Sprachdialogsystem: Aufbau, Arten und der Schritt zur KI

Ein Sprachdialogsystem ist eine Software, die ein Telefongespräch ganz oder teilweise automatisch führt: Sie hört zu, versteht das Anliegen und antwortet mit Ansage oder Stimme. Das reicht vom Tastenmenü bis zum KI-Telefonassistenten.

Der Begriff klingt nach Behördendeutsch, steckt aber hinter fast jeder Firmenhotline. Ob „Drücken Sie die 1" oder „Sagen Sie mir kurz, worum es geht": Beides sind Sprachdialogsysteme. Für Geschäftsführer ist der Begriff vor allem deshalb wichtig, weil er in Angeboten, Telefonanlagen-Tarifen und Ausschreibungen auftaucht und dort sehr Unterschiedliches meinen kann.

Diese Seite erklärt, woraus ein Sprachdialogsystem besteht, welche drei Generationen es gibt, wie Sie ein Angebot prüfen und welche Pflichten gelten, sobald KI im Spiel ist. Wie man ein klassisches Tastenmenü gut aufbaut, lesen Sie im Glossarartikel zur IVR.

Definition: Was ist ein Sprachdialogsystem?

Ein Sprachdialogsystem ist eine Software, mit der Menschen über gesprochene Sprache oder Tastendruck mit einem Computer kommunizieren. Am Telefon nimmt es Anrufe an, stellt Fragen, wertet die Antworten aus und reagiert: mit einer Auskunft, einer Weiterleitung, einem Eintrag im Kalender oder einer Nachricht an einen Mitarbeiter.

Die deutsche Wikipedia führt als Synonyme Voice Portal und IVR-System (Interactive Voice Response) und nennt moderne, KI-gestützte Varianten Voicebots. Im Markt begegnen Ihnen außerdem Sprachportal, Sprachmenü, Telefonmenü und Auto Attendant.

Die praktische Unterscheidung: Wenn ein Telefonanbieter in der Leistungsbeschreibung einer Telefonanlage „Sprachdialogsystem" schreibt, ist häufig ein Tastenmenü gemeint: Begrüßung, Auswahl per Taste, dann Weiterleitung, Ansage oder Untermenü, oft getrennt nach Geschäftszeiten. Ob das im Tarif enthalten oder ein kostenpflichtiges Zusatzpaket ist, steht in der Preisliste des jeweiligen Anbieters. Wenn ein KI-Anbieter von Sprachdialog spricht, meint er ein System, das freie Sätze versteht. Fragen Sie deshalb immer nach, welche Generation gemeint ist.

Die fünf Bausteine

Egal wie alt oder neu ein System ist, es arbeitet mit denselben Grundbausteinen. Wer sie kennt, versteht, wo ein Angebot stark oder schwach ist.

1. Eingabe erkennen. Bei Tastenmenüs wertet die Anlage Tonwahlsignale aus (Mehrfrequenzwahl, englisch DTMF). Bei Sprache wandelt eine Spracherkennung das Gesagte in Text um, auch Speech-to-Text oder ASR genannt.
2. Bedeutung verstehen. Aus dem erkannten Text muss das System das Anliegen ableiten: Will der Anrufer einen Termin, eine Rechnung klären oder eine Störung melden? Dieser Schritt heißt Natural Language Understanding (NLU). Bei KI-Systemen übernimmt das heute meist ein großes Sprachmodell.
3. Dialog steuern. Der Dialogmanager entscheidet, was als Nächstes passiert: nachfragen, bestätigen, weiterleiten oder auflegen. In klassischen Systemen ist das ein fester Ablaufplan, oft im W3C-Standard VoiceXML geschrieben. In KI-Systemen beschreiben Sie Regeln und Ziele in einem Prompt, und das Modell formuliert frei.
4. Daten anbinden. Ohne Zugriff auf Kalender, CRM oder Wissensbasis bleibt jedes System ein Verteiler. Erst die Anbindung macht aus „Ich verbinde Sie" ein „Ich habe Ihnen Donnerstag um 10 Uhr eingetragen".
5. Antworten ausgeben. Entweder spielt das System aufgenommene Ansagen ab oder es erzeugt die Stimme per Sprachsynthese (Text-to-Speech). Moderne Stimmen klingen so natürlich, dass der Hinweis auf die KI rechtlich relevant wird (dazu unten mehr).

Ein Detail, das im Alltag viel ausmacht: ob Anrufer dem System ins Wort fallen dürfen. Das nennt sich Barge-in und entscheidet mit darüber, ob ein Gespräch flüssig wirkt oder zäh.

Drei Generationen von Sprachdialogsystemen

1. Tastenmenü

Feste Ansage, feste Ziffern, fester Menübaum. Das System versteht keine Sprache, nur Tasten. Es ist zuverlässig und günstig, löst aber kein Anliegen, es sortiert nur. Ist am Ziel niemand frei, landet der Anrufer trotzdem in der Warteschleife.

2. Gesteuerter Sprachdialog

Das System erkennt einzelne Wörter oder kurze Sätze aus einer vorgegebenen Liste („Sagen Sie Termin, Rechnung oder Störung"). Solche Systeme findet man vor allem bei großen Hotlines mit hohem Anrufvolumen. Ihre Schwäche: Formuliert der Anrufer anders, als die Entwickler es vorgesehen haben, kommt die gefürchtete Antwort „Das habe ich leider nicht verstanden".

