KI-Telefonrezeptionisten: Echte Probleme und warum das Internet besser funktioniert

Es gibt zwei KI-Rezeptionistinnen. Die eine nimmt den Hörer ab und antwortet mit einer Stimme. Die andere schreibt im Chat einer Website. In diesem Artikel geht es um die erste: Welche Probleme treten auf, wenn es sich um einen Anruf handelt, und warum unterscheiden sich diese Probleme von denen im Chat? Jede Zahl ist mit der entsprechenden Studie und einem Link zum Öffnen der Studie versehen. Es gibt keine erfundenen Zahlen, und es werden keine Konkurrenzunternehmen namentlich genannt.

Die Menschen möchten eine bestimmte Person erreichen können

Gartner befragte im Februar und März 2026 3.566 Unternehmens- und Privatkunden zur Nutzung generativer KI im Kundenservice. 87 % gaben an, dass es unerlässlich sei, einen Menschen erreichen zu können, wenn ein Unternehmen diese KI einsetzt. Gleichzeitig gaben 50 % an, dass die Abwicklung einfacher sei, wenn das Unternehmen generative KI einsetzt. Daraus lässt sich nicht schließen, dass „KI überflüssig ist“. Vielmehr nehmen die Menschen die Hilfe an, lehnen es aber ab, wenn diese Hilfe zu einer Barriere wird.

Diejenigen, die keine KI einsetzen wollten, wurden von Gartner gefragt, was sie dazu bewegen würde, ihre Meinung zu ändern. Die häufigste Antwort war, dass man bei Bedarf an einen Menschen weitergeleitet werden könne. In demselben Kommentar von Gartner wird hinzugefügt, dass es nicht sinnvoll ist, KI in allen Fällen als obligatorischen Schritt einzuführen: Wenn der Kunde mehrere erfolglose Versuche durchlaufen muss, bevor er jemanden erreicht, ist es weniger wahrscheinlich, dass er dieses Tool erneut nutzt. 58 % derjenigen, die generative KI nutzen, haben diese bereits zur Erledigung einer Aufgabe eingesetzt, nicht nur zum Vorlesen einer Antwort. In Unternehmen steigt dieser Anteil auf 74 %.

Gartner, August 2026: Umfrage unter 3.566 Kunden (Februar und März 2026)

Die Angst ist nicht neu: jemanden zu erreichen

Eine frühere Umfrage von Gartner vom Dezember 2023 unter 5.728 Kunden deutete bereits in dieselbe Richtung. 64 % würden es vorziehen, wenn Unternehmen im Kundenservice keine künstliche Intelligenz einsetzen würden. 53 % würden einen Anbieterwechsel in Betracht ziehen, wenn sie wüssten, dass das Unternehmen KI für den Kundenservice einsetzen würde. Die größte Sorge war, dass es schwieriger werden könnte, einen Menschen zu erreichen. Danach folgten die Auswirkungen auf die Arbeitsplätze und die Befürchtung, dass die KI eine falsche Antwort geben könnte.

Gartner, 9. Juli 2024: Umfrage unter 5.728 Kunden (Dezember 2023)

Derjenige, der gerade angerufen hat, ist derjenige, der am wenigsten eine Sprach-KI will

In dem Gartner-Dokument „Four Data Findings to Inform Your Customer Experience Strategy“ gab die Hälfte der Kunden an, dass sie einen digitalen Assistenten mit generativer KI nutzen würden. Bei einer Aufschlüsselung nach Kanälen ändert sich diese Zahl. Unter denjenigen, die bei ihrer letzten Interaktion das Telefon genutzt hatten, sprachen sich nur 35 % für die Nutzung eines solchen Assistenten aus. Gartner erklärt dies mit einer praktischen Beobachtung: Wenn das Problem bereits durch das Gespräch mit einem Mitarbeiter gelöst wurde, gibt es keinen Grund, beim nächsten Mal Zeit mit einer automatischen Sprachausgabe zu verschwenden. Das gleiche Dokument empfiehlt, den menschlichen Mitarbeiter nicht zu verbergen: Es sollte deutlich gemacht werden, dass der Assistent das Anliegen lösen kann – und wenn nicht, dass es weitergeleitet wird.

