In einer Woche kamen drei neue Sprachmodelle für Telefon und Kundendienst: Mistral Voxtral 3, ElevenLabs Eleven Realtime und Grok Voice 3.0. Mistral nennt für einen kompletten Telefonagenten ab 0,04 Dollar je Minute, auf Servern in der EU. Eine KI am Telefon ist damit keine Geldfrage mehr. Die Fragen, die du vorher klärst, sind andere.
Montagmorgen, das Telefon klingelt zum vierten Mal, und du stehst gerade mit einem Kunden am Tresen. Genau für diesen Moment bauen die großen KI-Anbieter gerade Sprachmodelle, die zuhören, nachdenken und antworten, ohne dass jemand merkt, dass es dauert. In einer einzigen Woche kamen drei davon. Ich habe mir angesehen, was davon belegt ist, was nur der Hersteller sagt und was ein kleiner Betrieb vor dem ersten Anruf klären sollte.
Am weitesten ist Mistral, und zwar mit Belegen auf der eigenen Produktseite. Voxtral 3 vom 20. Oktober ist keine einzelne Stimme, sondern ein Baukasten: ein Modell, das in Echtzeit mitschreibt (laut Mistral unter 500 Millisekunden), ein Modell für die Sprachausgabe in über 35 Sprachen und ein Agenten-Baukasten auf Basis von LiveKit, der Telefonie über SIP unterstützt. SIP ist der Standard, über den Telefonanlagen miteinander sprechen. Jeder Schritt ist ein eigenes Modell, du kannst also das Denkmodell oder die Stimme tauschen, ohne alles neu zu bauen. Laut Mistral ist eine Gesprächsrunde in unter einer Sekunde fertig. Deutsch steht ausdrücklich in der Sprachliste. Betrieben wird das über die EU-Schnittstelle von Mistral oder auf eigenen Servern, die Speicherdauer der Aufnahmen lässt sich einstellen.
Am selben Tag kündigte ElevenLabs „Eleven Realtime“ an, zwei Modelle, die Sprache direkt in Sprache verwandeln, ohne Umweg über Text. Laut Hersteller antwortet das größere Modell v1 Max in 0,57 Sekunden und ist für den Kundendienst gedacht, v1 Mini erkennt, ob jemand fertig ist oder nur „mhm“ sagt. Abgerechnet wird je Minute plus Verbrauch. Und schon am 16. Oktober berichtete heise über Grok Voice 3.0 von xAI: Bei Starlink beantworte es rund 70 Prozent der Kundenanrufe ohne menschliche Hilfe. Das ist eine Angabe des Herstellers über den eigenen Konzern, kein unabhängiger Test.
Für Voxtral 3 habe ich die Produktseite von Mistral selbst gelesen. Bei ElevenLabs gibt es bisher nur die Ankündigung auf X und den Bericht von the-decoder, die Dokumentation und das Änderungsprotokoll von ElevenLabs enthielten am 21. Oktober noch keinen Eintrag. Ob Eleven Realtime Deutsch kann und was eine Minute kostet, ist damit offen. Bei Grok Voice 3.0 stützt sich alles auf heise, die Seite von xAI war für mich nicht abrufbar. Und alle Werte zu Tempo und Genauigkeit stammen von den Herstellern. Wie gut die Modelle mit Dialekt, Hintergrundlärm im Laden oder einer schlechten Handyverbindung klarkommen, sagt keine dieser Zahlen.
Rechnen wir einmal mit einem Betrieb, der im Monat 300 Anrufe von je drei Minuten bekommt. Das sind 900 Minuten. Mit dem Telefonagenten von Mistral und dem eigenen Denkmodell Mistral Small 4 kommst du auf rund 36 Dollar im Monat, mit einem anderen Denkmodell auf rund 72 Dollar. Zum Vergleich: Im September hatte ich hier GPT-Live-1 von OpenAI vorgestellt, dort kostet allein die Sprachschicht 5 Cent die Minute, das Denkmodell kommt extra. Nicht drin sind in beiden Fällen die Telefonnummer, die Anbindung an deine Anlage und vor allem die Arbeit, der KI beizubringen, was sie sagen darf. Die Minute ist der kleinste Posten auf der Rechnung, das Einrichten der größte.
