Einen KI-Voicebot zu bauen, der Kunden am Telefon wirklich versteht, heißt fünf Dinge richtig zu lösen: eine Spracherkennung (ASR), die mit Telefonaudio in 8 kHz zurechtkommt, ein Sprachverständnis (NLU), das das Anliegen des Anrufers erkennt, eine Antwortzeit, die sich wie ein Gespräch anfühlt, eine Anbindung an CRM und Backend, damit der Voicebot Vorgänge auch erledigen kann, und einen Release-Prozess, in dem jeder Flow getestet ist, bevor er einen Live-Anruf bekommt. Ob Sie ihn KI-Voicebot, KI-Telefonbot oder KI-Telefonassistent nennen: Das Modell ist selten das Problem. Die Kette darum entscheidet, ob er funktioniert.

Dieser Artikel ist der Bauleitfaden. Wenn Sie zuerst wissen möchten, was ein Voicebot ist und wie er sich von einem Sprachmenü unterscheidet, lesen Sie Was ist ein Voicebot.

Der Call Path: was zwischen „Hallo“ und der Antwort passiert

Jeder Gesprächszug am Telefon durchläuft dieselbe Kette. Wer einen KI-Sprachassistenten am Telefon einsetzt, muss wissen, wo jedes Glied versagen kann.

1. Voice Activity Detection (VAD). Erkennt, wann der Anrufer anfängt und aufhört zu sprechen. Zu früh abgeschnitten, und die halbe Postleitzahl fehlt. Zu spät, und der Anrufer hört Stille.
2. Automatische Spracherkennung (ASR). Wandelt Sprache in Text um. Hier liegt die größte Falle des Telefonkanals (siehe unten).
3. Sprachverständnis (NLU oder ein Sprachmodell). Ermittelt aus dem Text, was der Anrufer möchte (den Intent), und die zugehörigen Angaben wie Kundennummer, Datum oder Adresse.
4. Dialog und Logik. Bestimmt den nächsten Schritt: eine Frage stellen, etwas in einem System nachschlagen, bestätigen oder weiterleiten.
5. Text-to-Speech (TTS). Wandelt die Antwort in Sprache um und spielt sie ab.

Es gibt auch End-to-End-Audiomodelle, die Erkennung, Verständnis und Antwort in einem Modell vereinen. Sie klingen flüssig, aber Sie verlieren den Blick auf die Zwischenschritte: Sie sehen schlechter, was verstanden wurde, warum eine Entscheidung fiel und welche Daten verwendet wurden. In einem Contact Center, in dem ein Anruf zu einer Änderung in einer Kundenakte führt, ist dieser Einblick kein Luxus.

Warum Telefonaudio die Spracherkennung schwer macht

Die meiste Telefonie liefert Audio mit einer Abtastrate von 8.000 Hz. Google schreibt, dass „most legacy telephony audio“ diese Rate nutzt, „which may give less accurate results“ (Google Cloud). Microsoft misst Spracherkennung in der Word Error Rate (WER), „the industry standard for measuring model accuracy“, und zählt Contact-Center-Audio zu den schwierigsten Szenarien: „Low, 8 kHz, could be two people on one audio channel, could be compressed“ (Microsoft Learn). Für Callcenter erwartet Microsoft eine WER unter 30 %, bei einem Sprachassistenten mit 16-kHz-Audio teils unter 10 %.

In der Praxis klingen „zwei“ und „drei“ oder „F“ und „S“ am Telefon fast gleich. Ein deutschsprachiger Voicebot muss außerdem Postleitzahlen, Hausnummern mit Zusätzen, Dialekte und englische Produktnamen verstehen. Vier Techniken helfen:

• Der ASR Kontext geben. Hat der Voicebot gerade nach der Postleitzahl gefragt, erwartet die Erkennung fünf Ziffern. Das senkt die Fehlerquote deutlich.
• Mehrere ASR-Engines parallel. Verschiedene Engines machen verschiedene Fehler. Wer ihre Ergebnisse vergleicht, wählt je Antwort die wahrscheinlichste.
• Logische Korrektur von Transkripten. Eine Postleitzahl mit vier Ziffern gibt es in Deutschland nicht, ein Geburtsdatum in der Zukunft auch nicht. Prüfen Sie, was möglich ist, bevor Sie es verwenden.
• Konfidenzschwellen. Ist die Erkennung unsicher, lässt der Voicebot bestätigen: „Ich habe 80331 notiert, stimmt das?“

Wie das bei Adressen funktioniert, lesen Sie in Adressvalidierung mit KI-Sprachassistenten.

