KI-Telefonassistent im Betrieb: Was er kann, was nicht, was er kostet

Von Julian Ott, Managing Partner Technology bei Alpinity AI · Aktualisiert am 2. September 2026

Kurz gesagt: 0 bis 200 Millisekunden, das ist die häufigste Antwortpause im menschlichen Gespräch, gemessen über zehn Sprachen, mit einem Median von 100 Millisekunden (Stivers et al., PNAS 2009). Daran wird ein KI-Telefonassistent gemessen. Gut ist er, wenn er ehrlich bleibt bei drei Themen: Antwortpause, Mundart und Minutenpreis.

Der Massstab ist die menschliche Antwortpause, nicht die Ladezeit eines Chatfensters

Die Antwortpause ist die Zeit zwischen dem Ende Ihres Satzes und dem Beginn der Antwort Ihres Gegenübers. Ein Team um Stivers hat sie 2009 an einer weltweiten Stichprobe von zehn Sprachen gemessen, von Englisch über Japanisch bis Yélî-Dnye (Stivers et al., PNAS 2009). Der häufigste Wert liegt je nach Sprache zwischen 0 und 200 Millisekunden, über alle Sprachen hinweg bei 0. Die Mediane reichen von 0 Millisekunden in Englisch, Japanisch, Tzeltal und Yélî-Dnye bis 300 Millisekunden, unter anderem in Dänisch und Lao. Der sprachübergreifende Median liegt bei 100 Millisekunden.

Zwei Dinge folgen daraus. Erstens sind kulturelle Unterschiede real, aber klein: Alle zehn Sprachen liegen innerhalb von 250 Millisekunden um den sprachübergreifenden Mittelwert. Zweitens, und das wird häufig falsch zitiert, beschreibt dieser Bereich den häufigsten Wert und nicht die Streuung. Menschen machen sehr wohl auch lange Pausen. Nur ist die kurze Pause der Normalfall, an dem sich das Ohr orientiert. Wer am Telefon eine Sekunde auf eine Antwort wartet, wartet das Zehnfache des sprachübergreifenden Medians. Genau dort entscheidet sich, ob ein Telefonassistent als Gesprächspartner durchgeht oder als Ansage empfunden wird.

Die Verzögerung entsteht in fünf Stufen, nicht im Sprachmodell allein

Latenz ist in diesem Zusammenhang die Zeit zwischen dem Verstummen der anrufenden Person und dem ersten Ton des Assistenten. Sie setzt sich aus fünf Stufen zusammen, die nacheinander ablaufen: Übertragung des Tons, Endpointing, Transkription, Modellantwort und Sprachsynthese. Jede Stufe hat eine eigene Wartezeit, und nur die Summe kommt bei der anrufenden Person an.

Endpointing ist die Entscheidung der Maschine, dass Ihr Satz zu Ende ist. Sie ist der heikelste Teil der Kette. Entscheidet das System zu früh, fällt der Assistent Ihnen ins Wort. Entscheidet es zu spät, entsteht genau jene Pause, die unnatürlich wirkt. Transkription ist die Umwandlung des Tons in Text, Sprachsynthese der umgekehrte Weg vom Text zurück in eine Stimme. Bei ElevenLabs ist diese Entscheidung einstellbar: Die Wartezeit nach dem Verstummen («Take turn after silence») reicht von 1 bis 30 Sekunden, dazu kommen drei Stufen der Gesprächsbereitschaft («Turn eagerness») und ein «Soft timeout» zwischen 0,5 und 8 Sekunden, nach dem der Assistent eine kurze Überbrückungsphrase spricht, wenn das Modell noch rechnet (ElevenLabs, Conversation flow, 2. September 2026).

Die Sprachsynthese ist dabei der kleinste Posten. ElevenLabs nennt für seine Flash-Modelle rund 75 Millisekunden Modellinferenz bei kurzen Eingaben, also reine Rechenzeit des Modells, weist aber im selben Dokument darauf hin, dass die Zeit bis zum ersten hörbaren Ton «almost always the number that matters» sei und immer grösser ausfalle (ElevenLabs, 2. September 2026). Dazu kommen laut derselben Seite 20 bis 200 Millisekunden Netzwerklaufzeit über das offene Internet und häufig ein Abspielpuffer von 500 Millisekunden.

