Glossar KI-Telefonie: 40 Begriffe von Barge-in bis Voice-Agent einfach erklärt

Das Wichtigste in Kürze

• 40 Fachbegriffe der KI-Telefonie in vier Gruppen: Gesprächstechnik und KI, Telefonie, Funktionen und Integration, Recht und Datenschutz.
• Wer einen KI-Telefonassistenten auswählt, sollte vor allem diese Begriffe sicher kennen: Latenz, Barge-in, SIP-Trunk, Rufumleitung, Wissensdatenbank, Weiterleitung, AVV und KI-Hinweis.
• Viele Begriffe meinen fast dasselbe: Voicebot, Voice-Agent, KI-Telefonassistent und KI-Rezeptionist beschreiben Systeme, die Telefonate selbstständig in natürlicher Sprache führen.
• Jeder Eintrag erklärt den Begriff in zwei bis vier Sätzen, mit einem Beispiel aus der Praxis und dem Hinweis, worauf Sie bei Anbietern achten sollten.

Inhalt (6 Abschnitte)

Wer sich zum ersten Mal mit KI-Telefonassistenten beschäftigt, stolpert schnell über Begriffe wie SIP-Trunk, Barge-in oder Mailbox-Erkennung. Anbieter verwenden sie selbstverständlich, und wer sie nicht kennt, kann Angebote kaum vergleichen.

Dieses Glossar erklärt 40 Begriffe der KI-Telefonie in einfachen Worten, jeweils mit Beispiel und dem Punkt, auf den Sie bei der Auswahl achten sollten. Die Begriffe sind in vier Gruppen sortiert: Gesprächstechnik und KI, Telefonie, Funktionen und Integration, Recht und Datenschutz. Stand: Oktober 2026.

Die 8 wichtigsten Begriffe vor dem Kauf

Wenn Sie nur wenig Zeit haben: Diese acht Begriffe entscheiden, ob ein Anbieter zu Ihnen passt.

Gesprächstechnik und KI

Barge-in (Unterbrechung) Der Anrufer kann dem Voicebot ins Wort fallen, und der Bot hört sofort auf zu sprechen und zuhört. Das ist für natürliche Gespräche entscheidend, denn Menschen unterbrechen ständig: „Nein, nicht Dienstag, Mittwoch.“ Testen Sie Barge-in bei jedem Anbieter selbst. Mehr: Barge-in und Unterbrechungen.

Conversational AI Sammelbegriff für KI-Systeme, die Dialoge in natürlicher Sprache führen, per Text oder Stimme. Chatbots, Voicebots und Sprachassistenten gehören dazu. Der Begriff sagt nichts über die Qualität aus; entscheidend ist, was das System im konkreten Gespräch leistet. Mehr: Conversational AI.

Echtzeit-Sprachmodell (Speech-to-Speech) Ein Sprachmodell, das gesprochene Sprache direkt verarbeitet und direkt mit Stimme antwortet, ohne Umweg über geschriebenen Text. Vorteil: kürzere Antwortzeit und natürlichere Betonung. Agile Voice arbeitet mit einem solchen Echtzeit-Sprachmodell. Mehr: Echtzeit-Sprachmodell.

Endpointing (Sprechende-Erkennung) Die Erkennung, wann der Anrufer fertig gesprochen hat. Ist sie zu empfindlich, fällt der Bot bei jeder Denkpause ins Wort; ist sie zu träge, entstehen lange Pausen. Besonders bei Telefonnummern („null sieben vier … fünf drei …“) zeigt sich, ob ein System das gut löst.

Halluzination Eine Antwort, die überzeugend klingt, aber erfunden ist, etwa ein Preis, der nirgends hinterlegt ist. Sprachmodelle neigen dazu, Lücken zu füllen. Gegenmittel: klare Anweisung im Prompt („Wenn du es nicht weißt, sag es und biete einen Rückruf an“), eine gepflegte Wissensdatenbank und Tests. Mehr: Halluzinationen beim Voice-Agent.

Latenz Die Zeit zwischen dem Ende Ihres Satzes und dem Beginn der Antwort. Am Telefon wirkt alles über etwa einer Sekunde wie Zögern. Latenz entsteht in Spracherkennung, Modell, Sprachausgabe und Netz, und zusätzlich, wenn der Bot während des Gesprächs eine langsame Schnittstelle abfragt. Mehr: Latenz beim Voice-Agent.

