Ausgehender Sprachagent (Erinnerungen, Umfragen, Forderungsmanagement)

Organisationen führen sehr viele routinemäßige ausgehende Anrufe: Terminerinnerungen, Lieferbestätigungen, Verlängerungs- und Zufriedenheitsumfragen, freundliche Zahlungserinnerungen. Sie sind personalintensiv und bleiben oft unbeantwortet. Ein Sprachagent kann diese Anrufe tätigen, ein natürliches Gespräch führen, das Quellsystem aktualisieren und an einen Menschen eskalieren. Die Technik ist reif für unkritische Anrufe mit Einwilligung; schwierig sind die rechtliche Erlaubnis zum Anruf überhaupt, ein ehrlicher KI-Hinweis und der faire Umgang mit Schuldnern.

Problem & Nutzen

• Heute: Mitarbeitende oder Call-Center-Dienstleister rufen Patienten, Kunden oder Bürger anhand von Listen an; die Ergebnisse werden von Hand zurückgetippt. Die Anrufe finden in den Bürozeiten statt, skalieren schlecht, und viele bleiben unbeantwortet. Textnachrichten als Erinnerung sind günstig, werden aber oft ignoriert.
• Nutzen durch KI: Anrufe lassen sich nach Bedarf hoch- und herunterskalieren, laufen außerhalb der Bürozeiten, können einen Termin im selben Anruf neu buchen und schreiben strukturierte Ergebnisse automatisch zurück. Die Mitarbeitenden konzentrieren sich auf komplexe oder sensible Fälle.
• Belege: Material von Herstellern und Aggregatoren nennt Plattformpreise pro Minute von etwa 0,05 bis 0,31 USD je nach Stack, zuzüglich Kosten für Telefonie und LLM [4]. Das sind Herstellerangaben; messen Sie Erreichbarkeitsquoten und Kosten pro abgeschlossenem Ergebnis im eigenen Pilot, statt Vergleichswerten zu vertrauen.
• Harte Einschränkung (EU): Der Anruf muss rechtlich zulässig sein. In Deutschland brauchen Werbeanrufe bei Verbrauchern die vorherige ausdrückliche Einwilligung (§ 7 UWG), dokumentiert und fünf Jahre aufbewahrt (§ 7a UWG) [2]. Viele Erinnerungs-, Umfrage- und Mahnanrufe sind keine Werbung, doch eine Umfrage mit verkäuferischem Unterton kann umqualifiziert werden.

Varianten

• Termin- und No-Show-Erinnerungen (Praxen, Zahnärzte, Werkstätten, Behörden): bestätigen, verschieben, absagen; Verbindung zu CONV-003.
• Kundenumfragen und NPS per Telefon (Versorger, Handel, Telekommunikation): kurze strukturierte Interviews, offene Antworten werden anschließend kodiert (LANG-013).
• Servicemitteilungen: Lieferfenster, Störungsinformationen, Erinnerungen an Verträge oder Verlängerungen.
• Zahlungserinnerungen und Forderungsmanagement in frühen Stufen: höfliche Erinnerung, Erfassung des Zahlungsversprechens, Zahlungslink per SMS; harte Verhandlung bleibt beim Menschen (siehe AGENT-023).
• Öffentlicher Sektor: Einladungen zu Impfungen oder Vorsorgeuntersuchungen, Nachfassen im Stil von Erhebungen, Erinnerungen an Fristen (mit gesetzlicher Grundlage; keine Werbung).
• Nachsorgeanrufe in der Pflege (nach Entlassung, Medikamententreue): Grenzfall mit Gesundheitsbezug; siehe CONV-010 und CONV-016.
• Lead-Nachfassen: ausgehende Verkaufsanrufe sind die rechtlich am stärksten exponierte Variante, siehe CONV-005 und den Abschnitt zur Einwilligung weiter unten.

