Blog · KI-Telefonassistent · 08.10.2026

Blog

KI-Telefonassistent

KI-Telefonassistent:Die Kosten je Gesprächund was Sie sagen müssen

Die Preise für Mitschrift und Sprachausgabe sind deutlich gefallen. Was davon im Betrieb ankommt, und welche drei Fragen vor dem ersten Anruf geklärt sein sollten.

Direkt zur Anfrage

Auf dieser Seite

Anfrage

Nikolai Schöbel und Jeremias Burger, Co-Founder Scalableloops

Sprechen wir über Ihr Projekt.

Erst prüfen wir, ob das Vorhaben zu Ihrem Geschäftsmodell passt. Dann folgt ein Vorschlag mit Phasen und Aufwand.

Telefonassistenten prüfen lassen oder anrufen: +49 151 1576 5566

Blog · KI-Telefonassistent

Die Kosten eines KI-Telefonassistenten entstehen in drei Bausteinen: der Mitschrift des Gesagten, einem Sprachmodell, das die Antwort formuliert, und der Sprachausgabe. Der Assistent nimmt Anrufe entgegen, versteht gesprochene Sprache, antwortet mit synthetischer Stimme und reicht weiter, wenn ein Mensch übernehmen soll. Für zwei davon sind die Preise zuletzt deutlich gefallen. Microsoft hat am 1. Oktober 2026 drei Modelle veröffentlicht, bei denen die Mitschrift 0,54 US-Dollar je Audiostunde kostet und die Sprachausgabe 15 beziehungsweise 22 US-Dollar je Million Zeichen. Auf ein Gespräch von drei Minuten gerechnet sind das rund vier Cent, das Sprachmodell in der Mitte noch nicht eingerechnet. Die eigentliche Arbeit liegt damit nicht mehr beim Preis, sondern bei drei Fragen davor: Wo werden die Gespräche verarbeitet, was müssen Sie Anrufern über die KI sagen, und wann wird eine Mitschrift strafbar.

In Kürze

Microsoft hat am 1. Oktober 2026 MAI-Transcribe-2-Streaming für die Mitschrift in 60 Sprachen sowie MAI-Voice-2.1 und MAI-Voice-2.1-Flash für die Sprachausgabe in 23 Sprachen veröffentlicht.
Die Mitschrift kostet als Einführungspreis bis Jahresende 0,54 US-Dollar je Audiostunde, die Sprachausgabe 22 beziehungsweise 15 US-Dollar je Million Zeichen.
Ein Gespräch von drei Minuten kostet damit rund vier Cent für Mitschrift und Sprachausgabe zusammen; das Sprachmodell, das die Antwort formuliert, kommt obendrauf.
Seit dem 2. August 2026 müssen Anrufer erfahren, dass sie mit einem KI-System sprechen, und eine heimliche Gesprächsmitschrift ist nach deutschem Strafrecht eine Straftat.

Veröffentlicht 08.10.2026Nikolai Schöbel und Jeremias BurgerLesezeit 8 min

Nikolai Schöbel und Jeremias Burger

Co-Founder der Scalableloops GmbH. Nikolai Schöbel verantwortet Online-Marketing und KI-Strategie, Jeremias Burger die KI-Architektur. Beide bauen und schulen KI-Systeme im eigenen Agenturalltag.

Auf dieser Seite

Was ist ein KI-Telefonassistent?
Welche Bausteine die Kosten eines KI-Telefonassistenten bestimmen
Wie teuer ein KI-Telefonassistent je Gespräch wird
Wo der KI-Telefonassistent Ihre Gespräche verarbeitet
KI-Kennzeichnung am Telefon: was Sie Anrufern sagen müssen
Wann die Gesprächsmitschrift per KI strafbar wird
Für wen sich ein KI-Telefonassistent lohnt
Häufige Fragen
So steigen Sie beim KI-Telefonassistenten sinnvoll ein
Woher die Angaben auf dieser Seite stammen

Grundlagen

Was ist ein KI-Telefonassistent?