LLM (Large Language Model) Großes Sprachmodell, das Texte versteht und erzeugt. Es ist das „Gehirn“ der meisten KI-Telefonassistenten: Es entscheidet, was als Nächstes gesagt oder getan wird. Ein LLM weiß nichts über Ihren Betrieb, solange Sie es nicht über Prompt, Wissensdatenbank oder Werkzeuge mit Informationen versorgen.

Prompt Die Anweisung an das Sprachmodell: Rolle, Ton, Ablauf, Regeln, Grenzen. Ein guter Prompt für die Telefonie ist kurz und konkret, zum Beispiel „Frage immer nach Name und Rückrufnummer, wiederhole die Nummer zur Bestätigung“. In einem visuellen Editor hat jeder Gesprächsschritt seinen eigenen Prompt. Mehr: Voice-Agent-Prompt schreiben.

Spracherkennung (ASR, Speech-to-Text) Wandelt gesprochene Sprache in Text um. ASR steht für Automatic Speech Recognition. Schwachstellen sind Eigennamen, Dialekte, Hintergrundlärm und Zahlenfolgen. Mehr: Speech-to-Text und Text-to-Speech.

Sprachausgabe (TTS, Text-to-Speech) Erzeugt aus Text eine künstliche Stimme. Moderne Stimmen klingen sehr natürlich, mit Pausen und Betonung. Bei der Auswahl zählt, wie die Stimme Zahlen, Uhrzeiten und Ihren Firmennamen ausspricht; hören Sie Probesätze vorher an.

Voicebot Programm, das Gespräche in gesprochener Sprache führt, meist am Telefon. Der Begriff ist älter und umfasst auch einfache regelbasierte Systeme. Heute meint er meist einen KI-gestützten Assistenten. Mehr: Voicebot: Was ist das?.

Voice-Agent KI-System, das Telefonate selbstständig führt und dabei handelt: Es fragt Daten ab, bucht Termine, leitet weiter. Verwandte Begriffe sind KI-Telefonassistent und KI-Rezeptionist. Mehr: Was ist ein Voice-Agent?.

Telefonie

Carrier / Telefonieanbieter Das Unternehmen, das Rufnummern bereitstellt und Gespräche ins Telefonnetz vermittelt. Manche KI-Anbieter bringen die Nummer gleich mit, bei anderen nutzen Sie einen eigenen Telefonieanbieter. Bei Agile Voice verbinden Sie Ihren Anbieter (zum Beispiel Twilio, Vonage, Telnyx oder einen anderen per SIP); dessen Gebühren rechnet er direkt mit Ihnen ab.

CLI (Rufnummernanzeige) Calling Line Identification, also die Nummer, die beim Angerufenen im Display erscheint. Bei ausgehenden Anrufen sollte eine echte, zurückrufbare Nummer angezeigt werden; bei Werbeanrufen ist die Rufnummernunterdrückung unzulässig (§ 15 Abs. 2 TDDDG, Bußgeld nach § 28 TDDDG bis 300.000 €). Mehr: Rufnummernanzeige bei Werbeanrufen.

DTMF (Tastentöne) Die Töne, die beim Drücken einer Telefontaste entstehen. Klassische Sprachmenüs werten sie aus („Drücken Sie die 1“). Für KI-Telefonassistenten spielen sie kaum noch eine Rolle, weil Anrufer frei sprechen.

IVR (Interactive Voice Response) Das klassische Sprachmenü mit festen Ansagen und Tastenauswahl. Es sortiert Anrufe, versteht aber keine freien Sätze. Viele Unternehmen ersetzen IVR durch einen Voicebot oder setzen den Voicebot als freundlichere Eingangsstufe davor. Mehr: IVR oder Voicebot.

Mailbox-Erkennung (AMD) Answering Machine Detection: Bei ausgehenden Anrufen erkennt das System, ob ein Mensch oder ein Anrufbeantworter abhebt. Je nach Einstellung legt der Agent auf, hinterlässt eine Nachricht oder versucht es später erneut. Mehr: Mailbox-Erkennung.

Parallele Anrufe (Kanäle) Wie viele Gespräche gleichzeitig laufen können. Bei vielen Paketangeboten ist im Einstiegstarif nur ein gleichzeitiger Anruf enthalten; ruft dann ein Zweiter an, hört er besetzt. Fragen Sie nach, gerade wenn Ihre Anrufe in Spitzen kommen, etwa montags früh.

