Was ist Voice AI? Evolution, Technik, Mehrwerte

"Drücken Sie 1 für Verkauf. Drücken Sie 2 für Support. Drücken Sie 3 für..."

Diese Stimme aus dem Telefon kennt jeder. Und kaum jemand hört sie gern. Wer anruft und in einem touch-tone-Menü landet, ist frustriert, bevor das Gespräch überhaupt begonnen hat.

Voice AI ist die Antwort auf diese Frustration. Sie ist die Weiterentwicklung klassischer Sprachdialogsysteme mit generativer KI. Wo frühere Systeme Anrufer durch starre Baumstrukturen führten, versteht moderne Voice AI natürliche Sprache, beantwortet Fragen aus einer Wissensbasis und führt Prozesse autonom aus. Bis 2027 werden voraussichtlich 50 % aller Service-Anfragen durch KI gelöst, von 30 % im Jahr 2025 (Salesforce State of Service, September 2025).

Dieser Beitrag erklärt, was Voice AI ist, wie sie funktioniert und warum sie für Unternehmen heute ein No-Brainer ist.

1. Von touch-tone zu natürlicher Sprache

Die Geschichte der Sprachtechnologie ist länger, als viele denken. Schon 1911 sprang ein Spielzeughund namens Rex aus seiner Hütte, wenn man seinen Namen rief. Das war das erste überlieferte Beispiel für automatische Spracherkennung. Ab den 1970er Jahren prägten touch-tone-IVR-Systeme den Kundenservice am Telefon. Spracherkennung, wenn überhaupt eingesetzt, beschränkte sich auf Schlagwörter und Ziffernketten. Die Systeme waren schwerfällig und frustrierten Anrufer.

Anfang der 1990er Jahre begann die nächste Stufe. Am Erlanger Lehrstuhl für Mustererkennung entwickelten Forscher mit Evar und FränKi die weltweit ersten natürlichsprachlichen Dialogsysteme. Evar war ein Auskunftssystem für die Deutsche Bahn. FränKi wusste, in welchem Kino der neueste James Bond lief. Aus diesem Team ging 2003 die Sympalog Voice Solutions GmbH hervor, die bis heute Sprachdialogsysteme entwickelt.

Der Durchbruch für die Akzeptanz kam nicht aus dem Kundenservice, sondern aus dem Alltag. Siri, Alexa und der Google Assistant machten Gespräche mit einem Computer zur Selbstverständlichkeit. Ende 2022 veröffentlichte OpenAI ChatGPT. Bis Mitte 2025 waren aus den Sprach-Experimenten weitverbreitete Produkte geworden: Amazon brachte Alexa+ heraus, Apple zeigte eine Siri mit zielorientierter Gesprächsführung, und Google veröffentlichte Gemini Live für Echtzeit-Sprachkonversationen.

Drei Begriffe sind wichtig für die Abgrenzung:

IVR-System

Ein IVR-System (Interactive Voice Response) ist ein Sprachmenü, das Anrufer über Tasteneingabe oder einfache Sprachbefehle durch einen festen Dialogbaum führt. Touch-tone-IVRs sind die älteste Form und noch heute weit verbreitet.

Sprachdialogsystem

Ein Sprachdialogsystem (auch Voicebot oder Voice Portal genannt) ist eine Software, mit der Menschen über gesprochene Sprache mit einem Computer kommunizieren. Moderne Systeme setzen auf KI und verstehen ganze Sätze, stellen Rückfragen und reagieren flexibel auf das Anliegen des Anrufers.

Voice AI

Voice AI ist die aktuelle Generation der Sprachdialogsysteme, die generative KI und Large Language Models nutzt, um natürliche Gespräche zu führen, Antworten aus einer Wissensbasis zu generieren und Prozesse autonom auszuführen. Der Einsatz von LLMs und die Fähigkeit, ohne vordefinierte Dialogbäume auszukommen, sind das entscheidende Merkmal.

2. Wie Voice AI funktioniert: Die Technologie hinter dem Telefon

Ein modernes Voice-AI-System besteht aus vier Technologie-Bausteinen, die nahtlos zusammenarbeiten.

Speech-to-Text (STT): Sprache in Text umwandeln. Der erste Schritt ist die Spracherkennung. Moderne Spracherkennungssysteme wie Whisper gehören zur Klasse der Automatic-Speech-Recognition-Modelle (ASR). Sie sind extrem fehlertolerant, mehrsprachig und erkennen Sprache selbst bei stark variierender Audioqualität, Dialekten oder Hintergrundgeräuschen. Die Spracherkennung wandelt Sprache in Text um. Den Sinn hinter den Aussagen versteht sie dabei noch nicht.