So funktioniert es

1. Auslöser (Ereignis aus CRM/PMS/ERP oder Kampagnenliste)
2. Zulässigkeitsprüfung (Einwilligung / berechtigte Grundlage, Widerspruch und Sperrliste, Zeitfenster, Anrufobergrenze)
3. Wählsystem (SIP-Trunk, Rufnummernanzeige, Anrufbeantworter-Erkennung)
4. Begrüßung mit KI-Hinweis + Anlass + Aufzeichnungshinweis
5. Echtzeit-Dialogschleife: ASR
6. LLM mit Werkzeugen (Kalender, Abrechnung, CRM)
7. TTS (oder Sprache-zu-Sprache-Modell)
8. Leitplanken (Themenumfang, keine rechtlichen Drohungen, Identitätsprüfung, Unterbrechungen, Umgang mit Stille)
9. Ergebnis + Zusammenfassung
10. Rückschreiben in CRM/ERP; Widerspruchsvermerk auf Wunsch
11. Eskalation: begleitete Übergabe oder Rückruf-Ticket für einen Menschen

• Sprachschleife: entweder eine kaskadierte Pipeline (Spracherkennung, LLM, Sprachsynthese) oder ein natives Sprache-zu-Sprache-Modell. Eine Antwortlatenz pro Gesprächsbeitrag unter einer Sekunde, der Umgang mit Unterbrechungen und die Erkennung von Anrufbeantwortern bestimmen die wahrgenommene Qualität.
• Werkzeuge statt Freitext: Das LLM ruft Funktionen auf (freie Termine finden, buchen, Zahlungsversprechen vermerken). Geschäftsregeln wie Mahnstufen, Rabatte und erlaubte Formulierungen liegen in Code und Richtlinien, nicht im Prompt.
• Identitätsprüfung vor personenbezogenen Daten: Wer abhebt, ist möglicherweise nicht die betroffene Person. Der Agent gibt nichts Sensibles preis, bis eine einfache Verifizierung bestanden ist, und hinterlässt nie Einzelheiten auf der Mailbox.
• Mensch-in-der-Schleife (Human-in-the-Loop): Weiterleitung auf Wunsch, bei Belastung, Streit, Anzeichen von Schutzbedürftigkeit oder geringer Sicherheit; Durchsicht von Stichproben der Transkripte; Menschen verantworten jede Entscheidung mit finanziellen Folgen.

Datenaufbereitung

Der Agent braucht eine saubere Anrufliste mit Name, Nummer, Anrufgrund und Kontext (Termin, Rechnung, Umfragegegenstand), meist aus CRM, ERP, Praxis- oder Buchungssystemen und manchmal aus Excel-Listen. Ebenso wichtig sind Daten zu Einwilligung und Opt-out, Regeln für Anrufzeiten, Skripte und Eskalationsregeln. Typische Lücken: falsche oder doppelte Telefonnummern, fehlende Einwilligungsnachweise (Telefonwerbung erfordert nach UWG eine vorherige Einwilligung), unklarer Rechnungsstatus, Skripte, die nur in den Köpfen der Mitarbeitenden existieren, und keine Aufzeichnung der Anrufergebnisse.

Schritte der Aufbereitung: (1) Kontakt- und Falldaten aus CRM oder ERP exportieren und Duplikate entfernen; (2) Telefonnummern validieren und auf E.164 normalisieren; (3) Einwilligungsstatus und eine Sperrliste (Do-not-call) je Kontakt erfassen; (4) Skriptvarianten, FAQ-Antworten und Einwandbehandlung schreiben; (5) Ergebniscodes und Felder für den Rückschreibevorgang festlegen; (6) ein Testset mit 20-30 Anrufszenarien vorbereiten. Werkzeuge: CRM-Exporte, n8n für die Synchronisation, Validierung in Tabellenkalkulationen. Grober Aufwandsanteil: etwa 20 Prozent; die Hauptarbeit liegt in Klarheit bei Prozess und Einwilligung, nicht in der Datenmenge.

