KI-Telefonassistent und Sprach-Agenten 2026: Was sie können, was sie kosten, was erlaubt ist

Warum Sprach-Agenten 2026 plötzlich brauchbar sind

Telefon-Bots gibt es seit Jahren, und die meisten waren eine Zumutung: „Sagen Sie eins für Termine.“ Das hat sich 2026 geändert. Moderne Sprach-Agenten hören zu, während sie sprechen, lassen sich unterbrechen, verstehen ganze Sätze und können im Hintergrund Werkzeuge nutzen, etwa einen Kalender prüfen oder eine Bestellung nachschlagen.

Drei Entwicklungen haben das möglich gemacht. Erstens schnellere Sprachausgabe: ElevenLabs nennt für Eleven v4 Turbo eine mittlere Zeit bis zur ersten Sprachausgabe von rund 150 Millisekunden. Zweitens Modelle, die gleichzeitig hören und sprechen: OpenAI beschreibt GPT-Live-1 als Vollduplex-Sprachmodell, das zuhören und reden kann und Denkarbeit sowie Werkzeuge an ein Hintergrundmodell abgibt. Drittens fertige Plattformen, die Telefonie, Wissensdatenbank und Abläufe bündeln.

Für Handwerksbetriebe, Praxen, Agenturen und kleine Shops ist das interessant, weil das Telefon genau dann klingelt, wenn niemand Zeit hat. Ein Sprach-Agent kann Standardfragen beantworten, Termine anbieten, Rückrufwünsche aufnehmen und eine saubere Notiz hinterlassen. Dieser Ratgeber zeigt, welche Bausteine es gibt, was sie laut offiziellen Preisseiten kosten und welche Regeln in Deutschland gelten.

Die Bausteine: Hören, Denken, Sprechen, Handeln

Jeder Sprach-Agent besteht aus vier Teilen. Hören: Spracherkennung wandelt die Stimme des Anrufers in Text um und erkennt, wann er fertig gesprochen hat. Denken: Ein Sprachmodell versteht das Anliegen und entscheidet, was als Nächstes passiert. Sprechen: Eine Sprachsynthese liest die Antwort mit natürlicher Stimme vor. Handeln: Werkzeuge verbinden den Agenten mit Kalender, CRM, Shop oder Ticketsystem.

Mistral beschreibt genau diese vier Anforderungen in der Vorstellung von Voxtral 3: zuverlässig zuhören über Sprachen, Akzente und Unterbrechungen hinweg, verstehen, was gemeint ist, natürlich und mit Emotion sprechen und über mehrere Schritte in angebundenen Systemen handeln, und zwar alles gleichzeitig in Echtzeit.

Du kannst diese Teile einzeln zusammenstecken oder eine Plattform nehmen, die alles bündelt. Einzeln heißt mehr Kontrolle und meist mehr Arbeit, gebündelt heißt schneller Start und weniger Stellschrauben. Für die meisten kleinen Betriebe ist eine fertige Plattform der vernünftige Einstieg.

Ein Detail, das über Erfolg oder Frust entscheidet, ist die Verzögerung zwischen dem Ende deines Satzes und dem Anfang der Antwort. Im Gespräch empfinden Menschen schon kurze Pausen als unnatürlich, und wer zu lange auf eine Antwort wartet, redet weiter oder legt auf. Deshalb nennen die Anbieter ihre Reaktionszeiten so prominent, und deshalb lohnt es sich, beim Testen genau darauf zu achten, wie schnell und wie sauber der Agent auf Unterbrechungen reagiert.

Die Anbieter im Überblick

OpenAI GPT-Live-1: seit 10. September 2026 in der API. Ein Vollduplex-Sprachmodell für Echtzeit-Gespräche, das Unterbrechungen sauber verarbeitet und Denken sowie Werkzeugnutzung an ein Hintergrundmodell delegiert. Du kombinierst es also mit einem Modell deiner Wahl, etwa GPT-6 Luna für einfache oder GPT-6.1 Sol für schwierige Gespräche. Das ist ein Baustein für Entwickler, keine fertige Telefonanlage.

