KI-Telefonagent an die Telefonanlage anbinden
Telefonagenten nehmen Anrufe entgegen, verstehen gesprochene Anliegen und antworten mit synthetischer Stimme. Technisch ist das ein anderer Aufbau als ein Chat- oder E-Mail-Agent: Hier zählt jede Zehntelsekunde, das Audio kommt in Telefonqualität an, und die Anbindung an die vorhandene Telefonanlage entscheidet darüber, wie viel Umbau nötig ist. Dieser Überblick zeigt die Bausteine, die drei gängigen Anbindungswege und die rechtlichen Punkte, die vor dem ersten Testanruf geklärt sein sollten.
Was ist ein KI-Telefonagent und wofür wird er eingesetzt?
Ein KI-Telefonagent ist ein Programm, das ein Telefongespräch selbstständig führt: Es hört zu, wandelt Sprache in Text, entscheidet mit einem Sprachmodell über die Antwort, ruft bei Bedarf Systeme ab und spricht die Antwort aus. Eingesetzt wird er dort, wo viele ähnliche Anrufe auflaufen oder Anrufe außerhalb der Geschäftszeiten verloren gehen.
Typische Aufgaben im B2B-Umfeld:
- Anrufannahme und Weiterleitung: Anliegen erfragen und an die richtige Abteilung oder Durchwahl vermitteln, statt eine Tastenauswahl („Drücken Sie die 1 …") abzufragen.
- Status- und Standardauskünfte: Lieferstatus, Öffnungszeiten, Stand eines Service-Tickets — sofern der Agent lesend auf das jeweilige System zugreifen darf.
- Aufnahme von Störungs- und Servicemeldungen: Gerät, Seriennummer, Fehlerbild und Rückrufnummer strukturiert erfassen und als Ticket anlegen.
- Terminvereinbarung: freie Zeitfenster aus einem Kalender anbieten und buchen.
- Annahme außerhalb der Geschäftszeiten: Anliegen aufnehmen, eine Zusammenfassung per E-Mail oder Ticket hinterlegen, Rückruf anstoßen.
Der Kundenservice-Agent im Text- und Ticketkanal ist im Überblick zum Kundenservice-Agent beschrieben. Der Telefonagent übernimmt dieselbe fachliche Rolle, braucht aber einen völlig anderen technischen Unterbau: Echtzeit-Audio, Telefonie-Signalisierung und eine Antwortzeit, die sich wie ein Gespräch anfühlt.
Wie funktioniert ein KI-Telefonagent technisch?
Ein Telefonagent besteht aus fünf Bausteinen: Telefonie-Anbindung, Medienbrücke, Spracherkennung (STT), Sprachmodell mit Werkzeugen und Sprachsynthese (TTS). Die Telefonie-Ebene stellt den Anruf zu, die Medienbrücke übergibt das Audio in Echtzeit, und die Kette STT → LLM → TTS erzeugt die Antwort.
Telefonie-Ebene: Signalisierung über SIP
Bei IP-Telefonie übernimmt in der Regel SIP die Signalisierung. Laut RFC 3261 ist SIP ein Signalisierungsprotokoll auf Anwendungsebene, mit dem Sitzungen aufgebaut, verändert und beendet werden. SIP selbst transportiert kein Audio; das läuft parallel als Mediastrom (RTP). Für den Agenten heißt das: Irgendeine Komponente muss den SIP-Anruf annehmen und den Mediastrom abgreifen.
Medienbrücke: vom Anruf zum Audiostrom
Die Medienbrücke verbindet die Telefonwelt mit der Agentenlogik. Drei Beispiele zeigen die Bandbreite:
- Cloud-Telefonie mit WebSocket-Streaming: Twilio beschreibt Media Streams als Möglichkeit, Rohaudio laufender Anrufe über WebSockets nahezu in Echtzeit an die eigene Anwendung zu streamen; bei bidirektionalen Streams kann die Anwendung Audio in den Anruf zurückspielen. Das Format ist laut Nachrichtenreferenz
audio/x-mulawmit 8.000 Hz Abtastrate, also klassische Telefonqualität. - Eigene Telefonanlage auf Asterisk-Basis: Der AudioSocket-Kanal von Asterisk ist ein einfaches TCP-Protokoll, das Echtzeit-Audio als 16-Bit-PCM überträgt und DTMF-Töne weiterreicht.
