Wie funktioniert ein KI-Telefonassistent? Die Technik dahinter, einfach erklärt
Transcriber, KI-Modell, Sprachsynthese, Telefon-Provider: Was passiert technisch, wenn ein KI-Telefonassistent deinen Anruf annimmt?
„Das ist doch bestimmt so ein Roboter, oder?" – Das hören wir ständig. Und ehrlich gesagt ist die Reaktion verständlich. Die meisten kennen automatisierte Telefonsysteme als nervige Sprachmenüs: „Drücken Sie die 1 für Rechnungsfragen…"
Aber ein moderner KI-Telefonassistent hat damit ungefähr so viel gemeinsam wie ein Smartphone mit einem Drehscheibentelefon. Die Technik dahinter ist grundlegend anders. Und wenn du verstehst, wie sie funktioniert, kannst du auch viel besser einschätzen, was sie kann, wo die Grenzen liegen und ob sie für dein Unternehmen Sinn ergibt.
Die vier Bausteine
Ein KI-Telefonassistent besteht aus vier Komponenten, die in Echtzeit zusammenarbeiten. Jede Sekunde des Gesprächs durchläuft genau diesen Kreislauf.
Telefon-Provider
Die VerbindungStellt die Telefonnummer bereit und leitet den Anruf über SIP oder WebRTC an das KI-System weiter.
Du kaufst eine Nummer oder richtest eine Rufweiterleitung ein. Für den Anrufer unsichtbar.
Transcriber (STT)
Das OhrWandelt gesprochene Sprache in Echtzeit in Text um – trotz Dialekten, Akzenten und Hintergrundgeräuschen.
Neuronale Netzwerke, trainiert mit Millionen Stunden Sprachdaten. Die Qualität hier bestimmt alles.
KI-Modell (LLM)
Das GehirnVersteht die Absicht, entscheidet über die nächste Aktion und formuliert eine kontextbezogene Antwort.
Arbeitet mit dem gesamten Gesprächsverlauf und dem Systemprompt. Keine Textbausteine.
TTS-Modell
Die StimmeWandelt die Textantwort in natürlich klingende Sprache um – mit Betonung, Pausen und emotionalen Nuancen.
Moderne TTS wie Cartesia Sonic klingt nicht mehr nach Roboter, sondern nach echtem Gespräch.
Baustein 1: Der Telefon-Provider
Bevor überhaupt Technik ins Spiel kommt, braucht der Agent eine Telefonnummer und eine Verbindung ins Telefonnetz. Das Ganze passiert über SIP-Verbindungen oder WebRTC – Standardprotokolle für Internettelefonie. Für dich als Nutzer komplett unsichtbar: Der Agent hat eine Nummer und nimmt Anrufe an.
Bei ScaleTalk kannst du direkt auf der Plattform eine deutsche Telefonnummer kaufen und sie mit einem Klick deinem Agenten zuweisen. Oder du leitest deine bestehende Geschäftsnummer per Rufweiterleitung weiter.
Baustein 2: Der Transcriber (Speech-to-Text)
Sobald der Anrufer spricht, wandelt der Transcriber gesprochene Sprache in Echtzeit in Text um. Das klingt einfach, ist aber technisch anspruchsvoll: Hintergrundgeräusche, Dialekte, Sprechgeschwindigkeiten – alles in wenigen Millisekunden.
Moderne Transcriber basieren auf neuronalen Netzwerken, trainiert mit Millionen Stunden Sprachdaten. Wenn jemand sagt „Ich hätte gerne einen Termin am Freitag um zehn", erkennt der Transcriber, dass „zehn" hier eine Uhrzeit ist. Die Qualität des Transcribers ist das Fundament – Fehler hier pflanzen sich durch das gesamte Gespräch fort.
Baustein 3: Das KI-Modell (LLM)
Das KI-Modell bekommt den transkribierten Text, den gesamten Gesprächsverlauf und den Systemprompt. Daraus leitet es ab: Was ist die Absicht? Welche Informationen fehlen? Welches Werkzeug soll es nutzen?
Es antwortet nicht aus Textbausteinen, sondern frei und kontextbezogen. Wenn jemand sagt „Meine Heizung macht komische Geräusche, können Sie mal vorbeikommen?", erkennt das Modell: Wartungstermin, nicht Notfall – auch wenn das Wort „Termin" nie fiel.
