# Was kostet KI-Telefonie? Kostenblöcke, Rechenweg, Vergleich

URL: https://andreasindorf.com/ki-telefonie-kosten/
Autor: Andreas Indorf · Veröffentlicht: 2026-11-07 · Aktualisiert: 2026-11-07 · Thema: Voice AI & Vertrieb

> Was KI-Telefonie pro Minute kostet: Telefonie, Spracherkennung, Sprachmodell, Sprachausgabe, Integration. Rechenweg mit Annahmen und Personalvergleich.

„Was kostet das pro Minute?“ ist meist die erste Frage, wenn Unternehmen über KI-Telefonie nachdenken. Die ehrliche Antwort lautet: Der Minutenpreis ist wichtig, erklärt aber nur einen Teil der Gesamtkosten. Dazu kommen Integration, Betrieb und die Frage, welche Qualität Sie brauchen. Dieser Artikel zerlegt die Kosten in nachvollziehbare Blöcke, rechnet ein Beispiel mit offen ausgewiesenen Annahmen durch und zeigt, wie Sie den Vergleich mit Personalkosten sauber aufsetzen.

**Kurz gesagt:** Die laufenden Kosten der KI-Telefonie entstehen pro Gesprächsminute aus vier Bausteinen: Telefonie, Spracherkennung (STT), Sprachmodell (LLM) und Sprachausgabe (TTS). Nach den Listenpreisen einiger Anbieter liegen Telefonie, Spracherkennung und Sprachausgabe zusammen im Bereich weniger US-Cent pro Minute; das Sprachmodell hängt stark von Modell und Gesprächslänge ab. Hinzu kommen einmalige Integrationskosten und laufender Betrieb. Fertige Lösungen bündeln das in einem Minutenpreis, anicall.io etwa ab 0,13 € pro Minute.

## Die sechs Kostenblöcke im Überblick

Ein Voice Agent ist eine Kette aus mehreren Diensten, die in Echtzeit zusammenarbeiten. Wie diese Kette technisch funktioniert, erklärt der [Leitfaden Voice Agents für Unternehmen](https://andreasindorf.com/voice-agents-unternehmen-guide/). Für die Kostenrechnung genügt es, die Glieder einzeln zu betrachten:

| Kostenblock | Abrechnung | Wovon er abhängt |
|---|---|---|
| Telefonie | pro Minute, plus Rufnummer pro Monat | Inbound oder Outbound, Festnetz oder Mobilfunk, Zielland |
| Spracherkennung (STT) | pro Minute Audio | Modell, Sprache, Streaming oder Batch |
| Sprachmodell (LLM) | pro Million Token | Modellgröße, Länge von Prompt und Gesprächsverlauf |
| Sprachausgabe (TTS) | pro Zeichen oder pro Minute | Stimmqualität, Modell, Sprechanteil des Agenten |
| Integration | einmalig | CRM, Kalender, Wissensbasis, Telefonanlage |
| Betrieb | laufend, oft pauschal | Monitoring, Pflege der Wissensbasis, Auswertung, Support |

Die ersten vier Blöcke skalieren mit der Gesprächsdauer. Die letzten beiden sind weitgehend fix und entscheiden bei kleinen Volumen oft mehr über die Wirtschaftlichkeit als jeder Minutenpreis.

## Laufende Kosten pro Minute: was die Preislisten sagen

Die folgenden Zahlen stammen aus den öffentlichen Preisseiten der Anbieter, die auch in der anicall-Pipeline stecken, Stand Abruf November 2026. Preise ändern sich, prüfen Sie sie vor jeder Kalkulation selbst. Alle Angaben sind in US-Dollar, so wie sie dort stehen.

**Telefonie.** Twilio nennt auf seiner [Preisseite für Deutschland](https://www.twilio.com/en-us/voice/pricing/de) für eingehende Anrufe auf eine lokale Nummer 0,0100 $ pro Minute plus 1,35 $ pro Monat für die Nummer. Ausgehende Anrufe kosten dort 0,0283 $ pro Minute ins Festnetz und 0,0420 $ pro Minute in Mobilfunknetze. Für das Weiterleiten des Audios an die KI über Media Streams werden zusätzlich 0,0044 $ pro Minute ausgewiesen.

**Spracherkennung.** Deepgram listet auf seiner [Preisseite](https://deepgram.com/pricing) für Streaming-Spracherkennung im Pay-as-you-go-Tarif 0,0077 $ pro Minute für Nova-3 Monolingual und 0,0092 $ pro Minute für Nova-3 Multilingual.