Rufumleitung Leitet Anrufe von Ihrer bestehenden Nummer auf eine andere Nummer, etwa die Ihres Voice-Agents. Üblich sind Varianten: immer, bei besetzt, nach einer bestimmten Klingeldauer, außerhalb der Öffnungszeiten. So behalten Sie Ihre bekannte Nummer. Mehr: Rufumleitung vom Festnetz zum Voice-Agent.

SIP (Session Initiation Protocol) Das Standardprotokoll der Internettelefonie. Es baut Gespräche auf, steuert und beendet sie. Fast alle modernen Telefonanlagen und Voice-Agents sprechen SIP.

SIP-Trunk Ein Anschluss bei einem Telefonieanbieter, über den eine Telefonanlage oder ein Voice-Agent per SIP ins öffentliche Telefonnetz telefoniert, meist mit einer oder mehreren Rufnummern. Für KI-Telefonie ist der SIP-Trunk die Brücke zwischen Ihrer Nummer und dem Assistenten. Mehr: SIP-Trunk: Was ist das? und SIP-Trunk-Anbieter für KI-Telefonie.

WebRTC Technik für Sprach- und Videoverbindungen direkt im Browser, ohne Telefonnetz. Damit funktionieren Browser-Testanrufe und Sprach-Widgets auf Websites. Bei Agile Voice testen Sie einen Voice-Agent so im Browser, bevor eine Rufnummer verbunden ist. Mehr: Sprach-Widget für die Website.

Funktionen und Integration

API (Programmierschnittstelle) Eine Schnittstelle, über die Programme miteinander sprechen. Über eine REST-API lassen sich Voice-Agents, Kampagnen oder Gesprächsergebnisse aus eigener Software steuern und abrufen. Für kleine Betriebe ist sie meist nicht nötig, für Agenturen und Softwarehäuser oft entscheidend.

API-Auslöser Eine Adresse, über die ein anderes System einen Anruf startet, etwa wenn im Webformular ein Rückruf gewünscht wird. Der Voice-Agent ruft dann innerhalb von Sekunden an. Mehr: Anrufe per API-Auslöser starten.

Ausgehende Kampagne Der Voice-Agent ruft eine Liste von Kontakten an, etwa zur Terminerinnerung oder für Umfragen. Wichtige Einstellungen sind Zeitfenster, parallele Anrufe, Wiederholungen bei besetzt oder Mailbox und ein Schutzschalter bei zu vielen Fehlversuchen. Mehr: Ausgehende KI-Anrufe.

Gesprächsablauf (Workflow) Die Struktur des Gesprächs: Begrüßung, Schritte mit eigenen Aufgaben, Verzweigungen, Gesprächsende. In einem visuellen Editor bauen Sie den Ablauf aus Knoten, statt alles in einen einzigen langen Prompt zu schreiben. Das macht Verhalten nachvollziehbar und Änderungen sicherer.

HTTP-Tool (Function Calling) Ein Werkzeug, mit dem der Voice-Agent während des Gesprächs eine Schnittstelle aufruft, etwa um freie Termine abzufragen oder einen Auftragsstatus zu prüfen. Fachleute sprechen von Function Calling oder Tool Use. Ohne solche Werkzeuge kann ein Agent nur reden, nicht nachsehen.

MCP (Model Context Protocol) Offener Standard, über den KI-Assistenten wie Claude oder ChatGPT mit anderen Anwendungen arbeiten. Bei Agile Voice können Sie Ihr Konto über einen MCP-Server mit OAuth verbinden und etwa Gesprächsergebnisse per Chat abfragen, wahlweise mit Rechten „nur lesen“ oder „lesen und ändern“. Mehr: MCP-Server für Voice-Agents.

Qualitätsanalyse Automatische Bewertung abgeschlossener Gespräche, zum Beispiel per Stichprobe: Wurde das Anliegen erfasst, gab es Missverständnisse, hat der Agent korrekt weitergeleitet? Sie hilft, Schwachstellen im Ablauf zu finden, bevor Kunden sich beschweren. Mehr: Anrufe auswerten mit Qualitätsanalyse.

Transkript und Gesprächszusammenfassung Das Transkript ist die schriftliche Mitschrift des Gesprächs, die Zusammenfassung fasst Anliegen und Ergebnis in wenigen Sätzen zusammen. Beides ersetzt die handschriftliche Telefonnotiz. Ein Transkript ist keine Tonaufnahme; für die gelten eigene Regeln (siehe Gesprächsaufzeichnung).

