Wenn Voice AI zu gut funktioniert
Die meisten Unternehmen sind auf funktionierende Voice Agents nicht vorbereitet. Sie sind mittelmäßige Ergebnisse gewohnt.
Wenn Voice AI nicht funktioniert, ist das Problem leicht zu verstehen: Niemand hört zu, niemand bleibt dran, niemand bucht. Interessanter wird es, wenn sie funktioniert. Dann entsteht vorne plötzlich mehr Interesse, als hinten verarbeitet werden kann.
Die zweite Hälfte des Problems
Der Markt redet trotzdem weiter über die erste Hälfte. OpenAI hat die Realtime API im August 2025 allgemein verfügbar gemacht1 und spricht ausdrücklich von produktionsreifen Voice Agents mit SIP-Telefonie, besserem Function Calling und niedriger Latenz. Das ist wichtig, weil eine schlechte Stimme und eine zähe Reaktion jedes Gespräch kaputtmachen. Aber bei uns entscheidet sich gerade nicht mehr an Stimme oder Modellqualität, ob ein Kunde Wert bekommt. Es entscheidet sich am Nachfassen nach dem Gespräch.
Wir haben die Zeit zum Aufsetzen eines Voice Agents auf Kundenbedürfnisse zugeschnitten auf zehn Minuten reduziert. Danach steht ein voll funktionsfähiges Setup, das in unser System eingeklinkt ist, und wir können lostelefonieren. Das ist kein Demo-Versprechen mehr, sondern Alltag. Nach wie vor laufen die Anrufe, es sind um die tausend bis zweitausend Anrufe pro Woche. Stimmen-Setup, Latenz und Gesprächsführung haben wir seit zwei, drei Monaten nicht mehr angefasst. Nicht, weil diese Themen erledigt wären; der Markt entwickelt sich schnell, und natürlich werden wir dort weiter optimieren. Aber für unsere Kunden ist das im Moment nicht das Nadelöhr.
Das Nadelöhr kommt nach dem Gespräch. Voice Agent macht Kaltakquise, ruft tausend Leads an und produziert fünfzig Tasks. Das heißt: Infomaterial verschicken, Details klären, nochmal nachfassen, eine Notiz im CRM sauber machen, den nächsten Schritt entscheiden. In der alten Welt war das kein echtes Problem, weil die alte Welt langsam war. Viele Mittelständler machen Kaltakquise entweder gar nicht oder so unregelmäßig, dass vielleicht einmal pro Woche ein heißer Lead entsteht. Einen solchen Lead bekommt man noch manuell verarbeitet. Wenn aber plötzlich fünfzig Hot Leads dastehen, merkt man, dass der Engpass nie der Anruf war. Der Engpass war die Vertriebsmaschine dahinter.
Ein Kunde hat uns gefragt, ob er sein Monatsabo für einen Monat pausieren kann, weil er mit dem Abarbeiten der Ergebnisse nicht hinterherkommt. Das ist ein seltsamer Moment. Auf der einen Seite ist das der beste Beweis, dass das Produkt funktioniert. Auf der anderen Seite ist es trotzdem unser Problem, weil Nutzung und Umsatz an der Stelle leiden, an der wir eigentlich Wert erzeugen. Wir haben eigentlich ein Problem, dass unser Produkt zu gut funktioniert. Der Satz klingt nach Gründer-Selbstlob, aber er ist unangenehmer gemeint. Wenn ein Kunde pausieren will, weil zu viele verwertbare Chancen entstehen, dann haben wir nicht nur ein Kapazitätsthema beim Kunden entdeckt. Wir haben ihm gezeigt, dass sein bisheriger Vertriebsprozess für die Menge an Interesse nicht gebaut ist.
Ein Lead, der zwei Tage liegt, ist kein heißer Lead mehr
Das ist der Punkt, den ich in der Voice-AI-Debatte vermisse. Viele Anbieter verkaufen den Moment des Telefonats: guter Einstieg, gute Stimme, gute Einwandbehandlung, saubere Zusammenfassung. Das braucht man alles, weil niemand einem digitalen Kollegen zuhört, der sich schlecht anhört oder zu spät reagiert. Aber der Wert entsteht erst, wenn aus dem Gespräch ein bearbeiteter nächster Schritt wird. Ein heißer Lead, der zwei Tage liegen bleibt, ist kein heißer Lead mehr. Er ist ein Mensch, der Interesse gezeigt hat und dann gelernt hat, dass niemand nachfasst.