ElevenLabs mit ElevenAgents: eine Plattform für Sprach-Agenten mit Workflow-Builder, Wissensdatenbank, Mehrsprachigkeit und Widget laut Preisseite. Die Sprachmodelle Eleven v4 und Eleven v4 Turbo vom 28. September 2026 unterstützen laut ElevenLabs über 90 Sprachen, Turbo ist für geringe Verzögerung gebaut und auf ElevenAgents abgestimmt. Telefonie berechnet ElevenLabs laut FAQ nicht extra, wer aber einen externen Anbieter wie Twilio oder einen SIP-Trunk anbindet, zahlt dort dessen Gebühren.

Mistral Voxtral 3: seit 22. Oktober 2026. Eine Familie aus Spracherkennung (Voxtral Small Transcribe 3) und Sprachausgabe (Voxtral Mini TTS 3) plus ein SDK für Sprach-Agenten, das Zuhören, Denken, Werkzeugnutzung und Sprechen in einer Echtzeit-Pipeline verbindet. Laut Mistral erkennt die Transkription über 50 Sprachen, unterscheidet Sprecher und erkennt das Ende eines Redebeitrags, die Sprachausgabe unterstützt über 35 Sprachen. Besonderheit: in der EU gehostete API oder Selbstbetrieb auf eigener Infrastruktur.

Daneben gibt es zahlreiche spezialisierte Anbieter für Telefonassistenten, die auf diesen oder eigenen Modellen aufbauen. Prüf bei jedem, welche Modelle dahinterstecken, wo die Daten verarbeitet werden und wie abgerechnet wird.

Was kostet eine Minute? Die offiziellen Preise

OpenAI: GPT-Live-1 kostet laut Preisseite 0,05 US-Dollar pro Minute, sekundengenau abgerechnet ohne Aufrunden. Das Hintergrundmodell und Werkzeuge werden separat berechnet. OpenAI rechnet selbst ein Beispiel vor: Ein Gespräch von 90 Sekunden kostet 0,075 US-Dollar für die Sprachschicht, mit angenommenen 0,02 US-Dollar Hintergrundkosten zusammen 0,095 US-Dollar. Wichtig: Abgerechnet wird die aktive Sitzungsdauer, auch Schweigen und Wartezeiten, bis die Sitzung geschlossen wird.

ElevenLabs ElevenAgents: Der Gratis-Tarif enthält laut Preisseite 15 Gesprächsminuten, Starter 75, Creator 275, Pro 1.238, Scale 3.738 und Business 12.375 Minuten im Monat. Scale kostet 299 US-Dollar, Business 990 US-Dollar im Monat. Zusätzliche Minuten kosten 0,08 US-Dollar, bei Überschreitung der gleichzeitigen Anrufe 0,16 US-Dollar. Die Nutzung des Sprachmodells wird extra berechnet, je nach gewähltem Modell.

ElevenLabs Sprachausgabe einzeln: Über die API kostet Eleven v4 laut Preisseite 0,08 US-Dollar pro 1.000 Zeichen, Eleven v4 Turbo 0,04 US-Dollar. Spracherkennung mit Scribe kostet 0,22 US-Dollar pro Stunde, in Echtzeit 0,39 US-Dollar pro Stunde.

Rechenbeispiel mit erfundenen Mengen: Ein Betrieb hat 300 Anrufe im Monat à drei Minuten, also 900 Minuten. Mit GPT-Live-1 kostet allein die Sprachschicht 45 US-Dollar, dazu kommen Hintergrundmodell und Telefonie. Bei ElevenAgents läge man mit 900 Minuten im Pro-Tarif mit 1.238 Inklusivminuten, plus Sprachmodell-Kosten. Mistral nennt in der Vorstellung von Voxtral 3 keine Preise, die musst du auf der Preisseite prüfen.

Was ein Telefonassistent gut kann und was nicht

Gut geeignet sind Gespräche mit klarem Ziel: Öffnungszeiten und Standardfragen beantworten, Termine anbieten und eintragen, Rückrufwünsche mit Name, Nummer und Anliegen aufnehmen, Bestellstatus nachschlagen, einfache Reklamationen vorsortieren. Hier spart der Agent Zeit und verpasste Anrufe.

