KI-Telefonassistent: Fachbegriffe endlich verständlich erklärt

Sie haben angefangen, sich über einen KI-Telefonassistenten zu informieren, um ein einfaches Problem zu lösen — verpasste Anrufe — und ungefähr beim dritten Browser-Tab standen Sie vor einer Wand aus Wörtern. Voice Agent. IVR. Call Flow. SIP. Portierung. Latenz. Alle benutzen diese Begriffe, als wüssten Sie längst Bescheid, und niemand hält an, um sie zu erklären. Das hier ist die Seite, die anhält und erklärt. Kein Verkaufsglanz, keine Annahme, dass Sie eine IT-Abteilung haben — nur die Fachbegriffe rund um KI-Telefonassistenten, die Sie wirklich brauchen, um eine gute Entscheidung zu treffen.

Die ehrliche Wahrheit über die meisten dieser Begriffe: Es gibt sie, weil das Telefonsystem von Ingenieuren für Ingenieure gebaut wurde — Jahrzehnte bevor sich irgendjemand einen Computer vorstellen konnte, der mit menschlicher Stimme ans Telefon geht. Der Jargon ist alte Rohrleitung. Sie müssen kein Installateur werden. Sie müssen nur genug wissen, um eine echte Funktion von einem glänzenden Wort zu unterscheiden — und um zu verstehen, was ein Anbieter tatsächlich verspricht, wenn er sagt, Ihre Anrufe werden betreut.

Die zwei Begriffe, die am meisten Verwirrung stiften

Bevor das eigentliche Glossar beginnt, räumen wir mit den zwei Begriffen auf, die ständig verwechselt werden: IVR und Voice Agent. Beide gehen an Ihr Telefon. Sie sind aber nicht dasselbe — und genau dieser Unterschied ist der Kern der ganzen Kategorie.

Ein IVR — Interactive Voice Response — ist das alte Menü nach dem Muster „drücken Sie die 1 für Vertrieb, die 2 für Support“. Es existiert seit den 1980er-Jahren. Es folgt einem starren Baum: Der Anrufer drückt eine Taste oder sagt ein einzelnes einstudiertes Wort, und das System springt zum nächsten Ast. Es kann keinen Satz verstehen. Es kann keine Frage beantworten, die Sie nicht vorprogrammiert haben. Anrufer hassen es bekanntermaßen — und das zu Recht: Es lässt sie die Arbeit machen.

Ein Voice Agent (auch KI-Rezeptionist, KI-Telefonassistent oder Conversational Voice AI genannt) hört zu, was der Anrufer tatsächlich sagt, versteht die Absicht dahinter und antwortet in natürlicher Sprache. Fragen Sie ihn „Haben Sie samstags geöffnet?“, beantwortet er die Frage. Bitten Sie ihn um einen Termin am Dienstagnachmittag, erledigt er das. Es gibt keinen Menübaum, durch den man sich hangeln muss, weil es kein Menü gibt. Das ist der Sprung, den die letzten Jahre möglich gemacht haben — und der Grund, warum das ganze Vokabular plötzlich verwirrend wurde: Alte und neue Begriffe stehen jetzt nebeneinander.

Voice Agent (und seine vielen Namen)

Voice Agent ist der Oberbegriff für Software, die am Telefon ein gesprochenes Gespräch führt. Dieselbe Idee wird Ihnen unter einem Dutzend Namen verkauft: KI-Rezeptionist, KI-Telefonassistent, virtueller Telefonassistent, Conversational AI, KI-Anrufbeantworter, Voicebot. Das Marketing wählt jeweils das Wort, das für die Zielgruppe am freundlichsten klingt. Unter der Haube beschreiben alle denselben Trick in drei Schritten.

1. Er hört Sie — Speech-to-Text verwandelt Ihre Worte in Text, in dem Moment, in dem Sie sie aussprechen.
2. Er versteht und entscheidet — ein Sprachmodell liest diesen Text, erkennt, was Sie wollen, und wählt eine Antwort anhand des Firmenprofils und der hinterlegten Regeln.
3. Er antwortet — Text-to-Speech verwandelt die Antwort in eine natürliche Stimme, schnell genug, dass es sich wie ein echtes Gespräch anfühlt.