Anbieterangaben zur Latenz sind Teilstrecken, und das steht in der Dokumentation

Wer Latenzwerte von Anbietern vergleicht, vergleicht Teilstrecken. Die rund 75 Millisekunden, die ElevenLabs für die Modellinferenz seiner Flash-Stimmen nennt, sind eine solche Teilstrecke. Dieselbe Seite hält fest, dass die Zeit bis zum ersten hörbaren Ton «almost always the number that matters» sei, und rechnet Netzwerklaufzeit und Abspielpuffer dazu (ElevenLabs, 2. September 2026). Endpointing und Übertragung, die beiden Stufen, die im Gespräch am stärksten auffallen, stehen in keiner Preisliste. Für eine belastbare Gesamtzahl in Millisekunden haben wir in den öffentlichen Unterlagen keine Grundlage gefunden. Wer eine solche Zahl braucht, muss selbst messen, mit der eigenen Leitung und der eigenen Kundschaft.

Dazu kommt ein Zielkonflikt: Ein grösseres Sprachmodell versteht komplizierte Anliegen sauberer, braucht für die Antwort aber länger als ein kleines, das nur Termine bucht. Das ist keine Einstellungssache, sondern eine Entscheidung über den Einsatzzweck. ElevenLabs baut genau dafür den Soft timeout ein: «Soft timeout provides immediate audio feedback when the LLM takes longer than expected» (ElevenLabs, Conversation flow, 2. September 2026). Eine kurze Überbrückung wirkt natürlicher als Stille, weil Menschen zwischen den Redezügen ohnehin pausieren.

Schweizerdeutsch funktioniert, aber nur mit standarddeutscher Ausgabe

Die gründlichste öffentliche Untersuchung dazu stammt von der Universität Zürich. Dolev, Lutz und Aepli haben Whisper, ein verbreitetes Spracherkennungsmodell, automatisch, qualitativ und mit einer Befragung von 28 Personen auf Schweizerdeutsch geprüft, unter anderem an nachgestellten Arztgesprächen. Ihr Fazit ist ein Satz mit Bedingung: «All of our evaluations suggest that Whisper is a viable ASR system for Swiss German, so long as the Standard German output is desired» (Dolev et al., VarDial 2024).

Diese Bedingung ist keine Fussnote, sondern die Bauweise des ganzen Feldes. Der grösste öffentlich verfügbare Schweizerdeutsch-Korpus, STT4SG-350, enthält 343 Stunden Sprache von 316 Personen aus allen Dialektregionen, und auch dort ist die Zielausgabe Standarddeutsch, nicht Mundartschrift (Plüss et al., ACL 2023). Für Ihren Betrieb heisst das: Der Assistent versteht, wenn Ihre Kundschaft Dialekt spricht. Er antwortet und protokolliert aber in Hochdeutsch. Wer Ihnen mundartliche Ausgabe verspricht, verspricht etwas, das die veröffentlichte Forschung nicht deckt.

Die veröffentlichten Erkennungsraten für Mundart sind vermutlich zu gut

Die Wortfehlerrate misst, welcher Anteil der Wörter falsch erkannt wird. Für Schweizerdeutsch kursieren Werte um 17 Prozent. Eine 2026 als Preprint erschienene Arbeit von Felix Akeret ordnet diese Zahlen neu ein. Sein bestes Modell, trainiert auf 1’367 Stunden Rundfunkmaterial mit standarddeutschen Untertiteln, erreicht 25,6 % gemessene Wortfehlerrate auf dem All Swiss German Dialects Test Set, ausgewertet auf strikt getrennten Daten. Veröffentlichte Spitzenwerte von 17,1 bis 17,5 % seien durch Benchmark-Kontamination überhöht (Akeret, Preprint 2026). Benchmark-Kontamination heisst, dass Teile der Testmenge bereits im Training vorkamen, das Ergebnis also teilweise Erinnerung statt Können misst.

