
Voicebot gesprochene Sprache, meist Telefon dasselbe, unter Zeitdruck und ohne Bildschirm falsch verstandene Angaben
KI-Agent beliebig, auch ohne Dialog eine Aufgabe über mehrere Schritte selbst steuern falsche Handlung

Voicebot und Chatbot unterscheiden sich vor allem im Kanal. Ein KI-Agent ist dagegen über seine Arbeitsweise bestimmt: Er entscheidet selbst, welche Werkzeuge er nutzt und in welcher Reihenfolge. Ein Voicebot kann als Agent gebaut sein, etwa wenn er selbstständig im Kalender nach freien Terminen sucht, umbucht und eine Bestätigung verschickt. Er kann aber ebenso einem fest vorgegebenen Ablauf folgen. Für Telefonanwendungen ist der feste Ablauf oft die bessere Wahl, weil er sich leichter prüfen lässt.

Was das Telefon schwieriger macht als den Chat

Zeit. Im Chat stört eine Antwort nach drei Sekunden niemanden. Am Telefon wirkt eine Pause dieser Länge wie ein abgebrochenes Gespräch. Erkennung, Verarbeitung und Sprachausgabe müssen deshalb ineinandergreifen, und lange Rechenschritte brauchen eine Überbrückung („Einen Moment, ich sehe nach.“).

Unterbrechungen. Menschen fallen einander ins Wort. Ein Voicebot muss erkennen, wenn der Anrufer während der Ansage spricht, und dann aufhören zu reden.

Audioqualität. Telefonaudio ist schmalbandig, oft komprimiert und von Hintergrundgeräuschen begleitet. Das kostet Erkennungsgenauigkeit, gerade bei Namen und Produktbezeichnungen; Einzelheiten dazu stehen im Eintrag zur Spracherkennung.

Zahlen und Namen. Kundennummern, Postleitzahlen, Kennzeichen und Nachnamen sind die Angaben, auf die es ankommt, und die am leichtesten falsch verstanden werden. Ein guter Voicebot wiederholt sie zur Bestätigung und bietet bei Nachnamen das Buchstabieren an.

Kein Bildschirm. Im Chat kann der Nutzer eine Liste von fünf Optionen überfliegen. Am Telefon muss er sie sich merken. Antworten müssen deshalb kürzer sein und dürfen nur wenige Wahlmöglichkeiten auf einmal anbieten.

Die Übergabe an einen Menschen

Der wichtigste Teil eines Voicebots ist der Weg aus ihm heraus. Es wird immer Anrufe geben, die er nicht lösen kann oder soll: verärgerte Kunden, unklare Anliegen, Notfälle. Für sie braucht es eine Rückfallebene, die zwei Bedingungen erfüllt. Der Anrufer kommt jederzeit mit einem einfachen Wunsch („Mitarbeiter“) zu einem Menschen. Und der Mensch erfährt bei der Übernahme, was bereits besprochen wurde, damit der Anrufer nicht alles wiederholen muss. Ein Voicebot, der Anrufer in einer Schleife festhält, schadet mehr, als er nützt.

Was rechtlich gilt, Stand Oktober 2026

Die folgenden Punkte geben einen Überblick, keine Rechtsberatung. Vor dem Einsatz sollte eine rechtliche Prüfung stehen.

Hinweis auf die KI. Artikel 50 Absatz 1 der europäischen KI-Verordnung verlangt, dass KI-Systeme, die direkt mit Menschen interagieren, so gestaltet sind, dass die Betroffenen erfahren, dass sie mit einem KI-System sprechen, es sei denn, das ist aus Sicht einer angemessen informierten, aufmerksamen und verständigen Person offensichtlich. Die Information muss nach Absatz 5 spätestens bei der ersten Interaktion klar und eindeutig gegeben werden. Diese Pflicht gilt seit dem 2. August 2026. Die Änderungen durch den AI Omnibus, die am 27. Juli 2026 in Kraft traten, haben vor allem Fristen für Hochrisiko-Systeme verschoben, nicht diesen Hinweis. Die Pflicht richtet sich dem Wortlaut nach an den Anbieter des Systems. Wer einen Voicebot einsetzt, sollte sich trotzdem nicht darauf verlassen, sondern zu Beginn jedes Gesprächs selbst ansagen, dass ein automatisches System spricht. Bei einer natürlich klingenden Stimme ist es kaum je offensichtlich.