Ein KI-Telefonassistent ist ein Programm, das ans Telefon geht, statt dass es klingelt und niemand abnimmt. Es hört zu, erkennt gesprochene Sprache, entscheidet anhand hinterlegter Regeln und Daten, was zu tun ist, und antwortet mit einer künstlich erzeugten Stimme. Je nach Aufgabe nimmt es nur eine Nachricht auf, nennt Öffnungszeiten, trägt einen Termin ein oder verbindet an die richtige Person weiter (was davon sich lohnt, hängt weniger an der Technik als daran, welche Anrufe bei Ihnen überhaupt ankommen).

Der Unterschied zu einer klassischen Ansage mit Tastenwahl liegt darin, dass der Anrufer frei sprechen darf und keine Menüs durchklickt. Und der Unterschied zu einem Chatbot auf der Website liegt im Kanal: Am Telefon fällt jede Verzögerung auf, weil Menschen im Gespräch eine Antwort innerhalb von Sekundenbruchteilen erwarten. Genau deshalb drehen die Anbieter gerade so stark an der Geschwindigkeit.

Ein solcher Assistent entscheidet nichts, was Sie ihm nicht vorher erlaubt haben. Er ist eine Telefonzentrale mit Sprachverständnis, kein Mitarbeiter. Was er sagen darf, welche Fälle er annimmt und ab wann er an einen Menschen übergibt, legen Sie fest. Wie weit solche Systeme im Betrieb sonst noch reichen, beschreiben wir im Beitrag zum KI-Assistenten im Unternehmen.

Aufbau

Welche Bausteine die Kosten eines KI-Telefonassistenten bestimmen

Die Anrufannahme per KI besteht aus drei Schritten, die nacheinander laufen und einzeln abgerechnet werden. Zuerst wandelt ein Transkriptionsmodell das Gesprochene in Text um, und zwar laufend, während der Anrufer noch spricht. Dann formuliert ein Sprachmodell aus diesem Text die Antwort. Zuletzt macht ein Sprachsynthese-Modell daraus hörbare Sprache (und erst an dieser Stelle hört der Anrufer überhaupt etwas, weshalb sich Verzögerungen aus allen drei Schritten hier bündeln).

Microsoft hat am 1. Oktober 2026 für den ersten und den dritten Schritt neue Modelle vorgestellt. MAI-Transcribe-2-Streaming schreibt laufend mit und beherrscht nach Angaben des Herstellers 60 Sprachen mit automatischer, fortlaufender Spracherkennung, erkennt also selbst, in welcher Sprache gerade gesprochen wird. Für die Ausgabe gibt es MAI-Voice-2.1 und die schnellere Variante MAI-Voice-2.1-Flash, beide in 23 Sprachen und 26 regionalen Varianten. Microsoft gibt für die Flash-Variante eine Verzögerung von 150 Millisekunden für 45 Sekunden Audio an und nennt sie rund 60 Prozent günstiger als vergleichbare Modelle. Verfügbar sind die Modelle über Microsoft Foundry, das MAI Playground, Vercel, Azure Voice Live und teils OpenRouter.

Für die Praxis zählt vor allem der zweite Schritt, also das Sprachmodell in der Mitte, über das in den Meldungen zu den neuen Modellen am wenigsten steht, obwohl es darüber entscheidet, ob die Antworten taugen, und obendrein eigene Kosten verursacht. Wer die Preise für Mitschrift und Stimme mit den Gesamtkosten verwechselt, rechnet sich den Betrieb zu günstig. Wie sich diese Modellkosten drücken lassen, haben wir unter KI-Kosten senken zusammengetragen.

Schritt	Was dabei passiert	Wonach abgerechnet wird
Mitschrift	Gesprochenes wird laufend in Text umgewandelt	Je Stunde Audio
Antwort	Ein Sprachmodell formuliert, was gesagt werden soll	Je verarbeiteter Textmenge
Sprachausgabe	Der Text wird als hörbare Stimme ausgegeben	Je Million Zeichen
Telefonanbindung	Der Anruf wird technisch zum System geführt	Je Minute oder pauschal, je nach Anbieter

Sprachen schreibt das neue Transkriptionsmodell nach Herstellerangaben mit, bei fortlaufender automatischer Spracherkennung.