Der auffälligste Befund der Arbeit ist ein anderer. Ein Whisper-Modell ganz ohne Schweizerdeutsch im Training, das allein auf der Testmenge selbst nachtrainiert wurde, erreicht dort 13,88 % Wortfehlerrate. Der Benchmark misst also zu einem guten Teil Schreibweise und nicht Dialektverständnis. Die Arbeit ist ein Preprint eines Einzelautors ohne institutionelle Begutachtung und entsprechend vorsichtig zu lesen. Für die Praxis genügt die Richtung: Rechnen Sie im schwierigen Fall eher mit einem falsch erkannten Wort von vieren als mit einem von sechs. Ein Assistent, der das aushält, fragt nach, wiederholt das Verstandene und übergibt, statt zu raten.

Mensch, KI-Assistent und Voicemail unterscheiden sich in sechs Punkten

Der Minutenpreis besteht aus drei Posten, nicht aus einem

Ein Minutenpreis, der aus einer einzigen Zahl besteht, ist unvollständig. Es sind drei Posten: die Plattform, die den Anruf steuert, das Sprachmodell, das antwortet, und die Telefonleitung, über die alles läuft. Alle folgenden Werte sind Anbieterangaben vom 2. September 2026 in US-Dollar. Die Frankenbeträge in Klammern sind zum EZB-Referenzkurs vom 1. September 2026, 1 USD = CHF 0.81 umgerechnet und gerundet; massgebend bleibt der Anbieterpreis.

ElevenLabs verlangt für jede zusätzliche Gesprächsminute 0.080 USD (rund CHF 0.065). Je nach Stufe sind 15 bis 12’375 Minuten und 4 bis 40 gleichzeitige Gespräche enthalten. Sprachmodell und Telefonie stecken nicht darin, sie werden nach Verbrauch beziehungsweise zum Einkaufspreis verrechnet. Der Anbieter hält zudem fest, dass die Preise ohne Steuern und Abgaben zu verstehen sind (ElevenLabs, 2. September 2026). Die Abostufen reichen von 6 bis 990 USD im Monat (rund CHF 5 bis 800). Die Minute über der gebuchten Gleichzeitigkeit kostet das Doppelte, und diese Reserve reicht bis zum Dreifachen des gebuchten Limits (ElevenLabs, Burst pricing, 2. September 2026).

Das Sprachmodell ist der zweite Posten. ElevenLabs schreibt dazu: «Applicable fees for model usage are shown in the platform's user interface and will be deducted from your ElevenLabs credits» (ElevenLabs, Preise, 2. September 2026). Der Betrag hängt vom gewählten Modell und von der Gesprächslänge ab, ein grosses Modell kostet je Minute ein Mehrfaches eines kleinen. Wer eine Offerte prüft, sollte deshalb Plattform, Modell und Leitung als drei Zeilen einzeln sehen und nicht eine Summe.

Die Telefonleitung rechnet separat ab, und Mobilnummern kosten das Vierfache

Auch bei ElevenLabs kommt die Telefonie obendrauf, verrechnet «at cost», also zum Einkaufspreis des Netzanbieters. Twilio verlangt für die Schweiz 0.0419 USD (rund CHF 0.034) pro Minute für ausgehende Anrufe ins Festnetz, 0.1802 USD (rund CHF 0.146) ins Mobilnetz und 0.0100 USD (rund CHF 0.008) für eingehende Anrufe (Twilio, 2. September 2026). Ein Anruf auf eine Mobilnummer kostet damit rund das Vierfache eines Festnetzanrufs, und ein eingehender Anruf kostet einen Bruchteil davon.

Für die Auslegung heisst das: Ein Assistent, der eingehende Anrufe entgegennimmt, ist der günstige Fall. Ein Assistent, der aktiv zurückruft, und zwar auf Handynummern, ist der teure. Wer Rückrufe plant, sollte den Anteil Mobilnummern in seiner Kundenkartei kennen, bevor er hochrechnet. Plattform, Modell und Leitung addieren sich, und welche Zahl am Ende unter dem Strich steht, hängt vor allem daran, ob Ihr Assistent annimmt oder anruft.