Wenn jemand sagt, sein Voice Agent sei „gut“, meint er in der Regel: Diese drei Schritte laufen schnell und präzise genug ab, dass der Anrufer nicht das Gefühl hat, mit einer Maschine zu sprechen — oder es ihn zumindest nicht stört. Jeder andere Begriff in diesem Glossar ist im Grunde nur ein Detail dazu, wie diese drei Schritte mit Ihrer tatsächlichen Telefonnummer verdrahtet werden.

Speech-to-Text, Transkription und Text-to-Speech

Speech-to-Text (STT), manchmal auch automatische Spracherkennung (ASR) genannt, ist der Schritt, der die gesprochenen Worte des Anrufers in Echtzeit in geschriebenen Text verwandelt. Es sind die Ohren des Systems. Dialekte, Hintergrundlärm und Menschen, die durcheinanderreden, sind seine härtesten Probleme — weshalb Sie einen Voice Agent immer mit einem echten, leicht chaotischen Anruf testen sollten statt mit einer sauberen Studio-Demo.

Transkription ist eng verwandt, dient aber einem anderen Zweck. STT passiert live, damit der Assistent antworten kann; ein Transkript ist die schriftliche Aufzeichnung des gesamten Gesprächs, gespeichert zum Nachlesen. Das ist eine der still wertvollen Funktionen. Nach jedem Anruf schickt Ihnen ein guter Assistent das Transkript samt kurzer Zusammenfassung: wer angerufen hat, was gewünscht wurde, was vereinbart ist. Sie bekommen den Inhalt des Gesprächs, ohne dabei gewesen sein zu müssen.

Text-to-Speech (TTS), auch Sprachsynthese, ist der Mund. Es verwandelt die gewählte Antwort des Assistenten in hörbare Sprache. Modernes TTS ist der Grund, warum heutige Assistenten menschlich klingen statt wie ein Navi aus den 1990ern — natürliches Tempo, Atempausen, gelegentlich ein „hm“. Manchmal begegnet Ihnen dabei das Wort Stimme im Sinne einer bestimmten synthetischen Persona, die Sie auswählen können (wärmer, zackiger, ein bestimmter Akzent).

Call Flow (und Conversation Design)

Ein Call Flow ist die Landkarte dessen, was während eines Anrufs passiert: wie der Assistent den Anrufer begrüßt, was er tun darf, wann er einen Termin bucht und wann er eine Nachricht aufnimmt, und wann er an einen Menschen übergibt. In alten IVR-Systemen war der Call Flow ein starrer Entscheidungsbaum. Bei einem guten Voice Agent ist er eher ein Satz aus Zielen und Grenzen — „freundlich begrüßen, Fragen aus dem Firmenprofil beantworten, bei Terminwunsch eine Buchung anbieten, im Zweifel eine Nachricht aufnehmen“.

Sie hören auch Conversation Design oder Prompt für die schriftlichen Anweisungen, die Verhalten und Ton des Assistenten prägen. Der praktische Punkt für Sie: Je mehr die Einrichtung nach Ihrem Betrieb fragt — Ihre Leistungen, Ihre Öffnungszeiten, Ihre Preise, wie Sie Anfragen behandelt haben möchten — desto besser passt der Call Flow. Ein generischer Assistent ohne Kontext gibt generische, manchmal falsche Antworten. Das ist kein Versagen der Technik; da wurde die Einrichtung übersprungen.

Intent, Entitäten und „Halluzination“

Intent ist das, was der Anrufer erreichen will — unabhängig von seinen genauen Worten. „Haben Sie am Donnerstag noch etwas frei?“, „Kann ich diese Woche vorbeikommen?“ und „Ich brauche einen Termin“ sind drei Sätze mit einer Absicht: etwas buchen. Das Erkennen der Absicht unterscheidet einen Voice Agent von einem IVR, das nur die exakte Formulierung versteht, die Sie einprogrammiert haben.

Entitäten sind die konkreten Details in einer Anfrage — ein Datum, eine Uhrzeit, ein Name, eine Telefonnummer, eine Leistung. „Buchen Sie mir einen Haarschnitt bei Sam nächsten Dienstag um vier“ enthält vier Entitäten, die der Assistent korrekt erfassen muss. Wenn sich jemand beschwert, dass eine Buchung mit der falschen Uhrzeit ankam, wurde meistens eine Entität falsch verstanden — prüfen Sie also, ob Ihr Assistent die Details vor Gesprächsende noch einmal bestätigt.