Nützliche PREP-Anwendungsfälle: PREP-005 (Datenexport), PREP-022 (Pseudonymisierung), PREP-025 (Zweck und Rechtsgrundlage), PREP-018 (Testsets). Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — A: Gehostete Dienste für ausgehende Sprachagenten mit EU-Hosting erledigen Standarderinnerungen und -umfragen ohne Telefonie-Know-how.
• Großunternehmen — B: Der Agent muss gegen eigene CRM-, Abrechnungs- und Telefonie-Stacks arbeiten, mit definierter Eskalation, und das Anrufvolumen macht Preise pro Minute relevant.
• Entwickler — B: Echtzeit-Sprach-APIs plus Telefonie (SIP) und Workflow-Werkzeuge geben flexible Kontrolle über Dialog und Compliance-Logik.
• Öffentlicher Sektor — C: Kontaktdaten von Bürgerinnen und Bürgern sowie Vergaberegeln sprechen für einen souveränen, selbst betriebenen Stack oder einen Stack in einer deutschen Cloud mit offenen Sprachmodellen.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Sprachagenten-Plattformen mit ausgehenden Kampagnen: Retell AI, Vapi, ElevenLabs Agents, Bland, Synthflow; Optionen mit EU-Fokus oder EU-Hosting sind unter anderem Parloa (DE), Cognigy (DE, NICE), Vocalcom, Fonio und Anbieter im Stil von Voicefy für KMU, dazu die Deepgram Voice Agent API als Baustein [4][5].
• Contact-Center-Suiten: Genesys, NICE, Five9, Twilio Flex mit eingebautem Wähler für ausgehende Anrufe und KI- Agenten; Angebote von Microsoft und Google für Contact Center.
• Branchenlösungen für Gesundheit und Praxen bündeln Erinnerungsanrufe oft mit der Praxissoftware.
• Prüfen: Verarbeitungsregion in der EU, AVV und Liste der Unterauftragsverarbeiter, gesprochener KI-Hinweis, Verwaltung von Einwilligungen und Sperrlisten (Do-not-call), Umgang mit Opt-out, Steuerung der Anrufaufzeichnung, Weiterleitung an Menschen, Exporte.
• A wählen, wenn: Erinnerungen oder Umfragen mit wenigen Skripten, Zehntausende Anrufe pro Jahr.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Echtzeit-Modelle: OpenAI Realtime API mit SIP, Azure OpenAI/Foundry (EU-Regionen), Gemini Live oder eine Kaskade aus Deepgram/Azure Speech/Mistral Voxtral (EU) für ASR, einem LLM (Claude, Mistral, GPT, Gemini) und ElevenLabs/Azure/Cartesia für TTS [1][3][6].
• Telefonie: Twilio (einschließlich ConversationRelay), Telnyx, Sinch oder ein europäischer Carrier über SIP; Orchestrierung mit LiveKit Agents oder Pipecat.
• Integration: Function Calling für Kalender, CRM und Abrechnung; Webhook für Ergebnisse; ein Einwilligungsspeicher als harte Voraussetzung für jeden Anruf.
• B wählen, wenn: Sie eigene Abläufe und eine tiefe Integration benötigen oder die Marge der Plattform pro Minute vermeiden wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: LiveKit Agents oder Pipecat zur Orchestrierung; Whisper/faster-whisper oder Voxtral für ASR; ein offenes LLM (Klasse Mistral, Qwen, Llama), betrieben mit vLLM; offenes TTS wie Kokoro, Piper oder Modelle im Stil von Orpheus; Asterisk oder FreeSWITCH mit einem SIP-Trunk in der EU.
• Hardware: HW3 für mehrere gleichzeitige Anrufe mit einem mittelgroßen LLM und geringer Latenz; HW2 für einen Pilot mit einem kleinen Modell und wenigen parallelen Anrufen.
• Aufwand: hoher Betriebsaufwand für das Feintuning der Latenz, die Sprachqualität (besonders Deutsch und regionale Akzente) und die Telefonie. Lohnt sich bei strenger Datenresidenz oder sehr hohen Anrufvolumina.