Drei Dinge klärst du, bevor die KI den ersten Anruf annimmt. Erstens der Hinweis: Artikel 50 Absatz 1 des AI Act verlangt, dass KI-Systeme, die direkt mit Menschen sprechen, so gebaut sind, dass die Menschen „informiert werden, dass sie mit einem KI-System interagieren“, es sei denn, das ist offensichtlich. Am Telefon ist es das nicht. Also gehört ein Satz wie „Hier spricht die digitale Assistenz von …“ an den Anfang. Zweitens die Daten: Wo landen Aufnahme und Mitschrift, wie lange, und gibt es einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO? Drittens der Ausgang: Bei welchen Wörtern, Themen oder Kunden übergibt die KI sofort an einen Menschen, und was passiert, wenn gerade keiner da ist?
Ein Anrufbeantworter sagt einen Satz und nimmt auf. Ein Sprachagent trifft Aussagen in deinem Namen: Termine, Preise, Öffnungszeiten, Zusagen. Erzählt er Unsinn, hat ihn dein Kunde von deiner Nummer gehört. Deshalb gehört vor den Start ein Probebetrieb mit echten Fragen aus deinem Alltag, nicht mit den Beispielen des Herstellers. Und noch ein Punkt aus der Praxis: Je mehr die KI darf, also buchen, Rechnungen nachsehen, Kundendaten lesen, desto genauer musst du festlegen, worauf sie zugreift. Ein Agent, der nur Fragen beantwortet und Rückrufe notiert, ist für den Anfang fast immer die bessere Wahl. Das hier ist keine Rechtsberatung, sondern meine Einordnung aus der Praxis.
Fünf Minuten: Schreib die zehn Fragen auf, die bei dir am häufigsten am Telefon kommen. Öffnungszeiten, Termin, „Ist mein Auftrag fertig?“, Preis für das Übliche. Fünf Minuten: Markiere, welche davon eine KI allein beantworten darf und welche immer zu dir gehen. Fünf Minuten: Öffne die Testumgebung von Mistral (Studio, Bereich Audio) und lass dir die Antworten auf drei deiner Fragen auf Deutsch vorlesen, ohne Telefonanbindung, nur um Stimme und Tempo zu hören. Fünf Minuten: Schreib den ersten Satz, mit dem sich deine KI meldet, inklusive Hinweis, dass sie eine KI ist. Wenn dir dieser Satz schwerfällt, ist das ein gutes Zeichen: Dann weißt du, dass du vorher noch etwas klären musst.
Ich finde diese Woche bemerkenswert, und zwar nicht wegen der Technik. Bemerkenswert ist, dass der Preis kein Argument mehr ist. Für den Gegenwert einer Tankfüllung im Monat geht eine KI an dein Telefon, auf Servern in der EU, in deutscher Sprache. Damit verschiebt sich die Frage von „Können wir uns das leisten?“ zu „Was soll sie sagen dürfen?“.
Und genau da liegt der typische Fehler: zuerst die Technik, dann die Regeln. Andersherum geht es schneller. Wer seine zehn häufigsten Anrufe kennt, den ersten Satz geschrieben hat und weiß, wann ein Mensch übernimmt, kann jedes dieser Modelle in einer Woche testen. Wer das nicht weiß, hat nach einer Woche eine sehr freundliche Stimme, die nicht weiterhilft.
Quellen: Mistral AI, Produktseite „Voxtral 3“ (laut Newsübersicht von Mistral veröffentlicht am 20. Oktober 2026; im Original gelesen am 21. Oktober 2026, Preise, Latenzen, Sprachen und Betriebsarten daraus). the-decoder.de, Matthias Bastian, Bericht zu Voxtral 3 und Bericht zu Eleven Realtime (beide 20. Oktober 2026; die Angaben zu Eleven Realtime stammen aus der Ankündigung von ElevenLabs auf X, Dokumentation und Änderungsprotokoll von ElevenLabs enthielten am 21. Oktober noch keinen Eintrag). heise online, KI-Update vom 16. Oktober 2026 (zu Grok Voice 3.0; die Seite von xAI war nicht abrufbar). Gesetzestext: Verordnung (EU) 2024/1689 (AI Act), Art. 50 Abs. 1. Preise in US-Dollar, Stand 21. Oktober 2026, ohne Telefonie und Steuern. Dieser Beitrag ist keine Rechtsberatung.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Wir gehen deine zehn häufigsten Anrufe gemeinsam durch, legen fest, was die KI sagen darf und wann du übernimmst, und schreiben den ersten Satz. Danach testen wir die passende Stimme mit echten Fragen aus deinem Alltag, bevor auch nur ein Kunde anruft.