Latenz: die Antwortzeit je Schritt budgetieren

Ein Gespräch wirkt natürlich, solange die Pause vor einer Antwort kurz bleibt. Allein für die Verzögerung im Telefonnetz gilt nach der ITU-Empfehlung G.114 eine Einwegverzögerung bis 150 ms als „acceptable for most user applications“ und über 400 ms als „unacceptable for general network planning purposes“ (Cisco zu ITU-T G.114). Alles, was Ihr Voicebot tut, kommt noch hinzu.

Behandeln Sie Latenz deshalb als Budget, das Sie auf die Kette verteilen:

• Ende des Gesprächszugs erkennen. Wie lange wartet die VAD nach dem letzten Laut, bevor der Zug endet?
• Erkennung. Arbeitet die ASR im Streaming, oder erst wenn der Satz fertig ist?
• Verständnis und Logik. Wie viel Zeit braucht das Sprachmodell, wie viel die Abfrage in CRM oder Backend?
• Sprache. Beginnt die TTS mit der Wiedergabe, während der Rest des Satzes noch erzeugt wird?

Messen Sie die Zeit zwischen dem Ende der Sprache des Anrufers und dem ersten hörbaren Wort des Voicebots, je Schritt und bei echten Anrufen. Ein Durchschnitt verdeckt die langsamen Ausreißer, schauen Sie also auch auf die langsamsten Gespräche. Dauert eine Systemabfrage länger, sollte der Voicebot das sagen („ich rufe Ihre Daten auf“), statt zu schweigen. Eine Vertiefung je Ebene finden Sie in Latenz bei KI-Sprachassistenten.

Intents und Flows entwerfen

Ein Voicebot, der alles gleichzeitig versucht, kann nichts richtig. Beginnen Sie mit wenigen Intents, die zusammen einen großen Teil Ihrer Anrufe abdecken, und entwerfen Sie für jeden einen Flow mit klarem Ende. Bei AssistYou gestalten Sie diese Flows im Flow Designer.

• Intents klein und eindeutig halten. „Adresse ändern“ und „Umzug melden“ sind für den Anrufer dasselbe. Legen Sie sie zusammen. „Rechnung anfordern“ und „Rechnung beanstanden“ sind es nicht. Halten Sie sie getrennt.
• Nur fragen, was nötig ist. Jede Angabe kostet Zeit und ist eine weitere Chance für einen Erkennungsfehler. Ein Voicebot für Buchungen braucht Datum, Personenzahl und Ziel, sonst nichts.
• Bestätigen, was zählt. Einen Betrag, ein Datum, eine IBAN oder eine Kündigung bestätigen Sie immer, bevor sie verarbeitet werden.
• Den Ausgang zuerst entwerfen. Was passiert, wenn der Voicebot das Anliegen nicht versteht, der Anrufer verärgert ist oder ein System nicht antwortet? Nach zwei gescheiterten Versuchen landet der Anrufer bei einem Mitarbeiter, mit den bereits erfassten Angaben.
• Unterbrechungen zulassen. Menschen reden in einen Voicebot hinein. Ein Flow, der das nicht auffängt, fühlt sich an wie ein Sprachmenü.

Die Übergabe an einen Mitarbeiter ist eine eigene Designfrage. Was der Kollege dabei sehen muss, lesen Sie in Die Übergabe gestalten. Bauen Sie ein bestehendes Sprachmenü um, beginnen Sie mit Von IVR zu KI-Sprachassistenten migrieren.