Gartner: Vier Erkenntnisse aus Datenanalysen als Grundlage für Ihre Strategie zur Kundenerfahrung (PDF)

Die Stimme wird missverstanden, und das nervt

Ofcom untersuchte Smart-Lautsprecher im Vereinigten Königreich im Rahmen einer qualitativen Feldstudie zwischen August und Oktober 2022: 100 Nutzerinnen und Nutzer sowie weitere Befragte, die keinen solchen Lautsprecher besaßen. Es handelt sich nicht um eine Umfrage mit landesweiten Zahlen. Dennoch ist das Ergebnis in dem Bericht eindeutig: Dass das Gerät die Aufforderung nicht verstand oder nicht hörte, war mit Abstand die häufigste Beschwerde. Man musste die Aufforderung wiederholen oder die Art der Ansprache ändern, weil das Gerät mit etwas anderem begonnen oder den Satz ignoriert hatte.

In derselben Studie gab ein Teil der Teilnehmer an, dass ein regionaler oder internationaler Akzent – ihr eigener oder der eines Angehörigen – dazu führte, dass das Gerät häufiger Fehler machte. Einige Familienmitglieder hatten die Nutzung eingestellt, weil das Gerät sie nicht verstehen konnte. Es versagte auch bei Kindern, bei leiser Stimme, bei schnellen Sprechern, aus größerer Entfernung oder bei einem Gesprächston statt eines kurzen Befehls. Die öffentliche Zusammenfassung von Ofcom bringt es auf den Punkt: Die meisten waren frustriert, weil der Lautsprecher nicht gut auf Befehle reagierte, und dies fiel bei Personen mit einem ausgeprägten regionalen Akzent besonders auf.

Ofcom, Studie zu Smart Speakern (PDF, Feldforschung August–Oktober 2022)

Ofcom, Zusammenfassung: Für Nutzer von Smart Speakern wird es dieses Weihnachten nicht einsam werden

BBC Research & Development veröffentlichte 2019 eine Online-Umfrage unter 330 Personen, die über einen Beitrag in seinem Blog gewonnen wurden. Es handelt sich nicht um eine zufällige Stichprobe aus einem Land: Es gab mehr Antworten von Personen im Alter zwischen 25 und 54 Jahren, wobei der Schwerpunkt auf BBC-Mitarbeitern in London und im Nordwesten Englands lag. Trotz dieser Einschränkungen gab ein Viertel der Befragten an, dass der Sprachassistent sie kaum oder gar nicht verstehe. 38 % führten die Fehler auf den Akzent zurück, 36 % auf Geräusche im Raum. 55 % gaben an, dass die Technologie noch nicht ausgereift sei, und 58 %, dass das Problem darin liege, nicht zu wissen, welchen Befehl man aussprechen müsse. Wenn der Assistent nicht versteht, was gesagt wird, führt dies laut dem Bericht zu Frustration, Ärger und zusätzlichem Stress. Die Kritik richtete sich nicht nur gegen die Fehler selbst, sondern auch gegen die sich wiederholenden und wenig hilfreichen Fehlermeldungen.

BBC Research & Development, Smart Speaker UX und Nutzeremotionen (PDF, 2019)

In diesem Kanal ist eine KI-Telefonrezeptionistin im Einsatz. Sie muss einen Satz hören – oft bei Hintergrundgeräuschen – und entscheiden, wann die Person mit dem Sprechen fertig ist. Ein Web-Chat transkribiert nicht: Er liest ab, was der Besucher getippt hat. Der Akzent und die Geräusche im Raum haben keinen Einfluss auf die Buchstaben. Das macht den Chat jedoch nicht unfehlbar. Wenn die Eingabe falsch ist, ist auch die Antwort falsch. So wird der Fehler, der beim Hören auftreten kann, aus dem Weg geräumt.

Die Antwort kommt zu spät für ein mündliches Gespräch

In einem Gespräch zwischen Menschen ist man meist schnell an der Reihe. Ein Artikel aus SIGDIAL 2022 mit dem Titel „When can I Speak?“ fasst den aktuellen Stand der Sprachdialogsysteme zusammen: Sie beginnen ihre Rede nach einer langen Pause von 700 bis 1.000 Millisekunden, weshalb sich das Gespräch langsam und unnatürlich anfühlt. Menschen, so heißt es in demselben Artikel, antworten in der Regel innerhalb von etwa 200 Millisekunden. Das Warten auf eine so lange Pause ist die übliche Art, denjenigen nicht ins Wort zu fallen, der noch nachdenkt. Es ist auch die Art, eine Lücke zu lassen, die bei einem Telefonat auffällt.