Sechs Fragen, die Sie jedem Anbieter stellen sollten

1. Wie messen Sie die Gesamtlatenz, und sind Endpointing und Übertragung darin enthalten? Lassen Sie sich die Messmethode zeigen, nicht nur die Zahl. Die Dokumentation von ElevenLabs hält fest, dass die Zeit bis zum ersten hörbaren Ton fast immer die entscheidende Zahl ist und über der reinen Modellzeit liegt.

2. Auf welchen Daten wurde die Mundarterkennung geprüft, und gibt das System Standarddeutsch aus? Fragen Sie nach der Wortfehlerrate und danach, ob Trainings- und Testdaten wirklich getrennt waren.

3. Wird das Gespräch aufgezeichnet, und wie holen Sie die Einwilligung ein? Ohne Einwilligung der Gegenseite ist die Tonaufnahme eines nichtöffentlichen Gesprächs nach Art. 179ter StGB strafbar.

4. Was sagt die Ansage über den Verantwortlichen, den Zweck und die Empfänger der Daten, und was steht dazu in der Datenschutzerklärung? Diese Information verlangt Art. 19 DSG.

5. Wann übergibt der Assistent an einen Menschen, und woran erkennt er, dass er es tun muss? Lassen Sie sich die Auslöser als Liste geben, nicht als Versprechen.

6. Wo laufen Transkription, Sprachmodell und Sprachsynthese, und wo liegen Transkripte und Aufzeichnungen? Bei Anbietern ausserhalb der Schweiz sind Staat und Garantien nach Art. 19 Abs. 4 DSG mitzuteilen.

Drei Rechtsgrundlagen betreffen einen Telefonassistenten, eine davon nur bei EU-Kundschaft

Die erste ist Art. 179ter des Schweizerischen Strafgesetzbuchs. Wer als Gesprächsteilnehmer ein nichtöffentliches Gespräch ohne die Einwilligung der anderen Beteiligten auf einen Tonträger aufnimmt, wird auf Antrag mit Freiheitsstrafe bis zu einem Jahr oder Geldstrafe bestraft. Erfasst ist ebenso, wer eine so hergestellte Aufnahme aufbewahrt, auswertet oder zugänglich macht. Es handelt sich um ein Antragsdelikt, die Strafverfolgung setzt also einen Strafantrag voraus. Praktisch heisst das: Aufzeichnen nur mit Einwilligung, und die Einwilligung muss vor der Aufnahme vorliegen, nicht danach.

Die zweite ist Art. 19 des Datenschutzgesetzes. Der Verantwortliche informiert die betroffene Person angemessen über die Beschaffung von Personendaten, mindestens über Identität und Kontaktdaten des Verantwortlichen, den Bearbeitungszweck und gegebenenfalls die Empfänger. Werden Daten ins Ausland bekanntgegeben, kommen nach Abs. 4 der Staat und die Garantien nach Art. 16 Abs. 2 oder eine Ausnahme nach Art. 17 hinzu. Genau dieser Absatz trifft jeden Sprachassistenten, dessen Erkennung, Modell oder Sprachsynthese ausserhalb der Schweiz läuft.

Die dritte ist Art. 50 der Verordnung (EU) 2024/1689, bekannt als EU AI Act. Er verlangt, dass die betreffenden natürlichen Personen informiert werden, dass sie mit einem KI-System interagieren, und zwar spätestens zum Zeitpunkt der ersten Interaktion und in klarer und eindeutiger Weise. Die Verordnung gilt nach Art. 113 seit dem 2. August 2026. Sie ist EU-Recht, gilt nicht automatisch in der Schweiz und wird für ein Schweizer KMU relevant, sobald es Personen in der EU bedient. Der Hinweis kostet einen Satz in der Begrüssung. Diese Übersicht ersetzt keine Rechtsberatung.