Microsoft AI, 01.10.2026

Kosten

Wie teuer ein KI-Telefonassistent je Gespräch wird

Die Kosten eines KI-Telefonassistenten lassen sich für zwei der drei Bausteine genau ausrechnen, weil die Preise veröffentlicht sind. Die Mitschrift kostet 0,54 US-Dollar je Audiostunde, und Microsoft nennt das ausdrücklich einen Einführungspreis bis zum Jahresende. Ob er danach bleibt, steht nicht fest. Die Sprachausgabe kostet 22 US-Dollar je Million Zeichen, in der schnelleren und günstigeren Flash-Variante 15 US-Dollar. Umgerechnet zum Referenzkurs der Europäischen Zentralbank vom 7. Oktober 2026 (1 Euro entsprach 1,1177 US-Dollar) sind das die Werte in der Tabelle.

Rechnen wir ein Gespräch von drei Minuten durch. Die Mitschrift läuft über die volle Dauer, das sind 0,05 Audiostunden und damit rund 2,4 Cent. Für die Sprachausgabe nehmen wir an, dass der Assistent etwa die Hälfte der Zeit selbst spricht. Eine Minute gesprochener Text umfasst ungefähr 750 bis 900 Zeichen mit Leerzeichen, für anderthalb Minuten also rund 1.100 bis 1.350 Zeichen. Mit der Flash-Variante kostet das etwa 1,5 bis 1,8 Cent. Zusammen landen Sie bei rund vier Cent je Gespräch, mit der teureren Stimme bei knapp fünf.

Hochgerechnet auf 100 Anrufe an 20 Arbeitstagen, also 2.000 Gespräche im Monat, ergibt das etwa 79 bis 85 Euro für Mitschrift und Stimme. Das ist eine Rechnung mit benannten Annahmen und keine Messung an Ihrem Betrieb: Je nach Gesprächslänge und Redeanteil verschiebt sich der Wert, bei längeren Beratungsgesprächen vermutlich deutlich. Zwei Posten fehlen in dieser Summe ganz, nämlich das Sprachmodell für die Antworten und die Telefonanbindung. Und wer einen fertigen Dienst einkauft statt selbst zu bauen, zahlt ohnehin mehr als die reinen Modellpreise, weil Gesprächslogik, Anbindung und Betrieb darin enthalten sind.

Baustein	Listenpreis	Umgerechnet	Bezugsgröße
Mitschrift (MAI-Transcribe-2-Streaming)	0,54 USD	rund 0,48 Euro	je Stunde Audio, Einführungspreis bis Jahresende
Sprachausgabe (MAI-Voice-2.1)	22 USD	rund 19,68 Euro	je Million Zeichen
Sprachausgabe (MAI-Voice-2.1-Flash)	15 USD	rund 13,42 Euro	je Million Zeichen
Sprachmodell für die Antwort	nicht in diesen Preisen enthalten	abhängig vom gewählten Modell	je verarbeiteter Textmenge

4 Cent

kosten Mitschrift und Sprachausgabe zusammen bei einem Gespräch von drei Minuten, gerechnet aus den veröffentlichten Preisen.

Eigene Rechnung, Kurs EZB 07.10.2026

Daten

Wo der KI-Telefonassistent Ihre Gespräche verarbeitet

Beim Thema DSGVO fängt ein KI-Telefonassistent anders an als ein Chatbot, denn eine Stimme ist mehr als Text. Microsoft schreibt in der eigenen Dokumentation zu den Sprachdiensten, dass Audiodaten sprechender Menschen und die zugehörigen Transkripte nach verschiedenen Datenschutzgesetzen als personenbezogene oder sensible Daten gelten können, weil sie nicht nur die Stimme enthalten, sondern je nach Zusammenhang auch persönliche Informationen im Gesagten. Im selben Dokument steht, dass Sie als Betreiber dafür verantwortlich sind, alle nötigen Erlaubnisse für die Verarbeitung einzuholen.

