Die Frage
KI-Telefonie funktioniert heute. Die Architektur, die Latenz, die Prompts, die Halluzinationskontrolle, die Regulierung — die Grundlagen sind gelöst.
Die Frage, die offen bleibt: Wie sieht KI-Telefonie in 12 Monaten aus?
Die kurze Antwort: Alles, was heute als innovativ gilt, wird Baseline. Die Echtzeit-Antwort, die heute beeindruckt, wird erwartet. Die Compliance, die heute Differenzierung ist, wird Pflicht. Und Features, die heute in Forschungspapieren stehen, werden in Produkten landen.
Fünf Entwicklungen
Modellkosten werden irrelevant
Die Per-Token-Kosten für KI-Inferenz sind seit 2023 um den Faktor 200 gefallen (OpenAI Pricing, 2024–2026). Die Frage "Was kostet eine Minute Voicebot?" wird in 12 Monaten nicht mehr gestellt — weil die Minutenkosten als Entscheidungskriterium irrelevant werden.
Das Paradox:Während die Per-Token-Kosten fallen, steigen die Gesamtausgaben — weil agentic Workflows zehn- bis zwanzigmal mehr Tokens verbrauchen. Wer heute nach "günstigen Minuten" einkauft, kauft ein Modell, das nicht skaliert.
Live-Dolmetscher: Echtzeit-Übersetzung am Telefon
Im Mai 2026 hat OpenAI ein Modell veröffentlicht, das ausschließlich für Echtzeit-Übersetzung trainiert wurde: gpt-realtime-translate. Über 70 Eingabesprachen. Speech-to-Speech — ohne den Umweg über Transkription und Textübersetzung.
Für den Mittelstand mit internationalem Kundenstamm — Handwerksbetriebe mit polnischen Subunternehmern, Steuerberater mit englischsprachigen Mandanten, Arztpraxen in Grenzregionen — ist das transformativ. Die Voraussetzung: Die Architektur muss modular genug sein. Bei Single-Tenant ist das ein Konfigurationswechsel. Bei Shared Cloud: ein Feature, das auf der Anbieter-Roadmap steht — oder nicht.
Emotion Detection — mächtig und gefährlich
Multimodale Systeme können in unter 500ms die emotionale Lage eines Anrufers einschätzen (Gartner Emotion Detection Analysis, 2025). Ein Bot, der Frustration erkennt, kann Tonfall anpassen oder an einen Menschen eskalieren.
Aber: Der EU AI Act verbietet Emotion Recognition am Arbeitsplatz (Art. 5(1)(f)). Im Kundenkontakt ist sie erlaubt — als High-Risk-System mit Transparenzpflicht, menschlicher Aufsicht und Fundamental Rights Impact Assessment.
Die Architektur-Relevanz: Bei Single-Tenant entscheidet der Kunde, ob und wie Emotion Detection eingesetzt wird. Bei Shared Cloud entscheidet der Anbieter — für alle Kunden gleichzeitig.
Multimodale Agenten: Voice + Vision + Screen
Führende Sprachmodelle verarbeiten heute nativ Text, Audio und Bild. Ein Kunde ruft bei seinem Softwareanbieter an und teilt seinen Bildschirm — der KI-Agent sieht das Problem und führt zur Lösung. Oder: Ein Versicherer erhält eine Schadensmeldung. Der Kunde hält sein Handy an den Kratzer — der Agent schätzt die Kategorie ein.
Multi-Agent-Orchestrierung wird zur Schlüsseltechnologie: Spezialisierte Agenten — Sprache, Bild, Datenbank — koordiniert durch eine Orchestrierungsschicht. Die Frage für den Mittelstand ist nicht, ob diese Technologie kommt. Die Frage ist: Kann meine aktuelle Architektur sie aufnehmen?
EU AI Act als Marktfilter
Am 2. August 2026 treten die Transparenzpflichten des EU AI Act (Art. 50) in volle Wirkung. In 12 Monaten wird "Wie erfüllt Ihr System den AI Act?" eine Standard-Beschaffungsfrage sein. Anbieter ohne strukturierte Antwort fallen aus Ausschreibungen. Regulierung ist kein Hindernis — sie ist ein Filter.
Was die meisten übersehen
Jede einzelne Entwicklung — Live-Übersetzung, Emotion Detection, multimodale Agenten, AI Act Compliance, Modellwechsel — hängt von einer einzigen Entscheidung ab:
| Feature (12 Monate) | Shared Cloud | Single-Tenant |
|---|---|---|
| Live-Übersetzung | Warten auf Roadmap | Modul aktivieren |
| Emotion Detection | Anbieter entscheidet | Kunde entscheidet |
| Multimodale Agenten | Feature-Update im Pool | Modularer Austausch |
| AI Act Compliance | Anbieter muss für alle lösen | Kunde kontrolliert |
| Modellwechsel (GPT-5+) | Anbieter entscheidet wann | Plattform/Kunde entscheidet |
Drei Fehler, die ich immer wieder sehe
Fehler 1: Zukunft als Feature-Liste behandeln
"Unser Anbieter hat Multi-Language auf der Roadmap." Eine Roadmap ist kein Deployment. Ein Feature im Pool des Anbieters ist nicht dasselbe wie ein Modul im eigenen Tenant. Wer Zukunftsfähigkeit beurteilen will, muss nicht die Feature-Liste lesen — sondern die Architektur.
Fehler 2: Regulierung als Bremse sehen
Die Frage ist nicht "Wie vermeiden wir Compliance-Kosten?" sondern "Wie wird Compliance zum Wettbewerbsvorteil?" Unternehmen, die den AI Act proaktiv erfüllen, werden in Ausschreibungen bevorzugt. Die Kosten der Compliance sind niedriger als die Kosten der Nicht-Compliance.
Fehler 3: Modellkosten als Entscheidungskriterium
Wer heute nach "Kosten pro Minute" einkauft, optimiert für ein Kriterium, das in 12 Monaten irrelevant ist. Das relevante Kriterium: Was gehört mir? Was kann ich upgraden? Was kann ich kontrollieren?
Drei Fragen für die Zukunftsfähigkeit
Wenn ja: modulare Architektur. Wenn nein: Vendor Lock-in.
Wenn der Anbieter: Man ist Passagier auf dessen Roadmap.
Live-Übersetzung existierte vor 3 Monaten nicht als Produkt.
Fazit — Warum Architektur die einzige Zukunftsprognose ist, die zählt
Die Technologie ändert sich. Die Modelle werden besser, billiger, multimodaler. Die Regulierung wird strenger. Was sich nicht ändert, ist die Frage:
Kann meine Architektur das aufnehmen — oder muss ich von vorn anfangen?
Die Antwort: Single-Tenant. Eigener Cloud-Tenant. Modulare Pipeline. Eigene Schlüssel. Eigene Daten. Eigene Entscheidung.
Lassen Sie sich direkt mit den Gründern verbinden.
Kostenlos. Ohne Registrierung. Ihr Gespräch wird nicht aufgezeichnet.