KI-Voicebot im Kundenservice: So funktioniert die Automatisierung eingehender Anrufe

Jeder Voicebot für eingehende Anrufe durchläuft dieselbe Schleife, ganz gleich, welche Anbieter Sie einsetzen:

1. Telefonie. Der Anruf geht bei einer Telefonnummer oder einem SIP-Trunk ein, und der Telefonieanbieter übergibt ihn an Ihre Anwendung – entweder indem er Anrufanweisungen von Ihrem Server abruft oder indem er das Audio dorthin streamt.
2. Speech-to-Text. Die Worte des Anrufers werden transkribiert. Ist das Gather-Verb von Twilio auf Spracheingabe eingestellt, sendet Twilio die Transkription (SpeechResult) zusammen mit einem Confidence-Wert an Ihre Action-URL.
3. Verstehen und Logik. Ein Sprachmodell oder ein regelbasierter Dialog entscheidet, was der Anrufer möchte und was als Nächstes passiert: antworten, nachfragen, etwas per API nachschlagen oder weiterleiten.
4. Text-to-Speech. Die Antwort wird als Audio synthetisiert und dem Anrufer vorgespielt.
5. Wiederholen oder übergeben. Die Schleife läuft weiter, bis das Anliegen erledigt ist oder der Anruf weitergeleitet wird, und das Ergebnis wird in Ihrem Helpdesk protokolliert.

Für die Umsetzung gibt es zwei Hauptwege. In einem rundenbasierten Setup erfasst die Plattform jeweils eine Äußerung, und Ihr Server antwortet mit neuen Anweisungen; Twilio setzt den Anruf zum Beispiel mit dem TwiML fort, das Ihre Action-URL zurückgibt. In einem Streaming-Setup fließt das Audio kontinuierlich über einen WebSocket: Die bidirektionalen Media Streams von Twilio, gestartet mit den TwiML-Anweisungen Connect und Stream, liefern base64-kodiertes mu-law-Audio mit 8.000 Hz auf einem einzigen Kanal, und Ihr Server sendet Audio im selben Format zurück.

Dazwischen gibt es verwaltete Schichten. ConversationRelay von Twilio etwa übernimmt Speech-to-Text und Text-to-Speech selbst und tauscht über einen sicheren WebSocket Text mit Ihrem Server aus, sodass Ihr Code mit Wörtern statt mit Roh-Audio arbeitet. Es bietet außerdem Einstellungen für Unterbrechungen, denn Anrufer fallen Bots ins Wort; in einem reinen Media-Streams-Setup sendet Ihr Server eine „clear“-Nachricht, um gepuffertes, noch nicht abgespieltes Audio zu verwerfen.

Sie müssen sich nicht für eines von beiden entscheiden. Eine Möglichkeit ist ein kurzes Tastenmenü zur Sprachauswahl, gefolgt von einem dialogbasierten Schritt. Beim Gather-Verb von Twilio lässt sich die Eingabe so einstellen, dass in derselben Abfrage sowohl Tastendrücke als auch Sprache akzeptiert werden.

Telefonieplattformen unterscheiden zwei Arten der Weiterleitung. In der Terminologie von Twilio fügt ein Cold Transfer den neuen Teilnehmer zum Anruf hinzu, der Initiator steigt aber aus, bevor der neue Teilnehmer abnimmt; bei einem Warm Transfer können alle drei miteinander sprechen, bevor der Initiator den Anruf verlässt. Twilio empfiehlt, Anrufe zwischen Kunden und Agenten über eine Konferenz zu verbinden – erst das macht beide Varianten möglich.

Für einen Bot besteht die sinnvolle Form des Warm Transfers darin, Kontext zu übergeben statt zu sprechen: Erstellen oder aktualisieren Sie ein Ticket mit Transkript, erkanntem Intent und erfassten Angaben, bevor der Agent abnimmt, damit er nicht bei null anfängt. Gute Zeitpunkte für eine Weiterleitung:

• Der Anrufer möchte einen Menschen sprechen – kommen Sie dem sofort nach, nicht erst nach zwei weiteren Fragen.
• Der Bot hat den Anrufer zweimal hintereinander missverstanden.
• Das Anliegen betrifft Zahlungen, Beschwerden oder etwas, das der Bot nicht entscheiden darf.
• Der Anrufer ist ein bekannter Kunde mit hoher Priorität, sofern Ihr Routing solche Kunden unterscheidet.