Schlecht geeignet sind heikle Gespräche: medizinische Einschätzungen, Rechtsberatung, Beschwerden aufgebrachter Kunden, Kündigungen oder alles, wo Empathie und Verantwortung zählen. Ein Agent sollte hier freundlich erklären, dass sich ein Mensch meldet, und das Gespräch sauber übergeben.

Eine Grenze, die oft unterschätzt wird: Namen, Adressen und Telefonnummern. Spracherkennung macht bei Eigennamen und Ziffernfolgen Fehler. Lass den Agenten wichtige Angaben wiederholen und bestätigen, bevor er einen Termin einträgt.

Und: Ein Agent ist nur so aktuell wie sein Wissen. Ändern sich Öffnungszeiten, Preise oder das Einzugsgebiet, muss jemand die Wissensdatenbank anpassen. Lege fest, wer das macht, sonst erzählt der Agent im Januar noch von der Weihnachtsaktion.

Die Regeln: AI Act, Aufnahme und Datenschutz

EU AI Act: Seit 2. August 2026 gilt Artikel 50. Anbieter müssen KI-Systeme, die direkt mit Menschen interagieren, so gestalten, dass die Menschen erfahren, dass sie mit einer KI sprechen, es sei denn, das ist offensichtlich. Für einen Telefonassistenten heißt das praktisch: Er sagt zu Beginn, dass er ein KI-Assistent ist. Das ist ohnehin fair und erspart peinliche Momente.

Aufnahme: Das heimliche Aufnehmen des nichtöffentlich gesprochenen Wortes ist in Deutschland nach § 201 StGB strafbar. Wenn der Agent Gespräche aufzeichnet oder transkribiert, muss der Anrufer das wissen und zustimmen. Eine kurze Ansage zu Beginn mit der Möglichkeit, stattdessen eine Nachricht zu hinterlassen oder einen Rückruf zu bekommen, ist der saubere Weg.

Datenschutz: Stimme, Telefonnummer und Gesprächsinhalt sind personenbezogene Daten. Du brauchst eine Rechtsgrundlage, eine Information in der Datenschutzerklärung und einen Vertrag zur Auftragsverarbeitung mit dem Anbieter. Prüf, wo Gespräche verarbeitet und wie lange Aufnahmen gespeichert werden. Bei Gesundheitsdaten, etwa in Praxen, gelten strengere Regeln, dort solltest du vor dem Start rechtlichen Rat einholen.

Stimmklone: Eine geklonte Stimme einer echten Person darfst du nur mit deren Einwilligung nutzen. Wer den Agenten mit der Stimme des Chefs sprechen lässt, braucht dessen Zustimmung und sollte trotzdem klar sagen, dass eine KI spricht.

Der Aufbau Schritt für Schritt

Schritt 1, Anrufe auswerten: Schreib zwei Wochen lang mit, warum Menschen anrufen. Meist decken fünf bis zehn Anliegen den Großteil ab. Genau diese bekommt der Agent, alles andere geht an einen Menschen.

Schritt 2, Wissen aufschreiben: Öffnungszeiten, Preise, Leistungen, Anfahrt, häufige Fragen. Kurz, aktuell, widerspruchsfrei. Das ist die Wissensdatenbank des Agenten. Der Prompt „FAQ aus Suchfragen“ auf mentat.codes hilft beim Formulieren.

Schritt 3, Gesprächsleitfaden: Begrüßung mit KI-Hinweis, Anliegen erfragen, bei Standardfragen antworten, bei Terminen freie Zeiten anbieten und bestätigen, bei allem anderen Rückrufnotiz aufnehmen. Lege fest, wann der Agent an einen Menschen übergibt.

Schritt 4, Anbindung: Kalender, Telefonnummer, gegebenenfalls CRM. Am Anfang reicht oft eine E-Mail mit Gesprächsnotiz an dich. Der Prompt „Rückrufnotiz“ auf mentat.codes zeigt, wie eine gute Notiz aussieht.

