Voice-Agents: am Telefon reif, seit 2. August kennzeichnungspflichtig

TL;DR. Die Technik ist reif. Sprachmodelle wie gpt-realtime-2 von OpenAI oder die Gemini Live API von Google führen Telefonate in Echtzeit, und offene Modelle liegen dicht dahinter. Die Stimme selbst ist kein Unterscheidungsmerkmal mehr. Der Unterschied entsteht in der Anbindung an Kalender, Praxis- und Warenwirtschaftssysteme, in sauberer Eskalation und in der Fachsprache Ihrer Branche. Und seit dem 2. August 2026 gilt Artikel 50 der KI-Verordnung: Ihr Voice-Agent muss sich beim ersten Kontakt als KI zu erkennen geben, in der Begrüßung, nicht in den AGB. Verstöße können bis zu 15 Mio. € oder 3 % des weltweiten Umsatzes kosten.

Die Technik ist reif: Sprache wird Massenware

Wer vor zwei Jahren einen Telefon-Bot getestet hat, erinnert sich an hölzerne Pausen und Missverständnisse. 2026 sieht das anders aus. OpenAI hat am 7. Mai gpt-realtime-2 veröffentlicht, ein Modell, das Sprache direkt in Sprache verarbeitet und dabei schlussfolgert. Das Kontextfenster wuchs von 32.000 auf 128.000 Token, die Denktiefe lässt sich in fünf Stufen wählen. Im Test Big Bench Audio steigt der Wert von 81,4 % beim Vorgänger auf 96,6 %, gemessen auf den höchsten Stufen. Bemerkenswert am Rande: Die alte Beta-Schnittstelle für Echtzeit-Audio hat OpenAI am 12. Mai abgeschaltet. Wer darauf gebaut hatte, musste umziehen. Ein Vorgeschmack darauf, wie schnell sich diese Schicht dreht.

Google bietet die Gemini Live API auf Vertex AI mit einem allgemein verfügbaren Audio-Modell an, mit 30 vorgefertigten Stimmen in 24 Sprachen, darunter Deutsch. ElevenLabs meldete beim Start seiner Agenten-Plattform im September 2025 über zwei Millionen erstellte Agenten und mehr als 33 Millionen geführte Gespräche. Das sind Herstellerangaben, aber die Größenordnung passt zum technischen Stand: Die Antwort kommt, bevor der Anrufer die Pause als solche wahrnimmt.

Und die offene Welt zieht nach. Ultravox v0.7 kommt laut Hersteller im selben Test auf 97 % mit Denkmodus. Step-Audio R1.1 steht unter Apache 2.0. Moshi von Kyutai telefoniert im Vollduplex mit rund 200 Millisekunden Latenz und ist offen lizenziert. Wer aus Datenschutzgründen im eigenen Haus bleiben will oder muss, verzichtet damit nicht mehr auf Qualität. Auch die deutsche Sprachausgabe, lange die Schwachstelle, ist bei den aktuellen Modellen kein Grund mehr, einen Bot am Akzent zu erkennen.

Wenn jeder dieselbe Stimme hat: worauf es jetzt ankommt

1. 1Anruf geht einauch nachts, auch zur Stoßzeit
2. 2KI stellt sich vorin der Begrüßung, Artikel 50
3. 3Anliegen erledigtTermin, Rückruf, Auftrag im System
4. 4Mensch übernimmtbei Unsicherheit, mit Gesprächskontext

Wenn die Sprachschicht bei allen Anbietern gut ist, verschiebt sich die Wertschöpfung dorthin, wo sie bei Software schon immer lag: in die Integration und in die Prozesslogik.

Drei Dinge trennen in der Praxis den brauchbaren vom peinlichen Voice-Agent. Erstens die Anbindung an Ihre Systeme. Ein Agent, der einen Termin nur „aufnimmt“ und als E-Mail weiterleitet, erzeugt Arbeit, statt sie abzunehmen. Erst wenn er direkt in den Kalender, das Praxisverwaltungssystem oder die Warenwirtschaft schreibt, mit Prüfung auf Konflikte, entsteht der eigentliche Nutzen. Zweitens die Eskalation. Der Agent muss wissen, was er nicht weiß. Preisverhandlung, Beschwerde, medizinische Einschätzung, aggressiver Anrufer: Das sind festgelegte Übergabepunkte an einen Menschen, mit dem Gesprächsverlauf, nicht mit „bitte rufen Sie später noch einmal an“. Drittens die Fachsprache. Ein Agent in der Zahnarztpraxis muss „PZR“ verstehen, einer im Autohaus den Unterschied zwischen HU und Inspektion, einer im Handwerksbetrieb, dass „der Heizkörper wird nicht warm“ etwas anderes ist als „die Heizung ist ausgefallen“. Das steckt nicht im Basismodell, sondern in der Einrichtung für die jeweilige Branche.

Kurz: Das allgemeine Sprachmodell können Sie inzwischen fast überall einkaufen. Der Agent, der Ihre Abläufe kennt, ist die eigentliche Bauleistung.

Seit 2. August muss sich Ihr Bot vorstellen: Art. 50 AI Act

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der KI-Verordnung. Der Kern ist einfach: Wer mit einem KI-System spricht, muss das spätestens bei der ersten Interaktion klar erfahren, es sei denn, es ist aus den Umständen offensichtlich. Am Telefon ist es das nicht. Eine gute synthetische Stimme ist am Hörer von einer menschlichen kaum zu unterscheiden. Genau deshalb greift die Pflicht bei Voice-Bots und KI-Anrufen in vollem Umfang.