Zurückschreiben in CRM und Backend

Ein Voicebot, der nur weiterleitet, spart wenig. Der Wert liegt in Anrufen, die er selbst abschließt, als autonomer Sprachassistent, der Daten in den Systemen liest und schreibt, die Sie bereits nutzen. Die veröffentlichten Kundengeschichten von AssistYou zeigen, wie das aussieht:

• Carglass prüft Anrufer anhand von Daten in Salesforce CRM (Carglass).
• Unigarant lässt den KI-Sprachassistenten die Identitätsprüfung übernehmen, die Kundenakte abrufen und ganze Vorgänge erledigen, etwa die Kündigung einer Versicherung (Unigarant).
• Trevvel verbindet den KI-Sprachassistenten mit Google Maps, sodass ein Anrufer „Erasmus MC“ sagen kann, ohne die vollständige Adresse zu nennen (Trevvel).

Einige Regeln machen das Zurückschreiben zuverlässig:

• Erst lesen, dann schreiben. Rufen Sie die Akte nach der Verifizierung ab, damit der Voicebot weiß, worum es im Anruf geht.
• Erst nach Erfolg bestätigen. Sagen Sie „Ihre Adresse wurde geändert“ erst, wenn das Backend die Änderung bestätigt hat.
• Für ein System planen, das nicht antwortet. Ein Timeout endet bei einem Mitarbeiter oder einem Rückruf, nicht in Stille.
• Jede Aktion protokollieren. Welche Daten gelesen, was geändert wurde und in welchem Anruf. Das brauchen Sie bei einer Beschwerde und bei jedem Audit.

Mehr zu Anbindungen lesen Sie in KI-Agenten in Ihr CRM integrieren.

Versionierung und der Weg vom Test in die Produktion

Ein Voicebot ist nie fertig. Öffnungszeiten ändern sich, ein neues Produkt bringt neue Fragen, ein Satz in einem Flow verwirrt die Anrufer. Jede Änderung trifft Live-Anrufe. Das sollte Ihnen eine Plattform bieten, bevor Sie einen Voicebot darauf einsetzen:

• Jede Änderung als Version. Sie müssen sehen können, welche Version eines Flows zu einem Zeitpunkt live war und was sich gegenüber der vorherigen geändert hat.
• Eine Testumgebung getrennt von der Produktion. Änderungen bauen und testen Sie in einer Abnahmeumgebung (UAT). Anrufer merken davon nichts.
• Freigabe einer geprüften Version. In die Produktion geht genau die getestete Version, keine Kopie, die danach noch bearbeitet wurde.
• Rollback in einem Schritt. Geht etwas schief, stellen Sie die vorherige Version wieder her, ohne auf ein neues Release zu warten.
• Ein Änderungsprotokoll. Wer hat was wann und warum geändert. In regulierten Branchen ist das kein Extra.

Wie eine solche Pipeline aufgebaut ist, lesen Sie in Versionskontrolle für KI-Agenten.

Einen Flow testen, bevor er einen Live-Anruf bekommt

Eine Demo am Laptop sagt wenig darüber, wie ein Flow mit echten Anrufern am Telefon funktioniert. Gründlich testen heißt:

1. Über das Telefon testen, nicht im Browser. Nur so hören Sie die Wirkung von 8-kHz-Audio, Hintergrundgeräuschen und einer schwachen Mobilfunkverbindung.
2. Ein Testset aus echten Anrufgründen bauen. Nehmen Sie die Formulierungen, die Kunden wirklich verwenden, mit Umwegen, Dialekt und halben Sätzen. Klären Sie mit Ihrem Datenschutzbeauftragten, welche Aufnahmen und Transkripte Sie dafür verwenden dürfen.
3. Randfälle gezielt provozieren. Eine unbekannte Kundennummer, ein Anrufer, der mitten im Gespräch das Thema wechselt, ein System, das nicht antwortet, jemand, der sofort „Mitarbeiter“ sagt.
4. Prüfen, was im Backend passiert ist. Ein Anruf, der gut klang, aber die falsche Akte geändert hat, ist ein gescheiterter Test.
5. Kollegen aus dem Kundenservice anrufen lassen. Sie wissen, wie Kunden sprechen und wo der Flow hakt.
6. Mit einem Teil des Verkehrs starten. Schalten Sie den Flow zuerst für einen Anrufgrund oder einen Teil der Anrufer live und erweitern Sie, wenn die Zahlen stimmen.