- SIP-fähige Agenten-Plattformen: LiveKit SIP nimmt SIP-Anrufe über eingehende Trunks entgegen und verteilt sie per Dispatch-Regeln auf Räume, in denen der Agent läuft. Der LiveKit-Server steht laut GitHub-Repository unter Apache-2.0-Lizenz und lässt sich selbst betreiben; der SIP-Dienst muss dann separat bereitgestellt werden.
Die Latenzkette STT → LLM → TTS
Jede Antwort durchläuft mehrere Stationen: Das Audio muss erkannt werden, das Ende der Äußerung muss feststehen, das Sprachmodell erzeugt Text, gegebenenfalls nach einem Werkzeugaufruf, und die Sprachsynthese muss die ersten Silben liefern. Jede Station addiert Wartezeit, dazu kommen Netzwege zwischen den Diensten.
Was in der Praxis hilft:
- Streaming auf jeder Stufe: Spracherkennung liefert Teilergebnisse, das Sprachmodell streamt Token, die Sprachsynthese beginnt mit dem ersten Satz, bevor der letzte erzeugt ist.
- Gute Erkennung des Gesprächsendes: Wartet das System zu lange auf Stille, wirkt es träge; reagiert es zu früh, fällt es dem Anrufer ins Wort.
- Unterbrechbarkeit (Barge-in): Spricht der Anrufer dazwischen, muss die Ausgabe sofort stoppen.
- Kurze Netzwege: Telefonie-Einstieg, Modell und Sprachdienste möglichst in derselben Region betreiben.
- Werkzeugaufrufe überbrücken: Dauert eine Systemabfrage, kündigt der Agent das kurz an („Ich sehe kurz nach"), statt zu schweigen.
Allgemeine Stellschrauben für Antwortzeit und Kosten — Modellwahl, Caching, Kontextgröße — beschreibt der Leitfaden zu Kosten und Latenz von KI-Agenten. Beim Telefon kommt hinzu, dass die Wartezeit nicht in einem Ladesymbol versteckt werden kann: Der Anrufer hört Stille.
Eine Alternative zur dreistufigen Kette sind Sprache-zu-Sprache-Modelle, die Audio direkt verarbeiten. OpenAI bietet dafür einen SIP-Zugang zur Realtime API: Laut Twilio-Anleitung zeigt der SIP-Trunk auf eine projektbezogene SIP-Adresse bei OpenAI, ein Webhook meldet den Anruf mit dem Ereignis realtime.call.incoming, und die eigene Anwendung nimmt ihn per Accept-Aufruf an. Das verkürzt die Kette, bindet aber Modell, Stimme und Datenverarbeitung an einen Anbieter.
Werkzeuge und Übergabe an Menschen
Ohne Zugriff auf Systeme kann der Agent nur allgemeine Auskünfte geben. Werkzeuge sind definierte Funktionen — Ticket anlegen, Kalender abfragen, Kundennummer prüfen —, die das Sprachmodell aufruft (siehe Tool Use / Function Calling). Ebenso wichtig ist die Übergabe: eine Weitervermittlung per SIP an eine Durchwahl oder Gruppe, wenn der Agent nicht weiterkommt oder der Anrufer es verlangt.
Welche Anbindungswege an die Telefonanlage gibt es?
Es gibt drei gängige Wege: Rufweiterleitung von der bestehenden Anlage zu einer Rufnummer des Agentendienstes, einen SIP-Trunk zwischen Anlage und Agentenplattform oder eine eigene Cloud-Rufnummer, die direkt beim Agentendienst endet. Sie unterscheiden sich vor allem in Aufwand, Kontrolle über die Rufnummer und Qualität der Übergabe.
