Next-Level Voice: von der Telefonanlage zur Voice-API

Die klassische Telefonanlage hat Mittelständler jahrzehntelang zuverlässig begleitet, ob als ISDN, VoIP oder Cloud-Lösung. Unser Text vom Mai 2025 stellte die These auf, dass Telefonie künftig weniger über Nebenstellen und mehr über Schnittstellen funktioniert. Seitdem ist aus der These ein Beschaffungsthema geworden, und seit August 2026 gibt es dafür auch einen rechtlichen Rahmen.

Was sich seit 2025 technisch geändert hat

Im Mai 2025 war ein Sprachassistent am Telefon meist ein Bastelprojekt aus mehreren Diensten. Das ist vorbei. OpenAI hat die Realtime API am 28. August 2025 allgemein verfügbar gemacht, zusammen mit dem Modell gpt-realtime. Neu waren dabei die Anbindung an das Telefonnetz über SIP, die Einbindung externer Werkzeuge über MCP und die Möglichkeit, Daten in der EU zu verarbeiten. ElevenLabs hat sein Modell Eleven v3 aus dem Alpha-Status geholt und bietet mit seiner Agenten-Plattform eine fertige Lösung für Anrufe, die sich an Kalender oder CRM anbinden lässt.

Für Sie heißt das: Ein Sprachagent muss nicht mehr aus Einzelteilen zusammengesetzt werden. Sie brauchen eine Telefonie-Anbindung per SIP, ein Sprachmodell, Zugriff auf Ihre Kontextdaten und eine klare Regel, was der Agent allein erledigen darf. Der Engpass liegt inzwischen selten in der Technik. Er liegt bei der Frage, welche Anrufe sich überhaupt für einen Agenten eignen.

Was an der These von 2025 weiter gilt

Starre Sprachmenüs („Drücken Sie die 2“) scheitern weiterhin an Anliegen, die sich nicht in vier Kategorien pressen lassen. Und die Grundlogik bleibt: Telefonie ist ein Kanal unter vielen, aber einer mit hoher Verbindlichkeit. Ein Anruf, der im CRM landet, mit Anliegen, Dringlichkeit und Rückrufwunsch, ist mehr wert als eine verpasste Nummer in der Anrufliste.

Eine Korrektur gehört dazu. Wir hatten damals geschrieben, Kunden erwarteten Conversational Interfaces statt Tastendrücke. Das war zu pauschal. Viele Anrufer wollen einen Menschen, sobald es um Reklamationen, Preisverhandlungen oder Vertrauen geht. Ein guter Callflow erkennt diese Fälle früh und übergibt sauber, mit Zusammenfassung, statt den Anrufer erneut nach seinem Namen zu fragen.

Neu: Pflicht zur Kennzeichnung ab dem 2. August 2026

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung. Systeme, die direkt mit Menschen sprechen, müssen so gestaltet sein, dass diese erkennen, dass sie mit einer KI zu tun haben, außer es ist aus den Umständen offensichtlich. Die Information muss spätestens beim ersten Kontakt kommen. Der Digital Omnibus hat zwar die Fristen für Hochrisiko-Systeme auf Dezember 2027 verschoben, Artikel 50 blieb davon aber unberührt. Für die maschinenlesbare Kennzeichnung synthetischer Inhalte gilt für bereits am Markt befindliche Systeme eine Übergangsfrist bis zum 2. Dezember 2026.

Praktisch bedeutet das einen Satz zu Beginn des Gesprächs, etwa: „Sie sprechen mit dem digitalen Assistenten der Firma Muster. Wenn Sie lieber mit einer Kollegin sprechen, sagen Sie einfach Bescheid.“ Das kostet nichts und ist ehrlicher als jede Imitation eines menschlichen Tonfalls. Wer eine geklonte Stimme einsetzt, sollte außerdem die Einwilligung der gesprochenen Person schriftlich haben.

So gehen Sie als Mittelständler vor

Beginnen Sie nicht mit der Telefonanlage, sondern mit dem Anrufprotokoll der letzten vier Wochen. Sortieren Sie die Anrufe nach Anlass. Typischerweise machen drei bis vier Anliegen den größten Teil aus: Terminvereinbarung, Statusfragen zu Aufträgen, Rückrufbitten und Preisanfragen. Das sind die Kandidaten für einen Pilot.

• Legen Sie fest, was der Agent allein beantworten darf und wann er an einen Menschen übergibt.
• Verbinden Sie ihn nur lesend mit Ihrem CRM, bis die ersten Wochen sauber gelaufen sind.
• Nehmen Sie die Kennzeichnung als KI in den Begrüßungstext auf.
• Klären Sie vorab Aufzeichnung, Speicherdauer und Auftragsverarbeitung mit Ihrem Datenschutzbeauftragten.
• Messen Sie nach 30 Tagen: Wie viele Anrufe wurden gelöst, wie viele übergeben, wie viele abgebrochen?

Mit einem solchen Pilot können Sie die bestehende Anlage zunächst behalten und die KI nur für Anrufe außerhalb der Geschäftszeiten oder bei Überlast schalten. So lernen Sie, ohne den Betrieb zu gefährden.

Wo die Grenzen liegen

Sprachagenten sind nicht fehlerfrei. Dialekte, Hintergrundlärm und Fachbegriffe bringen sie weiterhin ins Straucheln, und ein Agent, der Auskünfte erfindet, richtet am Telefon mehr Schaden an als im Chat, weil niemand mitliest. Deshalb gehört zu jedem Pilot eine Stichprobe: Jemand hört wöchentlich zehn Gespräche ab und notiert, was schiefging.

Die Telefonanlage ist damit nicht ausgedient, sie wird zur Infrastruktur unter einer Ebene, die Anliegen versteht und Prozesse anstößt. Wer diese Ebene jetzt plant, sollte die Kennzeichnung und die Übergabe an Menschen von Anfang an mitdenken.

Quellen

• Cloud Security Alliance: EU AI Act Article 50, Transparency Obligations Take Effect (29. Juli 2026)
• OpenAI: Developer notes on the Realtime API (gpt-realtime, GA 28. August 2025)
• ElevenLabs: Eleven v3 (3. Juni 2025, inzwischen allgemein verfügbar)