Zur Speicherung ist die Aussage erfreulich klar. Für die Echtzeit-Transkription verarbeitet Microsoft das Audio nach eigener Darstellung ausschließlich im Arbeitsspeicher der Server, und es werden keine Daten dauerhaft abgelegt. Für die Frage, in welchem Land das passiert, gilt die EU-Datengrenze: Microsoft verpflichtet sich darin, Kundendaten und personenbezogene Daten der Unternehmensdienste innerhalb der EU und der EFTA zu speichern und zu verarbeiten. Diese Zusage hat allerdings ausdrücklich benannte Ausnahmen, in denen Daten die Grenze doch verlassen, und bei Azure greift sie ohnehin nur, wenn Sie den Dienst auch in einer Region innerhalb dieser Grenze betreiben.

Daraus folgt eine Prüfung, die niemand für Sie übernimmt: In welcher Region läuft Ihr Dienst, steht der Auftragsverarbeitungsvertrag, und ist das konkrete Modell in dieser Region überhaupt schon verfügbar. Gerade bei frisch veröffentlichten Modellen ist das Letzte keine Formsache, denn die Verfügbarkeit je Region wächst erfahrungsgemäß erst nach und nach. Sollen die Daten den Betrieb gar nicht verlassen, bleibt der Weg über Sprachdienste im eigenen Rechenzentrum, den Microsoft als Container anbietet und bei dem Audio und Transkript nach Herstellerangaben nicht in die Cloud gehen (das kostet dafür Hardware und Betreuung, ist also eher eine Abwägung als eine Abkürzung). Was das allgemein bedeutet, steht in unserem Beitrag zu lokaler KI.

Pflichten

KI-Kennzeichnung am Telefon: was Sie Anrufern sagen müssen

Die KI-Kennzeichnung am Telefon ist seit dem 2. August 2026 keine Stilfrage mehr. Seitdem gilt Artikel 50 der KI-Verordnung, und nach Absatz 1 müssen KI-Systeme, die für die direkte Interaktion mit natürlichen Personen bestimmt sind, so gestaltet sein, dass die Betroffenen erfahren, dass sie mit einem KI-System interagieren. Die Bundesnetzagentur formuliert es in ihrer Übersicht ebenso knapp: Betroffene Personen müssen über die Interaktion mit dem KI-System informiert werden.

Es gibt eine Ausnahme, und sie trägt am Telefon weniger weit, als viele hoffen. Die Information kann entfallen, wenn die Sache aus Sicht einer angemessen informierten und aufmerksamen Person ohnehin offensichtlich ist. Bei einer synthetischen Stimme, die gut klingt, ist genau das zweifelhaft, und je besser die Stimmen werden, desto schwächer dürfte dieses Argument werden. Wir halten die gesprochene Ansage deshalb für den sicheren Weg. Informiert werden muss spätestens bei der ersten Interaktion, also im ersten Satz des Gesprächs und nicht irgendwo im Impressum.

Praktisch heißt das ein Satz zur Begrüßung, der sagt, womit der Anrufer es zu tun hat, und der Weg zu einem Menschen, der ohne Umweg funktioniert. Was bei Verstößen droht, steht in Artikel 99: Bußgelder bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes, wobei für kleine und mittlere Unternehmen der jeweils niedrigere Betrag gilt. Die Einzelheiten zur Kennzeichnung haben wir im Beitrag zur KI-Kennzeichnungspflicht nach Artikel 50 aufgeschrieben, und die ebenfalls seit Februar geltende Schulungspflicht behandelt der Beitrag zu Artikel 4.

Frage	Was gilt
Muss ich die KI ansagen?	Ja, sobald nicht offensichtlich ist, dass ein KI-System spricht
Wann muss die Ansage kommen?	Spätestens bei der ersten Interaktion, also zur Begrüßung
Wer ist verantwortlich?	Der Anbieter des Systems nach Absatz 1, Betreiberpflichten greifen bei weiteren Fällen
Seit wann gilt das?	Artikel 50 der KI-Verordnung gilt seit dem 2. August 2026
Was droht bei Verstoß?	Bis zu 15 Millionen Euro oder 3 Prozent Jahresumsatz, für KMU der niedrigere Betrag