Halluzination ist das unverblümte Branchenwort dafür, dass eine KI selbstbewusst etwas erfindet — einen Preis, den Sie nie festgelegt haben, oder eine Leistung, die Sie gar nicht anbieten. Für einen Betrieb ist das das wichtigste Risiko, denn eine falsche Antwort, souverän vorgetragen, ist schlimmer als keine Antwort. Die Leitplanke heißt Grounding: Ein gut gebauter Assistent antwortet ausschließlich aus dem Profil, das Sie ihm gegeben haben, und sagt „ich nehme eine Nachricht auf und lasse das jemanden bestätigen“, wenn er etwas nicht weiß. Wenn ein Anbieter Ihnen nicht erklären will, wie er Halluzinationen verhindert, lohnt es sich, nachzuhaken.

Rufumleitung — der einfache Einstieg

Dieser Begriff entscheidet, wie aufwendig die Einrichtung tatsächlich ist. Rufumleitung heißt: Sie sagen Ihrem bestehenden Telefonanschluss, dass er Anrufe woandershin schicken soll — in diesem Fall an den KI-Assistenten. Ihre Nummer bleibt genau dort, wo sie ist, bei Ihrem aktuellen Telefonanbieter. Sie fügen nur eine Regel hinzu: Leite Anrufe an diese neue Nummer weiter.

Die Umleitung lässt sich in der Regel an Bedingungen knüpfen. Die unbedingte Rufumleitung schickt jeden Anruf an den Assistenten. Die Umleitung bei besetzt/keine Antwort greift nur, wenn Ihre Leitung belegt ist oder nach ein paar Klingeltönen niemand abhebt — Sie nehmen also die Anrufe an, die Sie schaffen, und der Assistent fängt den Überlauf und die Anrufe nach Feierabend auf. Für die meisten kleinen Betriebe ist genau diese bedingte Variante der Sweet Spot: Sie gehen weiter selbst ans Telefon, wenn Sie frei sind, und nichts fällt durchs Raster, wenn nicht.

Rufnummernportierung — der dauerhafte Umzug

Rufnummernportierung ist die gegenteilige Art von Veränderung: Sie überträgt das Eigentum an Ihrer Telefonnummer von einem Netzbetreiber zum anderen. Das macht man, wenn man den Telefonanbieter komplett wechselt und seine Nummer behalten will. Es ist dauerhaft, es bedeutet Papierkram, und es kann je nach Land und Anbieter von einem Tag bis zu ein paar Wochen dauern.

Und deshalb ist die Unterscheidung beim Vergleichen so wichtig: Sie müssen Ihre Nummer fast nie portieren, um einen KI-Telefonassistenten zu nutzen. Die Rufumleitung erledigt den Job ohne die Verpflichtung. Wenn das Onboarding eines Anbieters verlangt, dass Sie Ihre Hauptgeschäftsnummer portieren, nur um seinen Dienst auszuprobieren, ist das ein hoher Einsatz für etwas Unbewiesenes. Seien Sie da vorsichtig. Portierung ist ein feines Werkzeug für ihren eigentlichen Zweck — den Anbieterwechsel — aber sie sollte nicht der Eintrittspreis für den Test eines Telefonassistenten sein.

SIP, VoIP und die Rohrleitungs-Begriffe

Das sind die Begriffe, bei denen Inhabern der Blick glasig wird — also halten wir es kurz und ehrlich: Für die meisten kleinen Betriebe gilt, Sie müssen sie nicht verstehen, um einen KI-Assistenten zu kaufen oder zu nutzen. Aber sie begegnen Ihnen, also hier ihre Bedeutung.

VoIP (Voice over Internet Protocol) bedeutet schlicht Telefonate, die über das Internet laufen statt über klassische Kupferleitungen. Wenn Sie über eine App telefonieren, über ein Headset am Computer oder über ein internetfähiges Tischtelefon, nutzen Sie bereits VoIP. Die meisten modernen Geschäftsanschlüsse tun das.