| Kriterium | Rufweiterleitung | SIP-Trunk von der Anlage | Eigene Cloud-Rufnummer |
|---|---|---|---|
| Eingriff in die Anlage | gering (Weiterleitungsregel) | mittel (Trunk, Routing) | keiner |
| Bestehende Rufnummern | bleiben | bleiben | neue Nummer oder Portierung |
| Rückvermittlung an Mitarbeitende | oft umständlich, über externe Nummer | direkt an interne Durchwahlen | über externe Nummern |
| Kontrolle über Routing | gering | hoch | beim Cloud-Anbieter |
| Geeignet für | Test, Nachtannahme | Dauerbetrieb, viele Durchwahlen | neue Hotlines, Kampagnen |
Rufweiterleitung
Die Anlage leitet bestimmte Anrufe — etwa nach Geschäftsschluss, bei Besetzt oder nach einer Klingelzeit — an eine Rufnummer weiter, die beim Agentendienst endet. Das ist der schnellste Weg für einen Test. Nachteil: Der Anruf verlässt die Anlage, und eine Rückvermittlung an eine interne Durchwahl geht nur über eine externe Nummer, oft mit Verlust der ursprünglichen Rufnummer des Anrufers.
SIP-Trunk zwischen Anlage und Agentenplattform
Die Anlage erhält eine zusätzliche SIP-Verbindung zur Agentenplattform und behandelt den Agenten wie eine Nebenstelle oder ein Ziel im Routing. Anrufe lassen sich gezielt zuteilen, und der Agent kann an interne Durchwahlen zurückvermitteln. Dafür braucht es Zugriff auf die Anlagenkonfiguration, abgestimmte Codecs und Freigaben in der Firewall. Die Feinheiten — Registrierung, Authentifizierung, Codecs, Weitervermittlung — behandelt ein eigener Leitfaden in diesem Themenbereich.
Eigene Cloud-Rufnummer
Der Agent bekommt eine Rufnummer direkt bei einem Cloud-Telefonieanbieter, und der Anruf endet gar nicht erst in der eigenen Anlage. Das eignet sich für neue Hotlines oder zeitlich begrenzte Nummern. Soll eine bestehende Hauptnummer auf diesen Weg wechseln, ist eine Portierung nötig, und die Rückvermittlung zu Mitarbeitenden läuft über externe Nummern.
Welche Voraussetzungen braucht ein Telefonagent?
Nötig sind eine IP-fähige Telefonanlage oder ein Cloud-Telefonieanbieter, eine klar umrissene Liste von Anrufanliegen, lesender oder schreibender Zugriff auf die Systeme, die der Agent bedienen soll, und eine Regelung, wer bei Übergaben übernimmt. Dazu kommen Datenschutz-Unterlagen für alle beteiligten Dienste.
Technik
- Telefonanlage mit SIP-Unterstützung oder ein Cloud-Telefonieanbieter mit Weiterleitung oder Streaming-Schnittstelle.
- Netzwerkfreigaben für SIP und Medienströme, bei selbst betriebenen Komponenten auch feste IP-Adressen oder Adressbereiche.
- Schnittstellen zu Ticketsystem, CRM, Kalender oder ERP — mit eigenem, eingeschränktem Zugang für den Agenten.
Inhalte
- Eine Auswertung, welche Anliegen tatsächlich anrufen: Anrufprotokolle oder eine Strichliste über zwei Wochen genügen.
- Für jedes Anliegen: welche Angaben der Agent erfragen muss, welche Auskunft er geben darf, wann er übergibt.
- Begrüßungstext mit KI-Hinweis und, falls aufgezeichnet wird, Hinweis zur Aufzeichnung.
Organisation
- Ein Rückfallziel für Übergaben (Gruppe, Durchwahl, Rückrufliste) mit klarer Zuständigkeit.
- Beteiligung von Datenschutz und, wo vorhanden, Betriebsrat — besonders, wenn Gespräche aufgezeichnet oder Mitarbeitende mitgehört werden.
Wie gehen Sie bei der Einführung Schritt für Schritt vor?
Bewährt hat sich ein schmaler Einstieg: ein Anliegen, ein Anbindungsweg, eine begrenzte Zeit. Erst wenn Erkennung, Antwortzeit und Übergabe im Testbetrieb stabil sind, kommen weitere Anliegen und der Dauerbetrieb über SIP-Trunk dazu.
- Anliegen auswählen: ein häufiges, klar abgrenzbares Anliegen, etwa Störungsmeldung oder Anrufannahme nach Geschäftsschluss.
