KI-Telefonie für Unternehmen

Unter KI-Telefonie verstehen wir Telefonate, in denen auf der einen Seite kein Mensch, sondern ein KI-Agent spricht. Technisch laufen dabei drei Schritte in Echtzeit hintereinander: Die Spracherkennung wandelt das Gesagte in Text um, ein Sprachmodell versteht das Anliegen und entscheidet, was als Nächstes passiert, und die Sprachausgabe spricht die Antwort mit einer neuronalen Stimme. Dazu kommen Werkzeuge, mit denen der Agent etwas tun kann – etwa einen Termin anlegen, ein Ticket erstellen oder eine Notiz im CRM speichern.

Der entscheidende Unterschied zu bisherigen Lösungen: Der Anrufer muss sich nicht an ein Menü anpassen. Er sagt in eigenen Worten, was er möchte, auch mit Umwegen, Nachfragen oder mehreren Anliegen in einem Satz. Der Agent fragt nach, wenn etwas fehlt, und fasst am Ende zusammen, was vereinbart wurde.

Gleichzeitig ist KI-Telefonie kein Ersatz für Ihr Team. Sie übernimmt die wiederkehrenden, gut beschreibbaren Teile eines Telefonats – Annahme, Erfassung, Standardauskünfte, Terminvergabe – und übergibt alles, was Erfahrung, Entscheidung oder Einfühlungsvermögen braucht, an Menschen. Eine ausführliche Einführung in den Begriff bietet der Ratgeber Was ist ein KI-Telefonassistent?.

Ein Voice-Agent wird erst dann richtig nützlich, wenn er nicht nur redet, sondern Ergebnisse dort ablegt, wo Ihr Team arbeitet. Dafür bekommt jeder Assistent eigene Werkzeuge: Er kann einen Kontakt suchen oder anlegen, eine Gesprächsnotiz speichern, einen Deal oder ein Ticket erstellen, einen Kalendertermin buchen oder per Webhook einen Workflow auslösen. Was genau möglich ist, hängt von der Schnittstelle Ihres Systems ab.

Ein Schwerpunkt unserer Arbeit ist HubSpot: Anrufe können dort als Aktivität am Kontakt landen, Anliegen als Ticket, qualifizierte Interessenten als Deal in der passenden Pipeline-Phase. Daneben binden wir gängige Kalender, Ticketsysteme und Branchensoftware an, sofern sie eine Schnittstelle bieten. Fehlt eine Schnittstelle, bleibt die strukturierte Zusammenfassung per E-Mail, WhatsApp oder Webhook.

Ausführlich beschreibt das die Seite KI-Telefonie mit CRM-Integration.

Viele KI-Telefonie-Angebote setzen auf eine fertige Plattform: Sie konfigurieren einen Assistenten in einer Oberfläche, die Gespräche laufen über die Server des Anbieters. Für einfache Fälle kann das genügen. Sobald jedoch eigene Gesprächsregeln, besondere Datenschutzanforderungen oder eine tiefe Anbindung an Ihre Systeme gefragt sind, wird diese Abhängigkeit zur Grenze.

Wir betreiben die Sprach-Infrastruktur selbst, auf Basis des Open-Source-Medienservers LiveKit für Echtzeit-Audio über WebRTC und SIP. Spracherkennung, Sprachmodell und Stimme sind austauschbare Bausteine: Je nach Anforderung kommen etwa Deepgram oder Whisper-Modelle, Sprachmodelle von Anthropic, OpenAI oder Mistral oder lokal betriebene offene Modelle zum Einsatz. Wird ein Baustein besser oder ändern sich Ihre Vorgaben, tauschen wir ihn aus, ohne den Agenten neu aufzubauen.

Ehrlich bleibt dabei: Eine KI versteht nicht jeden Anrufer gleich gut, etwa bei starken Nebengeräuschen, sehr leiser Stimme oder ungewöhnlichen Namen. Deshalb gehört zu jedem Agenten eine klare Übergabe an Menschen – per Durchstellen oder Rückruf –, und der Anrufer kann jederzeit nach einer Person fragen. Die Abwägung beschreibt der Ratgeber eigener Voice-Agent oder Plattform.