Weg D — Eigenes Training

Selten gerechtfertigt. Kandidaten: feingetunte ASR für Fachvokabular und Dialekte, ein Stimmklon der eigenen Markenstimme (mit schriftlicher Einwilligung der sprechenden Person) oder ein kleiner Klassifikator für Ergebnis und Erkennung von Schutzbedürftigkeit, trainiert auf geprüften Transkripten.

Stand der Technik (2026)

• Echtzeit-Sprach-Stacks haben Produktionsqualität erreicht: native Sprache-zu-Sprache-Modelle und optimierte Kaskaden liefern Antwortlatenzen nahe am menschlichen Gespräch, bewältigen Unterbrechungen und rufen SIP-Trunks direkt auf [1][3]. EU-Sprachmodelle (Voxtral) haben die mehrsprachige ASR in Echtzeit verbessert [7].
• Konsolidierung der Plattformen: spezialisierte Anbieter bündeln Wähler, Sprache, LLM, Auswertung und Compliance- Funktionen; Agenten handeln zunehmend über Werkzeuge und Integrationen im MCP-Stil.
• Die Regulierung hat aufgeschlossen: Die Transparenzpflichten nach Art. 50 KI-Verordnung für Systeme, die direkt mit natürlichen Personen interagieren, gelten ab dem 2. August 2026, daher ist ein gesprochener KI-Hinweis zu Beginn des Anrufs das gängige Entwurfsmuster [5][8].
• Grenzen und Fehlerbilder: ASR-Fehler bei Namen, Zahlen und Akzenten; Fehlerkennung von Mailboxen und IVR; erfundene Zusagen (Rabatte, Fristen); Prompt Injection durch die angerufene Person; emotional schwierige Gespräche mit verschuldeten oder schutzbedürftigen Menschen; niedrige Erreichbarkeit, weil Angerufene unbekannten oder automatisierten Anrufern misstrauen. Die Qualität ist am besten bei kurzen, strukturierten, unkritischen Anrufen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie CONV-002 (eingehende Sprache): ASR, TTS, LLM, Telefonie, Schutzmechanismen und Transkripte können eine Plattform sein, die eingehende und ausgehende Anrufe bedient.
• CONV-003 liefert Terminbuchung und Kalenderwerkzeuge; CONV-007 erhält eskalierte Anrufe mit dem Transkript als Kontext; CONV-013 teilt Authentifizierung und Transaktionsregeln bei Banken und Versicherungen.
• Nachgelagert: LANG-013 (Stimmungs- und Freitextanalyse von Umfrageanrufen), SPEECH-001 (Transkriptionswerkzeuge), AGENT-023 (Order-to-Cash, Mahnstrategie, Zahlungszuordnung).
• Hardware: HW3-Inferenzserver, gemeinsam mit anderen LLM-/Sprach-Lasten genutzt.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen pro Kampagne; nutzungsabhängige Abrechnung pro Minute plus Telefonie.
• Weg B: 1-3 Monate einschließlich Einwilligungsspeicher, CRM-Integration, Monitoring und rechtlicher Prüfung.
• Weg C: 3-6 Monate; GPU-Server, Telefonie und Bereitschaftsbetrieb.
• Kostentreiber: Minuten pro Anruf, Telefoniegebühren, Zahl der Wiederholungsversuche, Qualitätssicherung und rechtliche Prüfung.
• Kennzahlen: Kontaktquote, Abschlussquote, Aufgabenerfolg (bestätigte Termine, gültige Umfrageantworten), Rückgang der No-Shows, Eskalationsquote, Opt-out- und Beschwerdequote, Kosten pro abgeschlossenem Ergebnis, Compliance-Wert der Anrufstichproben, beim Forderungsmanagement: Einhaltung von Zahlungsplänen und Streitquote.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Prozessverantwortung (Empfang, Buchhaltung oder Umfrageleitung), um Zweck und Tonalität festzulegen. Anrufe im Forderungsmanagement brauchen früh Recht und Compliance, weil Formulierungen, Zeiten und Einwilligungsregeln streng sind und die Kundschaft erfahren muss, dass sie mit KI spricht (KI-Verordnung Art. 50). Die/der Datenschutzbeauftragte prüft Rechtsgrundlage, Anrufaufzeichnung, den AVV mit dem Sprachanbieter und ob eine DSFA nötig ist. Die IT bindet Telefonie und CRM an; Mitarbeitende, die bisher telefonieren (Endnutzer), schreiben die Skripte mit und übernehmen eskalierte Anrufe.