- Gesprächsablauf festlegen: Begrüßung mit KI-Hinweis, Pflichtangaben, erlaubte Auskünfte, Abbruch- und Übergaberegeln.
- Anbindungsweg wählen: für den Test meist Weiterleitung oder eine separate Testnummer, für den Dauerbetrieb SIP-Trunk.
- Stack festlegen: dreistufige Kette mit frei wählbaren Diensten oder Sprache-zu-Sprache-Modell; Region und Datenverarbeitung prüfen.
- Werkzeuge anbinden: zunächst lesend, schreibend erst nach Test — zum Beispiel ein Ticket anlegen statt einen Datensatz ändern.
- Intern testen: mit echten Telefonen, Mobilfunk und Freisprechen, mit Dialekten, Hintergrundgeräuschen und Unterbrechungen.
- Begrenzt live gehen: zu Randzeiten oder für einen Teil der Anrufe, mit täglicher Auswertung der Transkripte, soweit diese gespeichert werden dürfen.
- Ausbauen: weitere Anliegen, weitere Werkzeuge, Umstellung auf SIP-Trunk.
In unserem eigenen Betrieb hat sich gezeigt, dass die Übergabe an Menschen mehr Abstimmung braucht als der Agent selbst: Wer nimmt zurückvermittelte Anrufe an, und wie kommt die Zusammenfassung des Agenten dort an?
Welche Grenzen und rechtlichen Risiken gibt es?
Technische Grenzen sind Antwortzeit, Erkennung bei schlechter Leitung und Fehler des Sprachmodells. Rechtlich sind drei Punkte zu klären: die Vertraulichkeit des gesprochenen Wortes bei Aufzeichnung, die Informationspflichten der DSGVO und die Transparenzpflicht der EU-KI-Verordnung. Die folgenden Hinweise sind Orientierung, keine Rechtsberatung.
Technische Grenzen
- Audioqualität: Schmalbandiges Telefonaudio (bei Twilio Media Streams 8.000 Hz), Mobilfunk und Freisprechen erschweren die Erkennung, besonders bei Namen, Seriennummern und Artikelnummern. Buchstabieren und Wiederholen lassen sollte eingeplant sein.
- Antwortzeit: Jede Station der Kette und jeder Werkzeugaufruf verlängert die Pause; lange Pausen führen zu Doppelreden und Abbrüchen.
- Falsche Auskünfte: Sprachmodelle können plausibel klingende, falsche Antworten geben (Halluzination). Verbindliche Auskünfte (Preise, Liefertermine, Zusagen) sollten nur aus Systemdaten kommen, nie aus dem Modell selbst.
- Grenzen der Zuständigkeit: Beschwerden, Eskalationen oder emotional aufgeladene Gespräche gehören zügig zu einem Menschen.
Aufzeichnung und Vertraulichkeit des Wortes
Nach § 201 StGB ist es strafbar, das nichtöffentlich gesprochene Wort eines anderen unbefugt auf einen Tonträger aufzunehmen oder eine solche Aufnahme zu gebrauchen. Ein Telefonagent verarbeitet das Gespräch zwangsläufig; ob und wie lange Audio oder Transkripte gespeichert werden, ist eine bewusste Entscheidung. Üblich ist ein Hinweis zu Beginn und eine Einwilligung, bevor aufgezeichnet wird — und der Verzicht auf Speicherung, wo sie nicht nötig ist.
Informationspflichten nach DSGVO
Art. 13 DSGVO verlangt, dass Betroffene zum Zeitpunkt der Erhebung unter anderem über die Zwecke und die Rechtsgrundlage der Verarbeitung informiert werden. Am Telefon geschieht das meist mit einem kurzen Hinweis in der Begrüßung und einem Verweis auf die Datenschutzinformation. Für jeden Dienst in der Kette — Telefonie, Spracherkennung, Modell, Sprachsynthese — braucht es eine Prüfung der Auftragsverarbeitung und gegebenenfalls von Drittlandübermittlungen. Mit dieser Sorgfalt ist ein Telefonagent datenschutzkonform betreibbar.