HubSpot verweist auf die alte Lead-Response-Management-Studie, nach der die beste Reaktionszeit bei neuen Leads innerhalb weniger Minuten liegt.2 Man kann über Alter und Methodik solcher Zahlen streiten, und das sollte man auch. Für mich ist der wichtige Punkt nicht die exakte Minute. Der wichtige Punkt ist, dass Geschwindigkeit nach dem Signal zählt. Wenn Voice AI vorne mehr Signale erzeugt, aber hinten kein schnellerer Ablauf entsteht, wird das gute Ergebnis im gleichen Moment wieder entwertet.
Salesforce schreibt in seinen Sales-Zahlen für 2026, dass Vertriebsteams weiter zwischen Beziehung und Skalierung klemmen und dass Datenhygiene, Datensilos und manuelle Arbeit zentrale Bremsen bleiben.3 McKinsey formuliert es bei Agenten im Wachstum ähnlich: Der Wert kommt nicht davon, einen Agenten auf alte Abläufe zu setzen, sondern davon, Entscheidungen und Übergaben neu zu bauen.4 Genau das sehen wir im Kleinen. Ein digitaler Kollege am Telefon macht nicht automatisch einen besseren Vertrieb. Er macht den bestehenden Vertrieb schneller sichtbar, mit allen Stärken und allen Löchern.
Die Frage vor dem ersten Projekt
Darum ist der nächste Schritt bei uns nicht, wieder an der Stimme zu drehen. Wir klinken uns tiefer in CRM-Systeme und andere Arbeitsumgebungen der Kunden ein, damit Ergebnisse und Transkripte dort landen, wo der Vertrieb ohnehin arbeitet. Der Kunde soll nicht noch ein weiteres Fenster öffnen müssen, nur weil der Anruf digital erzeugt wurde. Aber auch das reicht noch nicht. Wenn fünfzig echte Nachfassaufgaben entstehen, muss klar sein, welche zuerst bearbeitet wird, welche Unterlage rausgeht, wer nochmal anruft und wann ein Mensch übernehmen muss.
Die These ist deshalb härter als die übliche Prozessforderung. Die meisten Unternehmen sind auf funktionierende Voice Agents nicht vorbereitet. Sie sind auf schlechte oder mittelmäßige Ergebnisse vorbereitet, weil schlechte Ergebnisse langsam genug sind und weil man ein paar Leads pro Woche immer irgendwie improvisiert bekommt. Fünfzig Nachfassaufgaben aus einer Kampagne zwingen das System zur Wahrheit.
Ich würde deshalb jedem Geschäftsführer vor dem ersten Voice-AI-Projekt eine andere Frage stellen. Nicht: Klingt der digitale Kollege gut genug? Sondern: Was passiert, wenn er funktioniert? Wer fasst nach, innerhalb welcher Zeit, mit welchem Material, in welchem CRM, mit welcher Priorität? Wenn darauf keine Antwort existiert, ist die Demo egal. Dann produziert Voice AI nicht Umsatz, sondern einen Rückstau aus verpassten Chancen.
Für Sie heißt das: Klären Sie vor dem ersten Projekt, wer innerhalb von 24 Stunden nachfasst, mit welchem Material und in welchem System. Erst dann lohnt sich die Demo.
Testanruf. ScannenAntippen und anrufen, der digitale Kollege geht ran. Kein Formular, auch nachts.
Für Anbieter heißt das auch: Wir dürfen uns nicht hinter der Qualität des Anrufs verstecken. Wenn der digitale Kollege Interesse erzeugt und der Kunde daran organisatorisch scheitert, ist nicht der Voice Agent das Problem, aber wir sind trotzdem Teil der Lösung. Sonst verkaufen wir vorne Geschwindigkeit und lassen hinten denselben manuellen Prozess stehen. Genau dort entscheidet sich, ob aus Voice AI ein hübscher Telefonmoment wird oder ein echter Vertriebsprozess.
Fünfzig Nachfassaufgaben sind ein Luxusproblem, das die meisten nie haben werden.
Wer Voice AI im Mittelstand verkauft, scheitert nicht an der Vertriebsmaschine dahinter, sondern davor: an Erreichbarkeit, an Einwilligung, an einer Stimme, die der Angerufene nach drei Sekunden wegdrückt. Ein Kunde, der pausieren will, weil er zu viele Chancen hat, ist die Ausnahme, die als Beweis missbraucht wird.
Warum ich trotzdem dabei bleibe. Weil die Ausnahme in unserem Betrieb keine Ausnahme mehr ist. Tausend bis zweitausend Anrufe pro Woche, seit Monaten ohne Änderung an Stimme und Latenz. Wenn das Argument stimmt, müsste dieser Zustand instabil sein. Er ist es nicht.