Variablen (Slot Filling) Strukturierte Angaben, die der Agent aus dem Gespräch herausholt: Name, Rückrufnummer, Anliegen, Wunschtermin. Im Englischen heißt das Slot Filling. Variablen machen Gespräche filterbar und lassen sich per Webhook direkt ins CRM übertragen.

Webhook Eine automatische Nachricht, die nach einem Ereignis an eine andere Software geschickt wird, etwa nach jedem Anruf mit Zusammenfassung und erfassten Variablen an Ihr CRM oder Ticketsystem. Mehr: Anrufdaten per Webhook ins CRM.

Weiterleitung (Warm und Cold Transfer) Übergabe des Gesprächs an einen Menschen. Beim Cold Transfer wird direkt durchgestellt, beim Warm Transfer bekommt der Mensch vorher Kontext. Jede seriöse KI-Telefonie braucht eine Weiterleitung für Notfälle und Anrufer, die ausdrücklich einen Menschen wünschen. Mehr: Anruf von der KI an einen Menschen weiterleiten.

Wissensdatenbank (RAG) Dokumente wie Preislisten, Öffnungszeiten oder FAQ, aus denen der Agent Antworten bezieht. Technisch spricht man von Retrieval-Augmented Generation (RAG): Das System sucht passende Textstellen und gibt sie dem Sprachmodell mit. Je aktueller und klarer die Dokumente, desto weniger Fehler. Mehr: Wissensdatenbank für den Voice-Agent.

Recht und Datenschutz

AVV (Auftragsverarbeitungsvertrag) Pflichtvertrag nach Art. 28 DSGVO, wenn ein Dienstleister personenbezogene Daten in Ihrem Auftrag verarbeitet, also auch beim KI-Telefonassistenten. Er regelt Zweck, Sicherheit, Unterauftragsverarbeiter und Löschung. Ohne AVV kein Echtbetrieb. Mehr: AVV in der KI-Telefonie.

Drittlandübermittlung Datenverarbeitung außerhalb der EU bzw. des EWR, etwa wenn ein KI-Dienstleister in den USA Ton und Text während des Gesprächs verarbeitet. Zulässig mit geeigneter Grundlage wie dem EU-US Data Privacy Framework oder Standardvertragsklauseln (Art. 44 ff. DSGVO). Fragen Sie jeden Anbieter konkret danach, statt sich auf „Server in Deutschland“ zu verlassen. Mehr: KI-Telefonie, Drittland und DSGVO.

DSFA (Datenschutz-Folgenabschätzung) Prüfung nach Art. 35 DSGVO, wenn eine Verarbeitung voraussichtlich ein hohes Risiko birgt. Für KI-Telefonassistenten ist sie Pflicht: Die Muss-Liste der Datenschutzkonferenz nennt unter Nr. 11 den „Kundensupport mittels KI“. Art und Umfang der Daten, etwa Gesundheitsdaten in einer Praxis, bestimmen nur, wie umfangreich sie ausfällt. Sie dokumentiert Risiken und Schutzmaßnahmen. Mehr: DSFA für KI-Telefonie.

Einwilligung bei Telefonwerbung Werbeanrufe an Verbraucher sind nur mit vorheriger ausdrücklicher Einwilligung erlaubt, bei Unternehmern genügt eine mutmaßliche Einwilligung (§ 7 Abs. 2 Nr. 1 UWG). Die Einwilligung von Verbrauchern ist zu dokumentieren (§ 7a UWG). Das gilt für KI-Anrufe genauso wie für menschliche. Mehr: Telefonwerbung B2B: Was ist erlaubt?.

Gesprächsaufzeichnung Speicherung der Tonspur eines Telefonats. Wer das nichtöffentlich gesprochene Wort ohne Befugnis aufnimmt, macht sich nach § 201 StGB strafbar; zudem braucht es eine Rechtsgrundlage nach DSGVO. Bei Agile Voice ist die Aufzeichnung bei neuen Konten aus und lässt sich je Konto oder Agent einschalten. Mehr: Gesprächsaufzeichnung am Telefon: Recht.