Praktisch heißt das: Die Offenlegung gehört in die Begrüßung. „Praxis am Markt, hier spricht der digitale Assistent“: ein Satz, erledigt. Ein Hinweis in den AGB, in der Datenschutzerklärung oder auf der Website genügt nicht, denn die Information muss den Anrufer im Moment des Gesprächs erreichen. Wichtig auch: Der Digital-Omnibus, mit dem die EU im Juli Pflichten für Hochrisiko-Systeme verschoben hat, hat diese Pflicht nicht verschoben. Die Kommission hat am 20. Juli 2026 ihre Leitlinien zu Artikel 50 veröffentlicht. Und die Sanktionen sind keine Formalie: Bei Verstößen drohen Bußgelder bis zu 15 Mio. € oder 3 % des weltweiten Jahresumsatzes.

Für seriöse Anbieter ist das keine Hürde, sondern eine Entlastung. Ein Agent, der sich vorstellt, setzt die richtige Erwartung. Anrufer verzeihen einem erkennbaren Assistenten kleine Schwächen eher als einem vermeintlichen Menschen, der sich seltsam verhält.

Die Compliance-Checkliste

Neben der KI-Verordnung bleibt die DSGVO die zweite Baustelle. Bei Sprache ist sie heikler als bei Text, denn die Stimme selbst kann ein biometrisches Datum sein. Diese Punkte sollten abgehakt sein:

• Offenlegung in der Begrüßung verankern. Der KI-Hinweis muss im ersten Moment des Gesprächs fallen: formulieren, testen, im Skript festschreiben. AGB-Klauseln zählen nicht.
• Die Biometrie-Frage klären (Art. 9 DSGVO). Sobald die Stimme genutzt wird, um eine Person eindeutig zu erkennen, verarbeiten Sie biometrische Daten. Das braucht in der Regel eine ausdrückliche Einwilligung. Wer keine Erkennung per Stimme braucht, schaltet sie bewusst ab und dokumentiert das.
• Einwilligung für Aufzeichnung und Training. Sollen Mitschnitte gespeichert oder zum Training verwendet werden, braucht es die Einwilligung der Anrufer. Ohne Einwilligung keine Aufzeichnung.
• Einen Auftragsverarbeitungsvertrag schließen. Der Voice-Anbieter verarbeitet personenbezogene Daten in Ihrem Auftrag. Ohne Vertrag ist der Betrieb nicht zulässig.
• Die Hosting-Frage stellen. Rechenzentren in der EU sind zu empfehlen. Mit offenen Modellen wie Ultravox, Step-Audio oder Moshi geht es bis zum Betrieb im eigenen Haus.
• Den Eskalationspfad dokumentieren. Das ist nicht nur guter Service, sondern auch gutes Risikomanagement: Wer wann übernimmt, gehört schriftlich festgehalten.

Nichts davon ist Raketentechnik. Aber nichts davon erledigt sich von selbst.

Leitmarkt Arztpraxis, und was Ihr Betrieb daraus lernen kann

Am weitesten ist der deutschsprachige Markt dort, wo der Druck am Telefon am größten ist: in Arztpraxen. Doctolib hat im Mai 2024 den Telefonassistenten Aaron.ai übernommen und in die eigene Plattform eingebaut. Im Mai 2025 nannte das Unternehmen über 5.000 Nutzer. Daneben bieten zahlreiche spezialisierte Anbieter Telefonassistenten für Praxen an. In der Praxistelefonie ist der Voice-Agent vom Experiment zum Standardwerkzeug geworden.

Interessant ist, warum es gerade dort funktioniert. Die Anrufe wiederholen sich (Termin, Rezept, Überweisung), das Volumen kommt in Spitzen (Montagmorgen), und jeder verpasste Anruf ist ein verlorener Patient oder eine genervte Praxiskraft. Dieses Muster aus wiederkehrenden Anliegen, Lastspitzen und teurer Nichterreichbarkeit findet sich in vielen Branchen: im Handwerksbetrieb, wo der Meister auf der Baustelle steht, während das Büro klingelt; im Autohaus, wo Werkstatttermine und Statusanfragen die Annahme blockieren; in der Gastronomie, wo Reservierungen mitten im Service eingehen. Überall gilt dieselbe Rechnung wie in der Praxis: Der Agent muss nicht brillant plaudern. Er muss zuverlässig Termine buchen, Rückrufe vorbereiten und im Zweifel sauber an einen Menschen übergeben.

Was das für Ihren Betrieb heißt

1. Die Technikfrage abhaken. Latenz, Sprachqualität und Deutsch sind kein Grund mehr zu warten. Eher ein Grund, sich zu beeilen, bevor der Wettbewerber am Ort erreichbar ist, wenn Sie es nicht sind.
2. Prozessintegration kaufen, nicht die Stimmen-Demo. Fragen Sie jeden Anbieter: In welche Systeme schreibt der Agent direkt? Wo genau gibt er an Menschen ab? Versteht er die Fachsprache Ihrer Branche, belegbar im Testanruf?
3. Die Kennzeichnung prüfen. Rufen Sie heute selbst an. Sagt Ihr Agent im ersten Satz, dass er eine KI ist? Seit dem 2. August ist das Pflicht.
4. Die DSGVO-Punkte mit dem Anbieter durchgehen. Biometrie, Aufzeichnung, Auftragsverarbeitung, Hosting: Das ist an einem Nachmittag erledigt.

Wer beides erledigt, telefoniert nicht nur automatisch, sondern auch rechtssicher. Wie sich die Kennzeichnung auf Text auswirkt, zeigt unser Beitrag zum unsichtbaren Zeichen in KI-Texten. Wenn Sie einen Voice-Agent für Ihren Betrieb durchsprechen wollen, sprechen Sie uns gern an.