Was ist ein Voice Agent?

Ein Voice Agent ist ein KI-System, das Telefonanrufe entgegennimmt, das Anliegen der anrufenden Person versteht und selbstständig handelt: einen Termin im Kalender einträgt, eine Schadensmeldung strukturiert erfasst, eine dringende Anfrage an die richtige Person weiterleitet. Der Unterschied zu einer klassischen Telefonanlage liegt im Sprachverständnis statt in Tastendruck-Menüs. Der Unterschied zu einem Chatbot liegt in der Handlungsfähigkeit: ein Voice Agent verändert etwas in einem angebundenen System. Für Schweizer KMU mit hohem Anrufvolumen, etwa Immobilienverwaltungen, beantwortet ein Voice Agent vor allem eine Frage: wer abnimmt, wenn niemand im Büro ist.

---

Ein Anruf, der zeigt, worum es geht

Freitagabend, kurz nach 18 Uhr. Eine Mieterin ruft bei ihrer Immobilienverwaltung an, weil in der Küche Wasser aus der Decke tropft. Im Büro nimmt niemand mehr ab. Die Combox verweist auf die Öffnungszeiten am Montag.

Bei einem Voice Agent läuft derselbe Anruf anders. Das System nimmt ab, fragt nach Adresse und Art des Schadens, stuft die Dringlichkeit ein und entscheidet: Ein akuter Wasserschaden geht sofort als strukturierte Meldung an den Bereitschaftsdienst, inklusive Rückrufnummer. Eine Frage zur Nebenkostenabrechnung landet stattdessen als Ticket im System der Verwaltung, zur Bearbeitung am Montag.

Genau das ist die Funktion eines Voice Agents: am Telefon das übernehmen, was sonst eine Person am Empfang übernehmen würde. Er hört zu, ordnet ein und entscheidet, wie es weitergeht.

Was ein Voice Agent technisch tut

In Schweizer KMU-Angeboten läuft derselbe Begriff oft unter dem Namen KI-Telefonassistent, gemeint ist dieselbe Technologie. Vier Bausteine arbeiten zusammen: Spracherkennung wandelt das gesprochene Wort in Text um, ein Sprachmodell erschliesst daraus die gemeinte Absicht, über Schnittstellen greift das System auf angebundene Werkzeuge zu (einen Kalender, ein CRM, ein Ticketsystem) und führt dort die passende Aktion aus, und am Schluss gibt die Sprachsynthese die Antwort in natürlich klingender Sprache zurück.

Der dritte Baustein macht den Unterschied. Ohne Zugriff auf echte Systeme bleibt ein Voice Agent ein Sprachinterface, das Fragen beantwortet, aber nichts bewirkt. Mit diesem Zugriff trägt er einen Termin direkt ein, statt nur anzukündigen, dass er das gerne täte. Diese Werkzeugnutzung, in der Forschung als Function Calling bezeichnet, ist inzwischen ein eigenes Forschungsfeld mit klaren Reifegraden von der einfachen Systemabfrage bis zur mehrstufigen Aufgabe [1].

Voice Agent, IVR und Chatbot sind nicht dasselbe

Die drei Begriffe werden im Alltag oft vermischt, obwohl sie unterschiedliche Probleme lösen.

Eine klassische IVR-Anlage, "Drücken Sie die 1 für...", ist ein Entscheidungsbaum mit einer Telefonleitung davor. Jeder Ast ist vorab festgelegt, jede Ansage vorab aufgenommen. Passt das Anliegen nicht in einen der definierten Pfade, landet der Anruf in der falschen Warteschlange oder beim Zurück-zur-Zentrale-Button. Ein Sprachmodell vor eine IVR zu schalten ändert daran wenig: Die Struktur darunter bleibt dieselbe starre Baumstruktur.

Ein Chatbot löst ein anderes Problem in einem anderen Kanal. Er beantwortet Fragen im Text, auf einer Website oder in einem Chat-Fenster. Für Anrufer bringt das nichts, weil sie anrufen, nicht tippen.