Natural Language Understanding (NLU): Die Absicht erkennen. Der zweite Schritt ist das Verstehen. NLP (Natural Language Processing) steht vereinfacht gesagt für die Suche nach Wörtern oder Phrasen in einer Frage. Sobald die Fragen aber komplizierter werden, ist NLU unerlässlich. Die KI betrachtet die gesamte Frage, prüft Subjekt, Objekt, Pronomen und Vorgang. So kann das System auch Anfragen wie "Ich will die Ware umtauschen. Ich habe sie aber schon ausgepackt" richtig einordnen.

Enterprise Search und Wissensbasis: Die Antwort finden. Der dritte Schritt ist der Wissensabruf. Das System sucht in einer Wissensdatenbank nach der passenden Antwort: Produktdatenbank, FAQ-System, CMS, CRM, DMS oder eine Kombination daraus. Hier entscheidet sich die Qualität jeder Voice AI. Eine Voice AI ist nur so gut wie die Wissensbasis, auf die sie zugreift.

Text-to-Speech (TTS): Die Antwort sprechen. Der vierte Schritt ist die Sprachausgabe. Moderne TTS-Stimmen klingen heute so natürlich, dass sie sich für den produktiven Einsatz eignen. Cloudbasierte TTS-Lösungen sind trotz guter Qualität erschwinglich geworden.

Latenz als kritischer Faktor. Am Telefon ist jede Pause fatal. Moderne Realtime-Sprachsysteme erreichen eine Ende-zu-Ende-Latenz von unter 300 Millisekunden. The Red Phone, ein Londoner Anbieter für natürlichsprachliches Routing, arbeitet mit unter 600 ms Latenz bei 99,9 % Uptime in über 30 Sprachen.

Der entscheidende Unterschied zu früher: Früher mussten Dialoge und Grammatiken manuell gepflegt werden. Heute reichen kleine Trainingsmengen oder Zero-Shot-Klassifikation mit LLMs. Large Language Models wie GPT, Claude oder Llama steuern Dialoge dynamisch anhand des Gesprächskontexts, ohne vordefinierte Dialogbäume.

3. Warum Voice AI heute ein No-Brainer ist

Drei Entwicklungen machen Voice AI heute für Unternehmen uneingeschränkt attraktiv.

Die Technik ist reif. Spracherkennung erreicht 90 % Korrektheit. Text-to-Speech-Stimmen klingen natürlich. Latenz liegt unter 300 Millisekunden. 89 % der Service-Profis sagen, dass Conversational AI die Self-Service-Resolution-Rate erhöht (Salesforce State of Service, September 2025). Die Technologie ist im produktiven Einsatz weltweit bewährt.

Die Kosten sind niedrig. Ein Sprachdialogsystem braucht nicht Tausende von täglichen Anrufen, um sich zu rechnen. Newcall, ein KI-Telefonassistent für Tourist-Informationen im DACH-Raum, ist ab 650 € pro Monat erhältlich (new-call.de, 2026). Fonio, der Volume-Player im deutschen Markt mit 9.500+ Kunden, lässt sich in Minuten einrichten (OMR, 2026). Was früher ein IT-Großprojekt war, ist heute eine SaaS-Subscription.

Die Mehrwerte sind real. Voice AI bietet 24/7-Erreichbarkeit, Mehrsprachigkeit, Skalierung bei Anrufpeaks und Insights aus Gesprächsdaten. Newcall beantwortet Gäste-Anfragen in über 25 Sprachen. The Red Phone ersetzt starre IVR-Menüs durch natürlichsprachliches Routing in über 30 Sprachen. 70 % der Reisenden würden beim Hotel-Check-in auf die Rezeption verzichten. Bei der Gen Z sind es sogar 82 % (Mews Survey, Juni 2025). Gäste wollen Informationen sofort, in ihrer Sprache und ohne Wartezeit.

Wer heute noch touch-tone-IVR betreibt, verliert Anrufer. Die Frage ist nicht ob, sondern wann und wie du Voice AI einführst.

4. Wo Voice AI heute bereits funktioniert

Voice AI ist branchenübergreifend einsetzbar. Überall dort, wo standardisierte Abläufe und angebundene Systeme vorhanden sind, kann sie Anliegen selbstständig bearbeiten.