Transparenzpflicht der EU-KI-Verordnung
Artikel 50 der KI-Verordnung verlangt, dass Systeme, die direkt mit Menschen interagieren, so gestaltet werden, dass die Personen erfahren, dass sie mit einem KI-System interagieren — es sei denn, das ist offensichtlich. Laut der genannten Quelle gilt die Pflicht ab dem 2. August 2026. Ein Satz in der Begrüßung („Sie sprechen mit einem digitalen Assistenten") ist die einfachste Umsetzung. Die Einzelheiten zu Aufzeichnung, Einwilligung und Hinweistexten behandelt ein eigener Leitfaden in diesem Themenbereich.
Wie fangen Sie am besten an?
Starten Sie mit einer Auswertung Ihrer Anrufe und einem einzigen Anliegen, das häufig vorkommt und klare Regeln hat. Klären Sie parallel, welchen Anbindungsweg Ihre Telefonanlage zulässt, und holen Sie Datenschutz früh dazu. Ein zeitlich begrenzter Test über Weiterleitung zeigt schnell, ob Erkennung und Antwortzeit für Ihre Anrufer passen.
Eine kurze Prüfliste für den Start:
- Welche drei Anliegen machen den größten Teil der Anrufe aus?
- Unterstützt die Telefonanlage SIP-Trunks, und wer hat Zugriff auf die Konfiguration?
- Welche Systeme muss der Agent lesen, welche darf er beschreiben?
- Wohin werden Anrufe übergeben, und wer ist dort zuständig?
- Wird aufgezeichnet oder transkribiert gespeichert — und wenn ja, wie lange und mit welcher Grundlage?
- In welcher Region laufen Telefonie, Modell und Sprachdienste?
Wie Telefonagenten mit anderen Fachagenten zusammenspielen, etwa mit Agenten für Angebote oder technischen Service, zeigt die Übersicht zu KI-Agenten für Unternehmen. Für den technischen Service gibt es eine eigene Seite zum Agenten für technischen Service, der Störungsmeldungen aus dem Telefonkanal weiterverarbeiten kann. Wer Telefonie, Modell und Sprachdienste möglichst im eigenen Rechenzentrum betreiben will, findet die Grundlagen unter souveräne KI.
Häufige Fragen
Brauche ich eine neue Telefonanlage für einen KI-Telefonagenten?
In der Regel nicht. Die meisten IP-basierten Anlagen können Anrufe per Weiterleitung oder über einen zusätzlichen SIP-Trunk an einen externen Dienst übergeben.
Darf der KI-Agent Gespräche aufzeichnen?
Nur mit Befugnis: Das unbefugte Aufnehmen des nichtöffentlich gesprochenen Wortes ist nach § 201 StGB strafbar. Üblich ist ein Hinweis zu Beginn des Gesprächs und eine Einwilligung; für den Einzelfall ist rechtlicher Rat nötig.
Muss der Anrufer erfahren, dass er mit einer KI spricht?
Ja, Artikel 50 der EU-KI-Verordnung verlangt, dass Personen über die Interaktion mit einem KI-System informiert werden, sofern es nicht offensichtlich ist. Ein Satz in der Begrüßung erfüllt diesen Zweck am einfachsten.
Was passiert, wenn der Agent nicht weiterweiß?
Er sollte das Gespräch an einen Menschen übergeben, etwa per SIP-Weitervermittlung an eine Durchwahl oder Gruppe, oder einen Rückruf mit Zusammenfassung anlegen. Diese Übergabe gehört in jede Planung.
Quellen
- RFC 3261: SIP: Session Initiation Protocol rfc-editor.org
- Twilio Docs: Media Streams twilio.com
- Twilio Docs: Media Streams WebSocket Messages twilio.com
- Twilio Blog: OpenAI Realtime SIP Connector mit Elastic SIP Trunking twilio.com
- LiveKit Docs: SIP docs.livekit.io
- LiveKit Server auf GitHub (Lizenz) github.com
- Asterisk Docs: AudioSocket docs.asterisk.org
- § 201 StGB: Verletzung der Vertraulichkeit des Wortes gesetze-im-internet.de
- Art. 13 DSGVO: Informationspflicht bei Erhebung dsgvo-gesetz.de
- EU-KI-Verordnung, Artikel 50: Transparenzpflichten artificialintelligenceact.eu