So machen wir das bei Alpinity AI

Unser KI-Telefonassistent startet bei CHF 990 Setup plus CHF 99 pro Monat, als Festpreis nach einem Scoping-Gespräch. Als Sprachplattform setzen wir ElevenLabs ein, als Sprachmodell Claude Sonnet 5 von Anthropic. Das Hosting läuft in der Schweiz oder EU, auf Wunsch ausschliesslich in der Schweiz. Gespräche, Transkripte und Übergaben sehen Sie im Alpinity Agentenportal, Ihrem Kunden-Login.

Inhaltlich halten wir uns an das, was oben belegt ist. Der Assistent versteht Mundart und antwortet in schweizerisch gefärbtem Hochdeutsch, weil genau diese Kombination durch die Forschung getragen wird. Er sagt im ersten Satz, dass er eine KI ist. Er übernimmt Aufgaben, die abschliessend beschrieben sind, und übergibt alles andere an einen Menschen. Eine Konfiguration für eine Arztpraxis sieht im Kern so aus:

assistent: telefon_praxis
begruessung:
  satz_1: "Grüezi, hier ist der digitale Assistent."
  satz_2: "Ich bin eine KI, kein Mensch."
  satz_3: "Wie kann ich Ihnen helfen?"
sprache:
  verstehen: [schweizerdeutsch, hochdeutsch, englisch]
  antworten: hochdeutsch_schweizerisch
erlaubte_aufgaben:
  - termin_vorschlagen
  - oeffnungszeiten_nennen
  - rueckruf_erfassen
  - notfallnummer_nennen
uebergabe_an_mensch:
  ausloeser:
    - anrufer_verlangt_mitarbeiter
    - notfall_erkannt
    - zwei_missverstaendnisse_in_folge
    - anliegen_nicht_in_erlaubte_aufgaben
  ziel: empfang_durchwahl
  ausserhalb_oeffnungszeiten: rueckruf_erfassen
aufzeichnung:
  audio: aus
  transkript: 30_tage
  datenschutzhinweis: in_begruessung
datenstandort

assistent: telefon_praxis
begruessung:
  satz_1: "Grüezi, hier ist der digitale Assistent."
  satz_2: "Ich bin eine KI, kein Mensch."
  satz_3: "Wie kann ich Ihnen helfen?"
sprache:
  verstehen: [schweizerdeutsch, hochdeutsch, englisch]
  antworten: hochdeutsch_schweizerisch
erlaubte_aufgaben:
  - termin_vorschlagen
  - oeffnungszeiten_nennen
  - rueckruf_erfassen
  - notfallnummer_nennen
uebergabe_an_mensch:
  ausloeser:
    - anrufer_verlangt_mitarbeiter
    - notfall_erkannt
    - zwei_missverstaendnisse_in_folge
    - anliegen_nicht_in_erlaubte_aufgaben
  ziel: empfang_durchwahl
  ausserhalb_oeffnungszeiten: rueckruf_erfassen
aufzeichnung:
  audio: aus
  transkript: 30_tage
  datenschutzhinweis: in_begruessung
datenstandort

assistent: telefon_praxis
begruessung:
  satz_1: "Grüezi, hier ist der digitale Assistent."
  satz_2: "Ich bin eine KI, kein Mensch."
  satz_3: "Wie kann ich Ihnen helfen?"
sprache:
  verstehen: [schweizerdeutsch, hochdeutsch, englisch]
  antworten: hochdeutsch_schweizerisch
erlaubte_aufgaben:
  - termin_vorschlagen
  - oeffnungszeiten_nennen
  - rueckruf_erfassen
  - notfallnummer_nennen
uebergabe_an_mensch:
  ausloeser:
    - anrufer_verlangt_mitarbeiter
    - notfall_erkannt
    - zwei_missverstaendnisse_in_folge
    - anliegen_nicht_in_erlaubte_aufgaben
  ziel: empfang_durchwahl
  ausserhalb_oeffnungszeiten: rueckruf_erfassen
aufzeichnung:
  audio: aus
  transkript: 30_tage
  datenschutzhinweis: in_begruessung
datenstandort

Der wichtigste Teil dieser Datei sind die Übergaberegeln. Sie beschreiben, wann der Assistent aufhört, und nicht nur, was er kann. Die Zeile zur Aufzeichnung ist die zweitwichtigste: Steht dort «aus», entsteht kein Tonträger, um den es in Art. 179ter StGB geht, und es bleibt die Informationspflicht nach Art. 19 DSG für das Transkript.