Betriebsrat: kommt darauf an. Der Agent dient überwiegend der Kundschaft; ersetzt oder gestaltet er jedoch Aufgaben von Beschäftigten um, verlangt § 90 Abs. 1 Nr. 3 BetrVG eine rechtzeitige Unterrichtung, und werden Anrufergebnisse mit der Leistung einzelner Beschäftigter verknüpft, gilt § 87 Abs. 1 Nr. 6. Im öffentlichen Dienst ist der Personalrat beteiligt. Nur relevant, wo ein Betriebsrat besteht.

KI-Kompetenz: Unterstützen Sie das Team mit einer kurzen Einführung dazu, was der Sprachagent kann und was nicht (KI-Verordnung Art. 4). Führen Sie einen Pilot mit einem risikoarmen Fall wie Terminerinnerungen bei einer kleinen Gruppe, die eingewilligt hat, über 3-4 Wochen durch, bevor Sie zu Umfragen oder Zahlungserinnerungen übergehen. Typische Sorgen: verärgerte Kundschaft, falsche Aussagen zu Schulden und Arbeitsplatzverlust; begegnen Sie ihnen mit einem klaren KI-Hinweis, einer Weiterleitung an einen Menschen per Tastendruck, keinen Verhandlungen oder Drohungen durch den Agenten und dem wöchentlichen Anhören von Stichproben. Menschen übernehmen Streitfälle und Härtefälle.

Leitfäden: GUIDE-005 (Datenschutz), GUIDE-008 (Veränderungsmanagement), GUIDE-009 (Pilot).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise begrenztes Risiko (Art. 50 Abs. 1): Menschen müssen informiert werden, dass sie mit einem KI-System interagieren, sofern dies nicht offensichtlich ist; bei einem Telefonanruf bedeutet das einen gesprochenen Hinweis zu Beginn. Synthetische Sprachausgabe muss nach Art. 50 Abs. 2, soweit anwendbar, maschinenlesbar gekennzeichnet werden; ein Stimmklon einer realen Person, der eingesetzt wird, um Empfänger zu täuschen, ist ein Deepfake-Thema und muss offengelegt werden [5][8]. Betreiber müssen für KI- Kompetenz sorgen (Art. 4). Art. 5 verbietet manipulative oder ausbeuterische Techniken, die Schwächen ausnutzen (Alter, Behinderung, soziale oder wirtschaftliche Situation), was für Skripte zur Forderungseintreibung unmittelbar relevant ist; und die Ableitung von Emotionen am Arbeitsplatz. Kreditbezogene Nutzung, die die Kreditwürdigkeit bewertet, ist hochriskant (Anhang III Nr. 5 Buchst. b); ein Agent im Forderungsmanagement, der nur erinnert und ein Zahlungsversprechen erfasst, ist es im Allgemeinen nicht, doch das Scoring, wer welche Behandlung erhält, kann es sein, prüfen Sie daher die Einstufung.
• Einwilligung bei Telefonanrufen (Deutschland/EU): Werbeanrufe bei Verbrauchern erfordern die vorherige ausdrückliche Einwilligung (§ 7 Abs. 2 Nr. 2 UWG), dokumentiert und fünf Jahre aufbewahrt (§ 7a UWG); B2B-Anrufe brauchen mindestens eine mutmaßliche Einwilligung; Bußgelder bis zu 300.000 EUR sind möglich [2]. Automatische Anrufmaschinen erfordern in jedem Fall eine ausdrückliche Einwilligung. Andere Mitgliedstaaten wenden nationale Regeln nach Art. 13 der ePrivacy-Richtlinie an; prüfen Sie jeden Markt.
• DSGVO: Rechtsgrundlage je Zweck (Vertrag, berechtigtes Interesse, Einwilligung), Transparenz in den ersten Sekunden, Datenminimierung, Aufbewahrungsfristen für Aufzeichnungen und Transkripte, Widerspruchsrecht, AVV mit Plattform und Unterauftragsverarbeitern, Garantien für Übermittlungen bei Anbietern außerhalb der EU. Die Aufzeichnung braucht eine Rechtsgrundlage und einen Hinweis; Gesundheitsdaten (Terminerinnerungen bei Fachkliniken) gehören zu den besonderen Kategorien (Art. 9). Art. 22 DSGVO gilt, wenn das Anrufergebnis automatisch rechtliche oder ähnlich erhebliche Wirkungen auslöst.
• Forderungsmanagement: Deutschland regelt registrierte Inkassodienstleistungen (RDG) und Verbraucherschutz beim Mahnwesen; es gelten Pflichten zur fairen Behandlung; nie drohen oder täuschen; keine Anrufe zur Nachtzeit oder übermäßig häufig; Streitigkeiten beachten und übergeben.
• Gegenmaßnahmen: Prüfung von Einwilligung und Sperrliste (Do-not-call) vor jedem Anruf, Skript für den Hinweis, Identitätsprüfung, Werkzeuge auf einer Positivliste, Übergabe bei Anzeichen von Schutzbedürftigkeit, Prüfprotokoll, Qualitätssicherung durch Menschen in Stichproben, Notausschalter.