In Zendesk kann ein externer Voice-KI-Agent einen Anruf zuerst annehmen und über eine SIP-IN-Leitung an einen Zendesk-Agenten eskalieren. Der Bot kann ein Ticket erstellen und es mit dem Anruf verknüpfen, indem er die Ticketnummer im SIP-Header X-Zendesk-Ticket-Id übergibt; Zendesk authentifiziert SIP-IN-Anrufe über IP-Zugriffskontrolllisten. Zendesk bietet außerdem eigene Voice-KI-Agenten an, die bei einer Eskalation das Transkript, eine KI-generierte Zusammenfassung und den erkannten Intent zum Ticket hinzufügen.

Vereinigte Staaten. Im Februar 2024 hat die FCC ein Declaratory Ruling (FCC 24-17) erlassen, das bestätigt: Die Beschränkungen des TCPA für Anrufe mit einer „künstlichen oder vorab aufgezeichneten Stimme“ („artificial or prerecorded voice“) erfassen auch aktuelle KI-Technologien, die menschliche Stimmen erzeugen. Anrufe damit erfordern daher in der Regel die vorherige ausdrückliche Einwilligung des Angerufenen, sofern kein Notfallzweck vorliegt und keine Ausnahme greift. Die Entscheidung betrifft Anrufe an Verbraucher, etwa Robocalls. Ein Bot, der Anrufe entgegennimmt, die Ihre Kunden bei Ihnen tätigen, ist eine andere Situation, aber alle ausgehenden Anrufe des Bots – Rückrufe, Erinnerungen, Umfragen – fallen unter diese Regeln.

Europäische Union. Artikel 50 der KI-Verordnung gilt ab dem 2. August 2026 und verlangt, dass KI-Systeme, die direkt mit Menschen interagieren, so gestaltet sind, dass diese Menschen wissen, dass sie es mit einer KI zu tun haben, sofern das nicht offensichtlich ist. Laut den FAQ der Kommission müssen Menschen ab Beginn der ersten Interaktion informiert werden. Für einen Voicebot ist die praktische Lösung ein kurzer Hinweis in der Begrüßung.

• Legen Sie in einem Satz offen, worum es sich handelt, und setzen Sie Erwartungen: Es ist ein automatisierter Assistent, und dabei kann er helfen.
• Halten Sie Ansagen kurz und fragen Sie immer nur eine Sache ab; Anrufer können nicht zurückscrollen.
• Lassen Sie Nummern, E-Mail-Adressen und Bestell-IDs wiederholen und bestätigen, bevor der Bot damit arbeitet.
• Sagen Sie Anrufern, wie sie einen Menschen erreichen, und sorgen Sie dafür, dass dieser Weg bei jedem Schritt funktioniert.
• Protokollieren Sie jeden Anruf mit Transkript und Ergebnis in Ihrem Helpdesk, damit Sie sehen, weshalb Menschen tatsächlich anrufen.
• Planen Sie für die Zeit außerhalb der Geschäftszeiten: Nehmen Sie die Angaben auf, erstellen Sie ein Ticket und versprechen Sie nur einen Rückruf, den auch wirklich jemand tätigt.

Das Paket „Voice Bot“ von TascaLab umfasst eingehende Anrufe, Triage und Übergabe an Ihr Team zum einmaligen Preis von 1.200 €. Der Bot wird über APIs und Webhooks an die Tools angebunden, die Sie bereits nutzen – Zendesk, Freshdesk, Jira, Slack oder interne Systeme –, sodass Anrufergebnisse als Tickets oder Nachrichten ankommen, die Ihr Team ohnehin im Blick hat. Er ist als Filter vor Ihrem Team konzipiert, nicht als Ersatz dafür.

Die meisten Setups dauern 1–3 Wochen. Jedes Projekt umfasst 30 Tage Support nach dem Launch und eine Basisdokumentation, ohne versteckte Kosten, und Sie können mit einem kostenlosen 30-minütigen Health-Check-Gespräch starten.