Ein Voice Agent führt ein echtes Gespräch am Telefon und handelt dabei. Er versteht Sprache im Kontext, so wie ein Mensch das würde, statt eine Anfrage in vorab festgelegte Kategorien zu pressen. Die IVR hört Tasten. Der Chatbot liest Text. Der Voice Agent trägt den Termin ein.

Was beim Go-Live passiert

Die meisten Erklärungen zu Voice Agents enden an diesem Punkt, bei der Definition und den Vorteilen. Was in der Praxis nach dem ersten Tag passiert, kommt selten vor.

Ein System, das im Test überzeugt hat, trifft am ersten Betriebstag auf echte Anrufer mit echten Dialekten, echter Hintergrundgeräuschkulisse und echten Formulierungen, die im Testlauf nie vorkamen. Die ersten zwei Wochen nach Go-Live gehören deshalb der Kalibrierung: welche Formulierungen zu Missverständnissen führen, wo der Agent zu früh eskaliert oder zu spät, welche Pausen im Gespräch als Unsicherheit wirken statt als natürliches Zuhören.

Der erste Satz entscheidet dabei überproportional viel. Stuft ein Anrufer die Stimme als Aufnahme ein, ist das Gespräch faktisch beendet, bevor es begonnen hat. Er legt auf und versucht es später noch einmal, in der Hoffnung, dann einen Menschen zu erreichen. Wie sich ein Voice Agent vorstellt, wie er auf die erste Gesprächspause reagiert, wie er signalisiert, dass er wirklich zuhört: das entscheidet darüber, ob Anrufer das System nutzen oder es umgehen.

Für welche Anrufe sich ein Voice Agent eignet, und für welche nicht

Ein Voice Agent eignet sich gut für wiederkehrende, klar strukturierte Anliegen: Öffnungszeiten, Terminbuchung, Statusabfragen, Erstaufnahme von Meldungen mit anschliessender Weiterleitung. Er eignet sich schlecht für Gespräche, die Verhandlung, Empathie in einer akuten Krisensituation oder eine rechtlich bindende Einzelfallentscheidung erfordern. Ein gut konfigurierter Voice Agent erkennt diese Grenzfälle selbst und eskaliert an einen Menschen, statt zu versuchen, sie zu lösen.

Diese Grenze zu ziehen gehört zur Konfiguration. Sie zeigt keine Schwäche des Systems. Wer einem Voice Agent alles überträgt, wird enttäuscht. Wer ihm die strukturierten, wiederkehrenden Fälle überträgt und die Grenzfälle bewusst an Menschen weiterleitet, gewinnt Kapazität zurück, ohne Qualität zu verlieren.

Die Situation für Schweizer Immobilienverwaltungen

Der Markt bewegt sich schnell: Gartner geht davon aus, dass bis Ende 2027 ein grosser Teil der Kundenservice-Interaktionen durch Voice- und Conversational-AI-Lösungen unterstützt oder automatisiert wird [2]. Mehrere deutsche Anbieter bedienen Hausverwaltungen bereits mit spezialisierten Voice-Agent-Lösungen. In der Schweiz ist das Feld noch fast leer: Schweizerdeutsch, das Schweizer Datenschutzgesetz und die fehlende lokale Präsenz sind reale Hürden, keine Formalitäten.

Für Immobilienverwaltungen heisst das: Ob ein Voice Agent Mieteranrufe bewältigt, ist in anderen Märkten längst geklärt, das ist dort Alltag. Die Lücke liegt in der Schweiz-Spezifik: automatisierte Telefonie, die tatsächlich in Schweizerdeutsch funktioniert, sich an das bestehende Verwaltungssystem anbindet und sauber mit Schweizer Datenschutzrecht umgeht. Genau in dieser Lücke bin ich einer der ersten, die das umsetzen, mit bestehenden, bewährten Sprachmodellen statt eigener Forschung, das Schweizer Datenschutzgesetz von Anfang an mitgedacht.