Recht

Wann die Gesprächsmitschrift per KI strafbar wird

Die Gesprächsmitschrift per KI ist der Punkt, an dem aus einer Datenschutzfrage eine Strafrechtsfrage wird, und er wird regelmäßig übersehen. Nach Paragraf 201 Absatz 1 des Strafgesetzbuches wird mit Freiheitsstrafe bis zu drei Jahren oder mit Geldstrafe bestraft, wer unbefugt das nichtöffentlich gesprochene Wort eines anderen auf einen Tonträger aufnimmt. Ein Telefongespräch ist nichtöffentlich gesprochenes Wort. Das gilt unabhängig davon, ob am anderen Ende ein Mensch oder eine Maschine zuhört, und es gilt genauso für die Aufzeichnung von Besprechungen, die gerade als Anwendungsfall für solche Modelle beworben wird.

Entscheidend ist das Wort unbefugt. Wer vorher fragt und ein Ja bekommt, nimmt befugt auf. Wer einfach mitschneidet, weil die Technik es anbietet, tut es nicht. Für den Telefonassistenten heißt das: Die Einwilligung gehört an den Anfang des Gesprächs, zusammen mit der KI-Ansage, und wer nicht einverstanden ist, braucht einen Weg, der trotzdem zum Ziel führt.

Hier lohnt eine Unterscheidung, die viel Aufwand spart. Eine laufende Mitschrift, die nur im Arbeitsspeicher entsteht, damit das System seine Antwort bilden kann, und die danach verschwindet, ist etwas anderes als eine gespeicherte Aufzeichnung für die Nachbearbeitung. Und je weniger Sie dauerhaft aufheben, desto kleiner wird dieser ganze Themenblock (in der Praxis schrumpft er damit oft auf zwei Sätze im Begrüßungstext). Die Frage, was Sie wirklich speichern müssen, beantworten Sie deshalb besser vor der Auswahl des Anbieters als danach. Bei der rechtlichen Bewertung Ihres konkreten Falls hilft Ihnen anwaltlicher Rat, nicht dieser Beitrag.

§ 201

StGB stellt die unbefugte Aufnahme des nichtöffentlich gesprochenen Wortes unter Strafe, mit bis zu drei Jahren Freiheitsstrafe oder Geldstrafe.

Strafgesetzbuch, § 201 Abs. 1

Entscheidung

Für wen sich ein KI-Telefonassistent lohnt

Ob sich die Anrufannahme per KI lohnt, hängt weniger an der Technik als daran, was beim Klingeln gerade liegen bleibt. Im Handwerk ist das oft die Arbeit selbst, weil derselbe Mensch Material bestellt, Kunden berät und ans Telefon geht. In einer Arztpraxis sind es die Patienten am Tresen, während die Leitung besetzt ist. Und in beiden Fällen ist der Gewinn nicht der eingesparte Lohn (den gibt es meistens gar nicht), sondern dass die Anrufe überhaupt angenommen werden. Wie ein solcher Assistent im Betrieb aussieht, zeigt unsere Seite zum Voicebot für Unternehmen.

Gegen den Einsatz spricht ein Punkt, der sich nicht wegrechnen lässt. Wenn Ihre Anrufe überwiegend heikel sind, also Beschwerden, Notfälle oder Verhandlungen, dann ist eine Maschine am Anfang der Leitung die falsche Entscheidung, auch wenn sie günstig ist. Die sinnvolle Grenze verläuft bei uns zwischen wiederkehrenden und einmaligen Anliegen (wobei die Übergänge fließend sind und sich oft erst nach ein paar Wochen Betrieb zeigen).

01
Handwerk, Dienstleistung mit Außendienst
Lohnt sich meist
Viele kurze, ähnliche Anrufe zu Terminen und Erreichbarkeit, während niemand im Büro ist. Beginnen Sie mit Annahme und Rückrufwunsch, nicht mit Beratung.
02
Praxen und Kanzleien mit hohem Anrufaufkommen
Prüfen lohnt sich
Hohes Anrufaufkommen zu festen Themen, aber oft Gesundheits- oder Mandatsdaten im Gespräch. Datenschutz und Speicherdauer vorab klären.
03
Handel und Kundendienst
Sinnvoll bei Standardfällen
Lieferstatus, Öffnungszeiten, Retouren laufen gut. Beschwerden gehören von Anfang an zu einem Menschen.
04
Beratung, Verkauf mit langen Gesprächen
Eher nicht
Jedes Gespräch ist anders, der erste Eindruck entscheidet. Hier bringt eine gute Rufumleitung mehr als ein Assistent.