Was gilt weiter, wenn die Modelle besser werden

Drei Dinge ändern sich mit der nächsten Modellgeneration nicht. Erstens bleibt Latenz eine Kette. Selbst ein Modell ohne jede Antwortzeit hätte Übertragung, Endpointing und Abspielpuffer vor sich, und der Zielkonflikt zwischen Fähigkeit und Tempo ist eine Eigenschaft, kein Fehler. Zweitens bleibt die Messfrage. Solange veröffentlichte Bestwerte für Schweizerdeutsch durch überlappende Daten überhöht sind, ist die einzige belastbare Zahl die aus Ihrem eigenen Betrieb, mit Ihren Anrufenden und Ihrem Vokabular. Drittens skaliert Recht nicht mit Modellqualität. Die Einwilligung nach Art. 179ter StGB, die Information nach Art. 19 DSG und der Hinweis nach Art. 50 EU AI Act bleiben gleich, unabhängig davon, wie gut der Assistent versteht.

Besser wird die Bandbreite der Aufgaben, die sich abschliessend beschreiben lassen. Was nicht verschwindet, ist die Pflicht, sie abschliessend zu beschreiben. Ein Telefonassistent ist kein Ersatz für Ihr Team, sondern eine Schicht davor, die die immer gleichen Fragen abfängt und den Rest sauber weitergibt.

Quellen

• Stivers T. et al., «Universals and cultural variation in turn-taking in conversation», PNAS 2009, begutachtet. https://www.pnas.org/doi/10.1073/pnas.0903616106

• Dolev E. L., Lutz C. F., Aepli N., «Does Whisper understand Swiss German? An automatic, qualitative, and human evaluation», VarDial 2024, begutachtet (Workshop). https://aclanthology.org/2024.vardial-1.3/

• Plüss M. et al., «STT4SG-350: A Speech Corpus for All Swiss German Dialect Regions», ACL 2023, begutachtet. https://aclanthology.org/2023.acl-short.150/

• Akeret F., «Subtitle-Aligned Fine-Tuning of Whisper for Swiss German ASR», 2026, Preprint. https://arxiv.org/abs/2606.07608

• ElevenLabs, «Understanding latency», abgerufen am 2. September 2026, Anbieterangabe. https://elevenlabs.io/docs/eleven-api/concepts/latency

• ElevenLabs, Preise für Sprachagenten, abgerufen am 2. September 2026, Anbieterangabe. https://elevenlabs.io/pricing/agents

• ElevenLabs, «Conversation flow», Dokumentation, abgerufen am 2. September 2026, Anbieterangabe. https://elevenlabs.io/docs/eleven-agents/customization/conversation-flow

• ElevenLabs, «Burst pricing», Dokumentation, abgerufen am 2. September 2026, Anbieterangabe. https://elevenlabs.io/docs/eleven-agents/guides/burst-pricing

• Twilio, Sprachpreise Schweiz, abgerufen am 2. September 2026, Anbieterangabe. https://www.twilio.com/en-us/voice/pricing/ch

• Schweizerisches Strafgesetzbuch, Art. 179ter, SR 311.0, geltendes Recht. https://www.fedlex.admin.ch/eli/cc/54/757_781_799/de#art_179ter

• Bundesgesetz über den Datenschutz, Art. 19, SR 235.1, geltendes Recht. https://www.fedlex.admin.ch/eli/cc/2022/491/de#art_19

• Verordnung (EU) 2024/1689 (EU AI Act), Art. 50 und Art. 113, geltendes Recht. https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX%3A32024R1689

Passende Leistung von Alpinity AI: KI-Telefonassistent