Die Temperatur: Kreativität vs. Genauigkeit
Ein wichtiger Parameter: Je niedriger die Temperatur, desto genauer hält sich die KI an den Leitfaden. Je höher, desto freier antwortet sie. Für die meisten Anwendungsfälle empfiehlt sich ein niedriger bis mittlerer Wert.
Baustein 4: Das TTS-Modell (Text-to-Speech)
Vergiss Roboterstimmen aus 2010. Moderne TTS-Modelle erzeugen natürliche Betonungen, Sprechpausen und emotionale Nuancen. Bei ScaleTalk kommt Cartesia mit dem Sonic-Modell zum Einsatz – auf europäischen Servern gehostet.
Die Besonderheit: Die Stimme kann echte Emotionen abbilden. Enthusiastische Betonung bei guten Nachrichten, empathische Tonlage bei Problemen. Gesteuert über den Systemprompt.
Der Systemprompt: Das Briefing für deinen Agenten
Die vier Bausteine sind die Bühne. Die Show definiert der Systemprompt – das Briefing in natürlicher Sprache:
Name, Unternehmen, Rolle. „Du bist Anna, die digitale Assistentin der Beispiel GmbH.“
Freundlich, professionell, per Du oder per Sie. Ob er nachfragen soll oder direkt antwortet.
Termine buchen, Fragen beantworten, Tickets erstellen, an Menschen weiterleiten.
Keine Preisverhandlungen, keine Verträge bestätigen. Bei bestimmten Themen → Mensch.
Kein Code, keine Programmierung. Wie einem neuen Mitarbeiter am ersten Tag – nur dass dieser nach fünf Minuten alles auswendig kann und nichts vergisst.
Was während des Anrufs passiert: Tools & Integrationen
Ein KI-Agent, der nur reden kann, ist nett. Richtig nützlich wird er, wenn er auch Dinge tun kann.
Kalenderintegration
Google- oder Outlook-Kalender mit einem Klick verbinden. Agent prüft freie Slots, schlägt Termine vor und bucht direkt.
„Ich hätte gerne einen Beratungstermin, am besten Freitag.“ → Agent prüft Kalender → schlägt 10 oder 14 Uhr vor → bucht inkl. Name und E-Mail.
API-Requests
Daten an CRM, Ticketsystem oder Automatisierungsplattformen senden und abrufen – in Echtzeit während des Gesprächs.
Kunde schildert Problem → Agent erfasst Daten → erstellt Support-Ticket via Webhook → „Ich trage das Ticket im System ein.“
Wissensdatenbank
PDFs, Word-Docs, Excel-Tabellen hochladen. Der Agent durchsucht sie in Echtzeit und beantwortet Fragen daraus.
Kunde fragt nach Backup-Strategie → Agent findet Antwort im 50-seitigen IT-Sicherheitsdokument → antwortet sofort.
Der Ablauf eines Anrufs – Schritt für Schritt
Anruf kommt rein – Provider leitet Audiostrom weiter
Agent begrüßt – TTS spricht die konfigurierte Startnachricht
Anrufer spricht – Transcriber wandelt Sprache in Text
KI-Modell versteht – analysiert Text, Verlauf und Systemprompt
Agent handelt – führt Kalender-Check oder API-Call aus
Agent antwortet – TTS wandelt Antwort in natürliche Sprache
Schleife wiederholt sich bis Gesprächsende
Nachbearbeitung – Zusammenfassung, Termin, Ticket
Vom Anruf bis zur ersten Antwort: weniger als eine Sekunde.
Fazit
Hinter einem KI-Telefonassistenten steckt keine Magie, sondern ein durchdachtes Zusammenspiel aus vier Technologien: Telefon-Provider, Transcriber, KI-Modell und Sprachsynthese. Dazu kommen Tools für Kalender, APIs und Wissensdatenbanken, die den Agenten vom Gesprächspartner zum echten Mitarbeiter machen.
Die Technik ist da. Sie funktioniert. Und sie ist einfacher einzurichten, als die meisten denken.
Selbst ausprobieren?
Teste ScaleTalk kostenfrei – ohne Setup, ohne Kreditkarte, in wenigen Minuten.