Häufige Fragen

Was ist ein KI-Telefonassistent?

Ein Programm, das Anrufe annimmt, gesprochene Sprache versteht, mit künstlich erzeugter Stimme antwortet und bei Bedarf an einen Menschen weiterreicht. Anders als bei einer Ansage mit Tastenwahl spricht der Anrufer frei.

Was kostet ein KI-Telefonassistent je Gespräch?

Für Mitschrift und Sprachausgabe zusammen rund vier Cent bei einem Gespräch von drei Minuten, gerechnet aus den im Oktober 2026 veröffentlichten Microsoft-Preisen. Dazu kommen das Sprachmodell für die Antworten und die Telefonanbindung.

Muss ich Anrufern sagen, dass eine KI spricht?

Ja, sobald es nicht offensichtlich ist. Artikel 50 der KI-Verordnung gilt seit dem 2. August 2026 und verlangt, dass Betroffene über die Interaktion mit einem KI-System informiert werden, spätestens bei der ersten Interaktion.

Darf ich Telefongespräche mit KI mitschneiden?

Nur mit Einwilligung. Die unbefugte Aufnahme des nichtöffentlich gesprochenen Wortes ist nach Paragraf 201 Strafgesetzbuch strafbar, mit bis zu drei Jahren Freiheitsstrafe oder Geldstrafe.

Was gilt beim KI-Telefonassistenten für die DSGVO?

Das hängt vom Anbieter und von der gewählten Region ab. Microsoft gibt für die Echtzeit-Transkription an, Audio nur im Arbeitsspeicher zu verarbeiten und nicht dauerhaft zu speichern, und sagt innerhalb der EU-Datengrenze eine Verarbeitung in der EU und EFTA zu, mit benannten Ausnahmen.

Darf eine Arztpraxis einen KI-Telefonassistenten einsetzen?

Grundsätzlich ja, nur liegt die Hürde höher, weil im Gespräch schnell Gesundheitsdaten fallen. Klären Sie vorher, ob überhaupt aufgezeichnet wird, wie lange Mitschriften liegen bleiben und in welcher Region der Dienst läuft.

Lohnt sich ein KI-Telefonassistent im Handwerk?

Wenn regelmäßig Anrufe unbeantwortet bleiben, meistens ja, weil der Gewinn in den angenommenen Gesprächen liegt und nicht in eingespartem Lohn. Bei überwiegend heiklen oder beratungsintensiven Anrufen eher nicht.

Was jetzt

So steigen Sie beim KI-Telefonassistenten sinnvoll ein

01
Anrufe zählen
Notieren Sie zwei Wochen lang, wie viele Anrufe kommen, wie viele unbeantwortet bleiben und worum es ging. Ohne diese Liste ist jede Rechnung geraten.
02
Einen Fall auswählen
Nehmen Sie das häufigste wiederkehrende Anliegen, meist Terminwunsch oder Rückruf, und lassen Sie zunächst nur das vom Assistenten erledigen.
03
Ansage und Einwilligung festlegen
Schreiben Sie den Begrüßungssatz, der die KI benennt, klären Sie, ob Sie überhaupt aufzeichnen müssen, und bauen Sie den Weg zum Menschen ein.
04
Region und Vertrag prüfen
Klären Sie vor dem Start, in welcher Region der Dienst läuft, ob der Auftragsverarbeitungsvertrag steht und wie lange Mitschriften aufbewahrt werden.

Die Technik ist nicht mehr der teure Teil, und sie ist auch nicht mehr der schwierige. Schwierig bleibt die Frage, welches Gespräch Sie einer Maschine überlassen wollen und welches nicht.