SIP (Session Initiation Protocol) ist der technische Standard, der diese Internetanrufe auf- und abbaut — der Handschlag, der zwei Enden verbindet. Ein SIP-Trunk ist ein geschäftliches Leitungsbündel, das über das Internet bereitgestellt wird. Diese Wörter hören Sie, wenn ein Anbieter einen KI-Assistenten direkt an die Telefonanlage eines größeren Unternehmens anschließt. Für einen Betrieb mit einer, zwei oder fünf Personen ist das Rohrleitung hinter den Kulissen; Sie kommen damit kaum in Berührung.

Latenz, Barge-in und Turn-Taking

Diese drei Wörter beschreiben, ob sich ein Anruf natürlich anfühlt — und das zählt mehr als jedes Datenblatt.

Latenz ist die Verzögerung zwischen dem Moment, in dem der Anrufer zu Ende gesprochen hat, und dem Moment, in dem der Assistent zu antworten beginnt. Am Telefon wird Stille schnell unangenehm — schon eine Pause von zwei Sekunden fühlt sich an, als wäre die Leitung tot. Niedrige Latenz ist es, was einen Voice Agent präsent statt träge wirken lässt. Sie gehört zu den am schwersten zu meisternden und am leichtesten zu bemerkenden Dingen — vertrauen Sie also beim Testanruf Ihren eigenen Ohren mehr als jeder Zahl in einer Broschüre.

Barge-in (oder Unterbrechungsbehandlung) heißt: Können Sie dem Assistenten mitten im Satz ins Wort fallen, und hört er dann auf und hört zu — so wie ein Mensch? Ohne diese Fähigkeit redet der Assistent über Sie hinweg, und Sie müssen warten, bis er seinen Text zu Ende gesprochen hat, bevor er Sie hört. Mit ihr fließt das Gespräch. Turn-Taking ist die umfassendere Fähigkeit zu erkennen, ob der Anrufer einen Gedanken beendet hat oder nur Luft holt. Läuft das schief, wirkt selbst ein kluger Assistent roboterhaft; läuft es gut, merken Anrufer oft gar nicht, dass sie mit Software sprechen.

Handoff, Eskalation und Warm Transfer

Ein guter Assistent kennt seine Grenzen, und diese Wörter beschreiben, was an dieser Grenze passiert. Handoff (oder Eskalation) ist der Moment, in dem die KI aufhört und einen Menschen ins Spiel bringt — weil der Anrufer verärgert ist, eine komplexe Frage hat oder ausdrücklich nach einer Person verlangt. Wie elegant ein Produkt damit umgeht, verrät viel darüber, wie sehr seine Macher den Anrufer respektieren.

Zwei Varianten sind üblich. Ein Warm Transfer reicht das laufende Gespräch direkt an einen Menschen weiter — idealerweise mit einer kurzen Zusammenfassung des bisher Gesagten, damit der Anrufer nicht alles wiederholen muss. Ein Nachrichten-Handoff nimmt die Details auf und benachrichtigt Sie für einen Rückruf — der richtige Weg, wenn niemand da ist, der das Gespräch live übernehmen kann, etwa nach Feierabend. Entscheidend ist: Ein vertrauenswürdiger Assistent gibt sich auf Nachfrage nie als Mensch aus und lässt niemanden in einer Schleife stecken, aus der es keinen Weg zu einer Person gibt.

Parallelität, 24/7 und Erreichbarkeit

Parallelität (Concurrency) bedeutet: Wie viele Anrufe kann der Assistent gleichzeitig annehmen? Eine menschliche Empfangskraft nimmt einen Anruf an; alle anderen hören das Besetztzeichen oder landen auf der Mailbox. Ein Voice Agent kann mehrere — oder viele — gleichzeitige Anrufe entgegennehmen, ohne Warteschlange. Für einen Betrieb mit plötzlichem Ansturm (eine Aktion, ein voller Montagmorgen, ein Notfall) ist das still einer der größten Gewinne: Niemand hängt in der Warteschleife, und kein Anrufer beschließt, es stattdessen bei Ihrer Konkurrenz zu versuchen.