Aufzeichnung. Nach § 201 StGB macht sich strafbar, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt. Ein Telefongespräch mit einer Hotline dürfte regelmäßig darunter fallen. Wer Gespräche aufzeichnen will, etwa zur Qualitätssicherung oder zum Training, braucht deshalb die Einwilligung der Anrufer, und diese muss vor der Aufnahme eingeholt werden. Ob und wann schon die kurzzeitige technische Verarbeitung des Audiostroms ohne dauerhafte Speicherung als Aufnahme zu werten ist, sollte man für das konkrete System rechtlich klären lassen. Unabhängig davon gilt für jede Verarbeitung der Gesprächsinhalte das Datenschutzrecht.

Ausgehende Anrufe. Für Voicebots, die selbst anrufen, gelten zusätzliche Grenzen. Nach § 7 Absatz 2 UWG ist Werbung mit einem Telefonanruf gegenüber Verbrauchern ohne deren vorherige ausdrückliche Einwilligung eine unzumutbare Belästigung, ebenso Werbung unter Verwendung einer automatischen Anrufmaschine ohne vorherige ausdrückliche Einwilligung des Adressaten. Ein Voicebot, der Werbeanrufe tätigt, braucht also eine belastbare Einwilligung. Servicerückrufe auf Wunsch des Kunden sind davon zu unterscheiden.

Wo sich ein Voicebot lohnt

Am besten eignen sich häufige, klar umrissene Anliegen mit wenigen Varianten: Termine vereinbaren oder verschieben, den Status einer Bestellung oder Reparatur abfragen, Störungen außerhalb der Geschäftszeiten aufnehmen, Anrufe nach Anliegen an die richtige Stelle leiten.

Ein konstruiertes Beispiel: Ein Heizungsbauer nimmt nachts und am Wochenende Störungsmeldungen per Voicebot an. Das System fragt Name, Adresse, Anlagentyp und Fehlerbild ab, wiederholt die Adresse zur Bestätigung und legt ein Ticket an. Fällt das Wort „Gasgeruch“, bricht es den Dialog ab, nennt die Notrufnummer und alarmiert den Bereitschaftsdienst direkt. Am Morgen liegt für jeden Anruf ein vollständiger Datensatz vor, statt einer Reihe von Nachrichten auf dem Anrufbeantworter.

Schlecht geeignet sind Gespräche, in denen es um Verhandlung, Beschwerdemanagement mit Ermessen oder Beratung mit hohem Risiko geht. Dort ist der Voicebot bestenfalls die Vorstufe, die das Anliegen aufnimmt und an den richtigen Menschen übergibt.

Quellen

  1. Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 50, Europäische Kommission, AI Act Service Desk
  2. Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 113, in der Fassung des AI Omnibus, Europäische Kommission, AI Act Service Desk
  3. AI Omnibus enters into force, Europäische Kommission, 2026
  4. § 201 StGB, Verletzung der Vertraulichkeit des Wortes, Bundesministerium der Justiz, gesetze-im-internet.de
  5. § 7 UWG, Unzumutbare Belästigungen, Bundesministerium der Justiz, gesetze-im-internet.de
  6. Testgenauigkeit eines Custom Speech-Modells, Microsoft Learn
  7. Voice Extensible Markup Language (VoiceXML) 2.1, World Wide Web Consortium (W3C), 2007

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

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.