Ein konkretes Beispiel aus dem Tourismus: Eine Gäste-Anfrage um 23 Uhr nach der nächsten Apotheke. Keine Tourist-Information ist um diese Zeit besetzt. Eine Voice AI, die an die Daten der Destination angeschlossen ist, beantwortet die Frage sofort, in der Sprache des Gastes. Newcall macht genau das, mit Go-Live in einer Woche (new-call.de, 2026).

Voice AI schließt die Lücke, weil sie den Anrufer an der Stelle abholt, an der er ohnehin ist: am Telefon.

5. Voice AI braucht eine zentrale Wissensbasis

Voice AI am Telefon funktioniert nur so gut wie die Wissensbasis, auf die sie zugreift. Das beste Sprachmodell liefert keine brauchbaren Antworten, wenn die Unternehmensdaten unvollständig, veraltet oder unstrukturiert sind.

branchly bietet keine eigene Voice AI an. branchly ist die zentrale Wissensbasis und das Dashboard, das Voice-AI-Lösungen wie Pendura, The Red Phone, Fonio oder Newcall mit der Website-KI verbindet. Die Voice-Technologie kommt vom Partner, die Datenbasis und die Insights kommen von branchly. Alle vier Anbieter sind direkte Partner von branchly und lassen sich nativ in der branchly Plattform anschließen.

Das Prinzip ist einfach: Du richtest deine Inhalte einmal in branchly als Wissensbasis ein. Website-Texte, FAQs, Produktdaten, PDFs, Veranstaltungskalender, externe Datenbanken. Diese Wissensbasis gilt dann für jedes Modul: den Chat auf der Website, die hybride Suche, den Advisor, den Navigator, die Forms und den Voice Agent am Telefon.

Was sich ändert, wenn alle Interfaces aus einer Hand kommen:

• Keine unterschiedlichen Infos. Telefon und Website speisen aus derselben Wissensbasis. Ein Kunde bekommt am Telefon dieselbe Antwort wie im Chat.

• Kein doppelter Pflegeaufwand. Du pflegst eine Wissensbasis, nicht zwei. Jede Aktualisierung gilt sofort für alle Kanäle.

• Ein Compliance-Standard. DSGVO, EU AI Act und WCAG/BFSG werden einmal gelöst, nicht pro Kanal. Eine Plattform, ein AVV, ein Audit-Trail. Microsoft Azure EU-Hosting für LLMs, OVH Cloud für Nutzerdaten. Nichts verlässt die EU.

• Ein Dashboard. Alle Voice- und Web-Insights in einer Oberfläche. Aus Anrufthemen werden FAQ-Kandidaten. Aus häufigen Fragen wird Content. Aus Daten werden Empfehlungen.

branchly hat über 40 Millionen KI-gestützte Sessions verarbeitet und unterstützt 101 Sprachen nativ. Das ist der Unterschied zwischen "Voice AI kaufen" und "Voice AI strategisch einführen".

Wie du Voice AI in fünf Schritten richtig einführst, beschreibt der Beitrag Voice AI richtig umsetzen in 5 Schritten. Warum isolierte Voice AI nicht reicht, steht in Warum isolierte Voice AI nicht reicht.

Zusammenfassung

Voice AI ist die Weiterentwicklung klassischer Sprachdialogsysteme mit generativer KI. Die Evolution führte von touch-tone-IVR-Systemen der 1970er Jahre über die ersten natürlichsprachlichen Dialogsysteme der 1990er Jahre bis zu heutigen Systemen, die natürliche Sprache verstehen, Antworten aus einer Wissensbasis generieren und Prozesse autonom ausführen.

Die Technik ist reif, die Kosten sind niedrig, die Mehrwerte sind real: 24/7-Erreichbarkeit, Mehrsprachigkeit, Skalierung bei Anrufpeaks und Insights aus Gesprächsdaten.

Die entscheidende Erkenntnis: Voice AI am Telefon funktioniert nur so gut wie die Wissensbasis, auf die sie zugreift. branchly bietet keine eigene Voice AI an, sondern ist die zentrale Wissensbasis, die Voice-AI-Partner mit der Website-KI verbindet. Eine Datenbasis für sechs Module. Eine Plattform, ein Dashboard, ein Compliance-Standard.

Wer heute noch touch-tone-IVR betreibt, verliert Anrufer. Wer Voice AI strategisch einführt, gewinnt Daten, die sein Marketing voranbringen.