SIGDIAL 2022: Wann kann ich das Wort ergreifen? Vorhersage von Einstiegspunkten für gesprochene Dialogagenten

Eine auf der SemDial vorgestellte Studie untersuchte reale Interaktionen mit Sprachassistenten und nicht nur einen einzigen Befehl im Labor. Dabei wurden 1.077 Interaktionen von zehn Personen analysiert, die den Assistenten zum ersten Mal in sechs Haushalten nutzten. Die modellierte durchschnittliche Zeit vom Ende des Redebeitrags einer Person bis zum Einsetzen des Assistenten betrug 1.366 Millisekunden, mit einer Standardabweichung von 30 Millisekunden. Die Autoren vergleichen dies mit dem Sprechwechsel zwischen Menschen, der bei etwa 300 Millisekunden liegt, und beziehen sich dabei auf Levinson und Torreira (2015), Stivers et al. (2009) sowie Heldner und Edlund (2010). Die Stichprobe ist klein und es handelt sich um erste Anwendungsbeispiele: Es ist weder ein Durchschnittswert aller Länder noch aller Produkte. Sie zeigt jedoch in echten Gesprächen eine Wartezeit, die um ein Vielfaches länger ist als bei einem menschlichen Gespräch, und zwar ohne die Füllwörter, mit denen eine Person ankündigt, dass sie antworten wird.

SemDial: Alexa, du bist zu langsam! (Barthel), Schichtwechsel mit Sprachassistenten

In einem Chat unterbricht diese Wartezeit niemanden mitten im Satz. Der Besucher schreibt, sendet seine Nachricht ab und kann auf der Seite weitermachen. Die Antwort wird schriftlich festgehalten. Es gibt keine Stimme, die zu spät einsetzt und den nächsten Satz überlagert – ein weiterer Effekt, den dieselbe Studie von SemDial bei den Gesprächsrunden des Chatbots beschreibt. Hostly gibt keine garantierte Antwortzeit des Modells an: Der Chat wird in eine Warteschlange gestellt, und die Antwortzeit hängt von der Auslastung ab. Was es jedoch nicht gibt, ist die Stille eines Telefonats, während ein System entscheidet, dass man mit dem Sprechen fertig ist.

Loops, synthetische Stimme und die Frage, ob da jemand ist

Der Kommentar von Gartner aus dem Jahr 2026 nennt keinen Prozentsatz für Anrufe, die in einer Schleife hängen bleiben. Er beschreibt den Mechanismus: Mehrere erfolglose Versuche mit der KI, bevor man einen Menschen erreicht, machen es unwahrscheinlicher, dass der Kunde das Tool erneut nutzt. Bei einem Anruf ist diese Schleife hörbar. Man muss die Anfrage wiederholen, auf die nächste Frage im Menü warten und erneut nach einem Mitarbeiter fragen. Im Chat bleibt der Gesprächsverlauf schriftlich festgehalten. Das Team öffnet ihn im Dashboard und kann direkt in diesem Thread antworten.

Die Stimme, die bei einem automatischen Anruf antwortet, ist eine synthetische Stimme. Dieser Artikel nennt keinen Prozentsatz der Personen, die sie als „roboterhaft“ empfinden: Unter den oben genannten Quellen gibt es keine Umfrage, die diesen Begriff anhand einer eindeutigen Stichprobe misst. Was hingegen gemessen wurde, ist die Frustration, wenn das System nicht versteht – wie im Bericht der BBC beschrieben –, sowie die Beschwerde von Ofcom, wenn der Befehl wiederholt werden muss. Eine Stimme, die keine Nuancen zulässt, und eine fehlerhafte Spracherkennung kommen in derselben Minute zusammen. Im Internet erfolgt die Antwort in Textform. Man kann sie noch einmal lesen. Man muss kein Wort erraten, das falsch geklungen hat.

Salesforce beauftragte YouGov mit einer Umfrage unter 15.015 Verbrauchern, die vom 16. Juli bis zum 16. August 2024 in 18 Ländern, darunter Spanien, durchgeführt wurde. Fast drei von vier Befragten wollten wissen, ob sie mit einem KI-Agenten sprachen. 45 % gaben an, dass sie einen KI-Agenten häufiger nutzen würden, wenn es einen klaren Weg gäbe, an einen menschlichen Mitarbeiter weitergeleitet zu werden. Nur 30 % der Verbraucher würden im Gegenzug für einen schnelleren Service mit einem KI-Agenten statt mit einem Menschen arbeiten. Der PDF-Bericht von Salesforce zu derselben Untersuchung fasst es so zusammen: 72 % halten es für wichtig zu wissen, wann sie mit einem KI-Agenten sprechen. Transparenz und die Möglichkeit, an einen Menschen weitergeleitet zu werden, sind kein Luxus. Sie sind genau das, was diese Stichprobe fordert.