3. KI-gestütztes Gespräch

Der Anrufer spricht frei, ein Sprachmodell versteht den Zusammenhang, auch bei Nebensätzen, Korrekturen oder zwei Anliegen in einem Satz. Das System beantwortet Fragen aus einer Wissensbasis, nimmt Daten auf, bucht Termine und verbindet bei Bedarf mit einem Menschen. Für diese Generation hat sich der Begriff Voicebot oder KI-Telefonassistent durchgesetzt. Den technischen Hintergrund beschreibt der Artikel Conversational AI.

Für kleine und mittlere Unternehmen ist die zweite Generation heute selten die richtige Wahl. Sie erfordert in der Regel ein eigenes Dialogdesign durch einen Dienstleister, während sich viele KI-Systeme ohne Entwicklerteam selbst einrichten lassen.

Wann sich ein KI-Sprachdialogsystem lohnt

Ein Tastenmenü reicht, wenn Sie wenige, klar getrennte Ziele haben und dort tagsüber zuverlässig jemand abnimmt. Ein KI-System lohnt sich, wenn eine dieser Situationen auf Sie zutrifft:

• Anrufe gehen verloren, weil alle im Kundentermin, auf der Baustelle oder in der Behandlung sind. Mehr dazu unter telefonische Erreichbarkeit.
• Dieselben Fragen kommen ständig: Öffnungszeiten, Anfahrt, Preise, Status einer Bestellung.
• Ein großer Teil der Anrufe sind Terminwünsche, die sich direkt in den Kalender buchen ließen.
• Nach Feierabend sollen Anliegen aufgenommen werden, statt auf der Mailbox zu landen.

Beides lässt sich kombinieren. Viele Betriebe lassen ein kurzes Tastenmenü stehen und setzen den KI-Assistenten hinter eine Taste oder schalten ihn nur außerhalb der Geschäftszeiten per Rufumleitung zu. Famulor kann laut Anbieter auch Tasteneingaben (DTMF) wie Kundennummern erfassen, und sipgate sona funktioniert nach Anbieterangabe mit jeder Telefonanlage. Wer eine eigene Anlage mit SIP-Trunk betreibt, kann Anbieter wie smao oder Famulor laut deren Angaben direkt anbinden; bei fonio ist der SIP-Trunk erst ab dem Team-Tarif enthalten.

Prüfliste: So bewerten Sie ein Angebot

Bevor Sie unterschreiben, klären Sie diese Punkte. Die meisten Anbieter beantworten sie auf Nachfrage, gute schon auf der Website.

1. Welche Generation? Tastenmenü, Schlüsselwörter oder freie Sprache? Lassen Sie sich eine Testnummer geben und rufen Sie selbst an.
2. Weiterleitung an Menschen: Wann und wie verbindet das System durch? Was passiert, wenn niemand abnimmt?
3. Anbindungen: Welcher Kalender, welches CRM, welche Praxis- oder Branchensoftware wird unterstützt?
4. Hosting und Subdienstleister: Wo laufen Spracherkennung und Sprachmodell? Werden US-Dienstleister eingesetzt?
5. Aufzeichnung: Werden Gespräche gespeichert oder transkribiert, und lässt sich das abschalten?
6. Vertrag: Monatlich kündbar oder lange Laufzeit? Gibt es eine Testphase?
7. Kosten bei Ihrem Volumen: Grundgebühr, Inklusivminuten und Minutenpreis. Rechnen Sie das mit Ihren echten Anrufzahlen im Kostenrechner durch.

Zu Preismodellen insgesamt finden Sie mehr auf der Seite Kosten.

Recht und Datenschutz

Bei einem reinen Tastenmenü ohne Aufzeichnung werden kaum Gesprächsinhalte verarbeitet. Sobald ein System zuhört, transkribiert und mit KI antwortet, kommen Pflichten hinzu:

• KI-Hinweis: Nach Art. 50 Abs. 1 der KI-Verordnung (EU) 2024/1689 müssen Anrufer erkennen können, dass sie mit einer KI sprechen, sofern das nicht offensichtlich ist. Die Vorschrift gilt seit dem 2. August 2026. Details im Ratgeber AI Act und KI-Telefonie.
• Auftragsverarbeitung: Verarbeitet ein externer Anbieter die Gesprächsdaten für Sie, brauchen Sie nach Art. 28 DSGVO einen Auftragsverarbeitungsvertrag.
• Aufzeichnung: Wer das nichtöffentlich gesprochene Wort unbefugt aufnimmt, macht sich nach § 201 StGB strafbar. Speichert Ihr System Gespräche, brauchen Sie eine Rechtsgrundlage und einen klaren Hinweis.

Diese Hinweise sind keine Rechtsberatung. Klären Sie Ihren Einzelfall mit Ihrem Datenschutzbeauftragten oder einer Anwältin. Einen Überblick gibt der Ratgeber Datenschutz in der KI-Telefonie.

Anbieter für KI-Sprachdialogsysteme

Die folgenden Anbieter richten sich an kleine und mittlere Unternehmen in Deutschland und lassen sich ohne Entwicklerteam einrichten. Nach unserer Methodik erreicht fonio derzeit die höchste Gesamtnote.

Wer zuerst ohne Kosten testen will, ob ein KI-Sprachdialog zu den eigenen Anrufern passt, kann mit dem kostenlosen Tarif von sipgate sona beginnen (500 Minuten laut Anbieter).

sipgate sona kostenlos testen →

Die übrigen Anbieter nach unserer Bewertung:

Alle Anbieter mit Filtern nach Branche und Funktion finden Sie im Vergleich der KI-Telefonassistenten und in der Anbieterübersicht.

Häufige Fragen

Passend zum Thema