KI-Hinweis (Transparenzpflicht) Seit dem 2. August 2026 verlangt Art. 50 Abs. 1 der KI-Verordnung, dass Menschen erfahren, wenn sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Am Telefon reicht in der Regel ein Satz in der Begrüßung: „Sie sprechen mit dem digitalen Assistenten, einem KI-System.“ Mehr: KI-Kennzeichnungspflicht am Telefon.

Wie die Begriffe in einem Anruf zusammenspielen

Beispiel: Ein Kunde ruft abends bei einem Handwerksbetrieb an. Die Rufumleitung schickt den Anruf außerhalb der Öffnungszeiten über den SIP-Trunk des Telefonieanbieters an den Voice-Agent. Der begrüßt mit KI-Hinweis. Das Echtzeit-Sprachmodell versteht „Bei mir tropft's aus der Decke“, der Kunde unterbricht einmal (Barge-in), die Latenz bleibt kurz. Der Agent folgt dem Gesprächsablauf, erfasst Adresse und Rückrufnummer als Variablen und erkennt Dringlichkeit: Weiterleitung an das Notdiensthandy. Danach gehen Transkript und Zusammenfassung per Webhook ins Auftragssystem.

So arbeitet auch Agile Voice: visueller Editor für den Ablauf, Wissensdatenbank, HTTP-Tools, Weiterleitung, Webhooks, API und MCP, Test im Browser, eingehend und ausgehend. Der Preis: 29 € netto im Monat mit 30 Credits, danach 0,20 € je Gesprächsminute, monatlich kündbar. Den Gesamtüberblick bietet der Ratgeber KI-Telefonassistent.

Häufige Fragen

Was ist der Unterschied zwischen SIP und SIP-Trunk?

SIP ist das Protokoll, mit dem Internettelefonie Gespräche aufbaut, steuert und beendet. Ein SIP-Trunk ist ein konkreter Anschluss bei einem Telefonieanbieter, über den eine Telefonanlage oder ein Voice-Agent per SIP Gespräche ins öffentliche Telefonnetz führt, meist mit einer oder mehreren Rufnummern.

Was bedeutet Latenz bei Voicebots?

Latenz ist die Zeit zwischen dem Ende Ihres Satzes und dem Beginn der Antwort. Am Telefon wirkt alles über etwa einer Sekunde wie ein Zögern, längere Pausen verunsichern Anrufer. Echtzeit-Sprachmodelle verkürzen die Latenz, weil sie den Umweg über Text sparen.

Was ist Barge-in?

Barge-in bedeutet, dass der Anrufer dem Voicebot ins Wort fallen kann und dieser sofort aufhört zu sprechen und zuhört. Ohne Barge-in müsste der Anrufer warten, bis die Ansage zu Ende ist, wie bei einem alten Sprachmenü.

Was ist Speech-to-Speech?

Speech-to-Speech beschreibt ein Sprachmodell, das gesprochene Sprache direkt verarbeitet und direkt mit Stimme antwortet, ohne Zwischenschritt über geschriebenen Text. Das verkürzt die Antwortzeit und erhält Betonung und Sprechpausen. Man spricht auch von einem Echtzeit-Sprachmodell.

Was ist der Unterschied zwischen Voicebot und Voice-Agent?

Voicebot ist der ältere, allgemeine Begriff für jedes System, das per Sprache kommuniziert, auch einfache regelbasierte. Voice-Agent betont, dass ein KI-System selbstständig handelt: Es ruft Werkzeuge auf, fragt Daten ab, bucht Termine. Im Alltag werden beide Begriffe oft gleich verwendet.

Was ist Mailbox-Erkennung?

Mailbox-Erkennung (englisch Answering Machine Detection) erkennt bei ausgehenden Anrufen, ob ein Mensch oder ein Anrufbeantworter abhebt. Je nach Einstellung legt der Voice-Agent dann auf, hinterlässt eine Nachricht oder plant einen neuen Versuch ein.

Quellen

1. Verordnung (EU) 2024/1689 (KI-Verordnung)
2. Datenschutz-Grundverordnung (DSGVO)
3. § 7 UWG – Unzumutbare Belästigungen
4. § 201 StGB – Verletzung der Vertraulichkeit des Wortes

Redaktion Agile Voice

Wir entwickeln Agile Voice in Deutschland und schreiben hier aus der täglichen Arbeit mit unseren Kundinnen und Kunden. Jeder Artikel wird fachlich geprüft und aktualisiert, wenn sich Gesetze, Preise oder Funktionen ändern.

Link kopieren