Salesforce, „State of the AI Connected Customer“, YouGov-Umfrage Juli–August 2024

Salesforce, „State of the Connected Customer“ (PDF aus derselben Forschungsreihe)

Warum eine KI-Rezeptionistin im Internet diese Fehler nicht übernimmt

Hostly ist die KI-Rezeptionistin der Website, nicht am Telefon. Der Besucher schreibt im Chat auf Ihrer Website. Es gibt keine Spracherkennung, keinen Akzent, keine Hintergrundgeräusche und keine synthetische Stimme, die antwortet. Die Antwort basiert auf den Informationen, die das Unternehmen freigegeben hat. Fehlen die Daten, gibt sie an, dass sie es nicht weiß. Sie erfindet weder einen Preis noch einen Termin noch einen freien Termin. Sind Buchungen aktiviert, bietet sie nur Termine an, die der Kalender anzeigt.

Bei Hostly bedeutet „einen Mitarbeiter hinzuziehen“, dass der Anruf nicht automatisch weitergeleitet wird. Das Team sieht den Chat-Verlauf im Dashboard und übernimmt die Kontrolle. Während ein Mitarbeiter schreibt, antwortet die KI nicht in diesem Chat-Verlauf. Die Anforderung eines Mitarbeiters führt nicht automatisch zur Weiterleitung der Unterhaltung – dies erfolgt durch die Person, die das Dashboard bedient. Das ist eine echte Einschränkung des Produkts, und es ist besser, dies offen zu sagen, als ein „Verbinden Sie mich mit jemandem“ zu versprechen, das der Chat nicht von selbst ausführt. Was dadurch jedoch vermieden wird, ist, dass jemand allein mit einem Menü spricht: Der Text bleibt erhalten, und ein Mitarbeiter kann an derselben Stelle weitermachen.

Die KI beantwortet Anfragen im Chat auf deiner Website. Wenn du den WhatsApp-Button aktivierst, öffnet sich die WhatsApp-App des Unternehmens und eine Person antwortet: Die KI greift in dieses Gespräch nicht ein. Hostly liest diese WhatsApp-Nachrichten nicht und fügt auch kein Modell hinzu. Wer dem Unternehmen schreiben möchte und nicht über den Chat auf der Website, nutzt diesen Button. Wer sich auf der Website befindet, kann im Chat bleiben.

Der Einstiegspreis beträgt 29,90 € pro Monat, inklusive Mehrwertsteuer. Auf dieser Seite wird weder behauptet, dass ein Chat die Stornierungen senkt, noch dass bei der Abrechnung über Stripe eine bestimmte Gebühr anfällt: Dies geht aus den oben genannten Quellen nicht hervor und stellt in diesem Text kein Produktversprechen dar. Die Abrechnung erfolgt, sofern das Unternehmen diese Funktion aktiviert, entweder als Anzahlung oder als Gesamtbetrag bei der Buchung. Die Kreditkarte wird nicht über Hostly abgewickelt.

Was dieser Artikel nicht belegt

Das beweist nicht, dass jede KI-Telefonrezeption genauso versagt. Die Studien befassen sich mit Sprachassistenten, Lautsprechern und der Meinung zur KI im Kundenservice, nicht mit einer Bestandsaufnahme von Produkten. Die Stichprobe von SemDial umfasst zehn Personen. Die der BBC ist nicht zufällig. Die von Ofcom zu Lautsprechern ist qualitativ. Bei Gartner und Salesforce handelt es sich um groß angelegte Umfragen unter Kunden und Verbrauchern, nicht um einen Hörtest einer bestimmten Nummer.

Es beweist auch nicht, dass ein Chat niemals Fehler macht. Wenn der Eintrag veraltet ist, ist auch die Antwort veraltet. Wenn das Unternehmen die KI ausschaltet, antwortet niemand, bis ein Mitarbeiter eingreift. Wenn der Besucher einen Anruf benötigt, bleibt die Telefonnummer des Unternehmens weiterhin die Telefonnummer: Hostly ersetzt sie nicht. Was der Chat verhindert, sind Fehler, die nur deshalb auftreten, weil es sich um ein mündliches Gespräch handelt.

Die Produktübersicht mit Informationen zu Installation, Sprachen, Reservierungen und Preis ist die KI-Rezeptionistin.

Quellen

Die Produktbeschreibung ist die KI-Rezeptionist.