Messen nach dem Go-live

Nach dem Go-live beginnt die eigentliche Arbeit. Legen Sie vorab fest, welche Kennzahlen Sie verfolgen, damit Sie jede neue Version mit der vorherigen vergleichen können:

• Vollständig erledigt. Welchen Anteil der Anrufe schließt der Voicebot ohne Mitarbeiter ab?
• Richtig weitergeleitet. Kommt ein weitergeleiteter Anruf beim richtigen Team an?
• Abbrüche je Schritt. Bei welcher Frage im Flow legen Anrufer auf oder verlangen einen Menschen?
• Wiederholte Anrufe. Ruft derselbe Kunde innerhalb weniger Tage wegen desselben Anliegens erneut an?
• Kosten pro Kontakt. Was kostet ein erledigter Anruf jetzt im Vergleich zu vorher? Siehe Was sind Kosten pro Kontakt.

Hören Sie außerdem jede Woche eine Stichprobe von Gesprächen nach. Zahlen zeigen, wo ein Flow hakt, Gespräche zeigen, warum. Warum ein Voicebot ohne Analyse ein Risiko ist, lesen Sie in KI-Sprachassistenten ohne Analytics.

Häufig gestellte Fragen

Was braucht man, um einen KI-Voicebot zu bauen? Eine Spracherkennung, die Telefonaudio verarbeitet, ein Sprachverständnis, das Intents und Angaben erkennt, Text-to-Speech, Flows mit einem klaren Ausgang zu einem Mitarbeiter, eine Anbindung an CRM und Backend sowie einen Release-Prozess mit Versionen, einer Testumgebung und einer Möglichkeit zum Rollback.

Wie schnell muss ein Voicebot antworten? So schnell, dass es sich wie ein Gespräch anfühlt. Allein für die Netzverzögerung gilt nach ITU-T G.114 eine Einwegverzögerung bis 150 ms für die meisten Anwendungen als akzeptabel. Alles, was der Voicebot tut, kommt hinzu. Messen Sie deshalb die Zeit zwischen dem Ende der Sprache des Anrufers und dem ersten Wort des Voicebots, je Schritt in der Kette.

Warum versteht ein KI-Telefonbot am Telefon schlechter als in einer Demo? Weil Telefonaudio meist 8 kHz hat, gegenüber 16 kHz oder mehr bei einem Mikrofon. Microsoft zählt Contact-Center-Audio zu den schwierigsten Szenarien für die Spracherkennung. Kontext, mehrere ASR-Engines, logische Korrektur und Bestätigung bei Unsicherheit machen den Unterschied.

Kann ein Voicebot Daten in unserem CRM ändern? Ja, wenn er an Ihr CRM oder Backend angebunden ist. Carglass prüft Anrufer mit Daten aus Salesforce CRM, und bei Unigarant erledigt der KI-Sprachassistent Vorgänge wie die Kündigung einer Versicherung vollständig. Bestätigen Sie eine Änderung erst, wenn das Backend sie verarbeitet hat.

Wie testet man einen Voicebot vor dem Go-live? Über das Telefon, mit einem Testset aus echten Anrufgründen, mit gezielt provozierten Randfällen und mit einer Prüfung dessen, was im Backend passiert ist. Danach schalten Sie den Flow für einen Teil des Verkehrs live und erweitern, wenn die Zahlen stimmen.

Einen KI-Voicebot in Ihrem Contact Center einsetzen

Der KI-Sprachassistent von AssistYou beantwortet, verifiziert und leitet Anrufe weiter, auf Deutsch, Englisch und Niederländisch, für Contact Center unter anderem in den Branchen Energie, Versicherungen, Mobilität und Banken. Wie das funktioniert, sehen Sie auf der Produktseite des KI-Sprachassistenten, wie die Preise aufgebaut sind, auf der Preisseite.

Sie möchten wissen, welche Ihrer Anrufe ein Voicebot zuerst übernehmen kann? Kontakt aufnehmen.

← Zurück zum Blog