Schritt 5, testen: Ruf selbst an, lass Kollegen und Freunde anrufen, mit Dialekt, Hintergrundlärm, Unterbrechungen und absurden Fragen. Erst wenn der Agent 20 Testanrufe sauber besteht, geht er an echte Kunden, zuerst außerhalb der Geschäftszeiten.

Beispiel: ein Malerbetrieb mit vollem Terminkalender

Ein ausgedachtes, aber typisches Beispiel: Ein Malerbetrieb mit vier Leuten bekommt jeden Tag zwanzig Anrufe. Die meisten wollen wissen, ob der Betrieb in ihrem Ort arbeitet, ob ein Besichtigungstermin frei ist, wann die Rechnung kommt oder ob der Termin am Donnerstag bleibt. Der Chef steht auf der Leiter, die Bürokraft arbeitet halbtags, und nachmittags landen die Anrufe auf der Mailbox, die niemand gern abhört.

Der Sprach-Agent übernimmt die Nachmittage und die Mittagspause. Er begrüßt mit dem Hinweis, dass hier ein KI-Assistent des Betriebs spricht, fragt nach dem Anliegen und beantwortet, ob der Ort im Einzugsgebiet liegt. Für Besichtigungen bietet er zwei freie Zeitfenster aus dem Kalender an, wiederholt Name, Adresse und Telefonnummer und trägt den Termin ein. Fragen zu Rechnungen und Reklamationen nimmt er als Rückrufnotiz auf und schickt sie per E-Mail an die Bürokraft.

Was der Agent ausdrücklich nicht darf: Preise für konkrete Aufträge nennen, Termine absagen oder verschieben, die schon im Kalender stehen, und über Mängel diskutieren. Dafür gibt es den Satz: Darum kümmert sich die Kollegin persönlich, sie ruft Sie morgen Vormittag zurück. Der Agent verspricht nur, was der Betrieb auch hält.

Nach vier Wochen schaut der Betrieb auf die Zahlen: Wie viele Anrufe hat der Agent erledigt, wie viele Termine sind zustande gekommen, wie oft musste nachgearbeitet werden, und was hat es gekostet? Erst dann entscheidet er, ob der Agent auch vormittags rangeht.

Qualität messen und verbessern

Lies in den ersten Wochen jede Gesprächsnotiz und jedes Transkript, soweit die Anrufer zugestimmt haben. Markiere, wo der Agent falsch verstanden, falsch geantwortet oder zu früh aufgegeben hat. Meist liegt es an fehlendem Wissen in der Datenbank oder an einem unklaren Leitfaden, nicht am Modell.

Wichtige Kennzahlen sind einfach: Anteil der Anrufe, die der Agent ohne Mensch erledigt, Anteil der Übergaben, Beschwerden über den Agenten und die Kosten pro Anruf. Vergleiche das mit der Zeit, die du vorher am Telefon verbracht hast, etwa mit dem KI-Zeitersparnis-Rechner auf mentat.codes.

Behalte außerdem im Blick, was du nicht siehst: Menschen, die auflegen, sobald sie eine KI hören. Wenn das viele sind, liegt es oft an einer zu langen Begrüßung oder einer unnatürlichen Stimme. Eine kurze, freundliche Ansage und die Option, direkt einen Rückruf zu bekommen, helfen.

Fazit: Für wen sich ein KI-Telefonassistent lohnt

Ein Sprach-Agent lohnt sich, wenn viele Anrufe zu wenigen Standardanliegen kommen und verpasste Anrufe Geld kosten: Handwerk, Praxen, Werkstätten, Lieferdienste, kleine Shops. Für Betriebe mit wenigen, dafür komplexen Gesprächen bringt er wenig.

Die Technik ist 2026 so weit, dass Gespräche natürlich wirken. Die Kosten pro Minute liegen laut offiziellen Preisen im Cent-Bereich plus Modell- und Telefoniekosten. Die eigentliche Arbeit steckt im Wissen, im Leitfaden und in den Regeln: ehrlich sagen, dass eine KI spricht, nur mit Zustimmung aufzeichnen und heikle Fälle an Menschen geben. Wer das sauber macht, hat einen Kollegen, der nie in der Mittagspause ist.