Erste Schritte

1. Wählen Sie einen risikoarmen Anruftyp (Terminerinnerung oder kurze Serviceumfrage) und dokumentieren Sie die Rechtsgrundlage und die Quelle der Einwilligung je Kontakt.
2. Schreiben Sie die Skriptvorgaben: KI-Hinweis, Zweck, Identitätsprüfung, Auslöser für die Eskalation, Grenzen der Formulierung. Lassen Sie Recht und die/den Datenschutzbeauftragte(n) sie prüfen.
3. Führen Sie einen Pilot mit 2 Plattformen (Weg A) mit 200-500 echten Anrufen durch; testen Sie Mailbox, Akzente und Unterbrechungen.
4. Binden Sie das Rückschreiben und den Umgang mit Opt-out an; legen Sie Anrufzeitfenster und Obergrenzen für Wiederholungen fest.
5. Prüfen Sie wöchentlich eine Stichprobe der Transkripte und verfolgen Sie die Kennzahlen, bevor Sie auf Umfragen oder Zahlungserinnerungen ausweiten.

Quellen

1. OpenAI — Realtime API with SIP (telephony guide) — https://developers.openai.com/api/docs/guides/realtime-sip
2. IHK Nord Westfalen — Werbung per Telefon, § 7 UWG consent — https://www.ihk.de/nordwestfalen/recht/rechtsthemen/wettbewerbsrecht/werbung-per-telefon-telefax-oder-e-mail-3614212
3. Microsoft — GPT Realtime API via SIP, Microsoft Foundry — https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/realtime-audio-sip
4. Retell AI — Vapi vs ElevenLabs 2026 (vendor comparison, pricing as reported) — https://www.retellai.com/blog/vapi-vs-elevenlabs
5. European Commission — Guidelines on transparency obligations (Art. 50) — https://digital-strategy.ec.europa.eu/en/policies/guidelines-ai-transparency-obligations
6. ElevenLabs — Agents platform — https://elevenlabs.io/api
7. Mistral — Voxtral Transcribe 2 and Voxtral Realtime — https://mistral.ai/news/voxtral-transcribe-2/
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
9. UWG online commentary on § 7 — https://www.uwg-onlinekommentar.de/kommentierung-7-uwg/