24/7 und Erreichbarkeit sind die schlichten Zusagen, dass der Assistent rund um die Uhr abnimmt — nachts, am Wochenende, an Feiertagen. Das ist der eigentliche Grund, warum sich viele Inhaber überhaupt mit dem Thema beschäftigen. Die Rechnung ist einfach: Wenn Sie zehn Anrufe pro Woche verpassen — nach Feierabend, während Terminen, an Ihren Ruhetagen — und auch nur einer davon eine lohnende Buchung war, dann bezahlt sich ein Assistent, der sie auffängt, von selbst. Dafür braucht es keine erfundene Studie; Sie wissen selbst, wie viele Anrufe Ihnen durchgehen.

Firmenprofil, Wissensbasis und „Training“

Firmenprofil oder Wissensbasis ist die Information, aus der der Assistent seine Antworten bezieht: Ihre Leistungen, Öffnungszeiten, die Preise, die Sie teilen möchten, der Standort, Ihr Umgang mit häufigen Anliegen. Das ist der wichtigste Hebel, den Sie in der Hand haben, denn der Assistent ist nur so präzise wie dieses Profil. Nehmen Sie sich zwanzig Minuten, um es ordentlich auszufüllen — der Unterschied in der Gesprächsqualität ist dramatisch.

Das Wort Training wird hier manchmal lose verwendet. Es kann das tiefe, technische Training des zugrunde liegenden Sprachmodells meinen (das macht der Anbieter, nicht Sie) — oder schlicht „das Profil ausfüllen, damit der Assistent Ihren Betrieb kennt“. Wenn ein Werkzeug für kleine Betriebe verspricht „trainieren Sie Ihren Assistenten in Minuten“, ist fast immer das zweite, freundlichere gemeint: ein kurzer Einrichtungsassistent mit Fragen dazu, wie Sie arbeiten. Niemand erwartet von Ihnen Machine Learning.

Wie das alles zur tatsächlichen Einrichtung passt

Setzt man den Jargon zusammen, ist der echte Ablauf erfrischend unspektakulär. Bei Vunoon registrieren Sie sich, füllen einen kurzen Einrichtungsassistenten aus, der zu Ihrem Firmenprofil wird, und testen den Voice Agent, indem Sie ihn anrufen und mit ihm sprechen wie ein Kunde. Wenn Sie zufrieden sind, richten Sie die Rufumleitung auf Ihrem bestehenden Anschluss ein — keine Portierung, keine SIP-Rohrleitung zum Lernen — und Sie sind live. Nach jedem Anruf erhalten Sie Transkript und Zusammenfassung; wenn der Assistent nicht weiterhelfen kann, macht er einen sauberen Nachrichten-Handoff, statt zu raten.

Genau darum lohnt es sich, diese Wörter zu entschlüsseln: Sobald Sie sie durchschauen, verliert die Technik ihren Schrecken und wird zu einer kurzen Liste von Entscheidungen, die Sie problemlos treffen können. Sie müssen kein fließendes Telekom-Deutsch sprechen. Sie brauchen einen Telefonassistenten, der abnimmt, versteht und ehrlich übergibt — und jetzt können Sie beurteilen, ob ein Produkt das wirklich tut.

1. 1
   Profil aufbauen

   Beantworten Sie den Einrichtungsassistenten zu Ihren Leistungen, Zeiten und Ihrem Umgang mit Anfragen. Das ist die „Wissensbasis“ — der Assistent ist nur so gut wie das, was hier steht.
2. 2
   Voice Agent testen

   Rufen Sie ihn an. Unterbrechen Sie ihn, nuscheln Sie, stellen Sie eine Frage abseits des Skripts. Sie prüfen Latenz, Barge-in und ob er aus Ihrem Profil antwortet.
3. 3
   Anrufe umleiten

   Richten Sie eine bedingte Rufumleitung ein, damit der Assistent Überlauf und Anrufe außerhalb der Geschäftszeiten auffängt. Ihre Nummer bleibt genau dort, wo sie ist; abschalten geht in Sekunden.
4. 4
   Transkripte lesen

   Jeder Anruf kommt als Zusammenfassung und Transkript zu Ihnen zurück — Sie behalten den vollen Überblick, auch über Anrufe, die Sie nie selbst angenommen haben.