**Sprachausgabe.** ElevenLabs nennt auf seiner [API-Preisseite](https://elevenlabs.io/pricing/api) für die Modelle Flash und Turbo 0,04 $ je 1.000 Zeichen und setzt das mit etwa einer Minute Sprache gleich. Die höherwertigen Modelle v2 Multilingual und v3 kosten dort 0,08 $ je 1.000 Zeichen. Wer statt Einzelbausteinen die Agenten-Plattform von ElevenLabs nutzt, zahlt laut derselben Seite 0,08 $ pro Minute, zuzüglich der Kosten für das Sprachmodell.

**Sprachmodell.** Hier nenne ich bewusst keinen Festwert. Die Kosten hängen davon ab, wie viele Token pro Gesprächsminute anfallen, und das bestimmen Systemprompt, Wissensausschnitte und die Länge des Verlaufs, der bei jedem Gesprächsschritt erneut mitgeschickt wird. Rechnen Sie mit der Formel: Token pro Minute mal Preis pro Token, getrennt nach Eingabe und Ausgabe. Den Preis entnehmen Sie der aktuellen Preisliste des Modellanbieters.

## Rechenbeispiel mit offengelegten Annahmen

Ein Beispiel macht die Größenordnung greifbar. Alle Annahmen sind frei gewählt und sollen durch Ihre eigenen Werte ersetzt werden.

**Annahmen:**

- A1: 1.000 eingehende Anrufe pro Monat, durchschnittlich 3 Minuten, also 3.000 Gesprächsminuten.
- A2: Anrufe auf eine deutsche Ortsnetznummer, Audio per Media Streams an die KI.
- A3: Spracherkennung mit dem mehrsprachigen Modell, um auf der sicheren Seite zu liegen.
- A4: Der Agent spricht etwa die Hälfte der Gesprächszeit; Sprachausgabe mit Flash/Turbo.
- A5: Die Sprachmodellkosten pro Minute werden als Platzhalter L geführt.

| Posten | Rechnung | Ergebnis pro Monat |
|---|---|---|
| Telefonie inbound | 3.000 × 0,0100 $ | 30,00 $ |
| Rufnummer | 1 × 1,35 $ | 1,35 $ |
| Media Streams | 3.000 × 0,0044 $ | 13,20 $ |
| Spracherkennung | 3.000 × 0,0092 $ | 27,60 $ |
| Sprachausgabe | 1.500 Sprechminuten × 0,04 $ | 60,00 $ |
| Sprachmodell | 3.000 × L | abhängig von L |
| **Summe ohne Sprachmodell** | | **132,15 $** |

Die variablen Kosten der vier Bausteine ohne Sprachmodell liegen in diesem Beispiel also bei rund 0,044 $ pro Gesprächsminute. Was in dieser Zahl fehlt, ist der größere Teil des Aufwands: das Sprachmodell, die Orchestrierung der Echtzeit-Pipeline, Hosting, Monitoring, Ausfallsicherheit, Updates und die Pflege der Inhalte. Wer selbst baut, trägt all das. Ein Minutenpreis eines Komplettanbieters enthält diese Leistungen dagegen typischerweise. Vergleichen Sie deshalb nie die Summe der Rohbausteine mit dem Endpreis einer fertigen Lösung, ohne Entwicklung und Betrieb einzurechnen.

## Einmalige und fixe Kosten: Integration und Betrieb

**Integration.** Ein Voice Agent erzeugt erst Nutzen, wenn er Termine in Ihren Kalender schreibt, Gesprächsnotizen ins CRM legt und Fragen aus Ihrer Wissensbasis beantwortet. Der Aufwand hängt davon ab, ob Ihre Systeme Schnittstellen haben, wie sauber die Daten sind und wie viele Gesprächsszenarien abgedeckt werden. Planen Sie Integration als eigenes Projekt mit Festumfang, nicht als Nebenbei-Aufgabe.

**Betrieb.** Dazu gehören das Auswerten von Gesprächen, das Nachschärfen von Prompts, die Pflege der Wissensbasis und die Klärung von Fällen, die der Agent nicht lösen konnte. Unterschätzt wird vor allem die interne Zeit: Jemand im Team muss Wissenslücken schließen und Freigaben erteilen.

**Recht und Datenschutz.** Auftragsverarbeitungsverträge, Hinweise an Anrufer und gegebenenfalls eine Datenschutz-Folgenabschätzung kosten Zeit, bevor die erste Minute läuft. Was dabei gilt, fasst der Artikel [KI-Telefonie DSGVO-konform einsetzen](https://andreasindorf.com/ki-telefonie-dsgvo/) zusammen.

## Der Vergleich mit Personalkosten: fair rechnen

Der naheliegende Vergleich ist die Telefonbesetzung durch Menschen. Hier gibt es eine belastbare Ausgangszahl: Laut [Statistischem Bundesamt](https://www.destatis.de/DE/Presse/Pressemitteilungen/2026/04/PD26_148_624.html) zahlten Unternehmen des Produzierenden Gewerbes und des Dienstleistungsbereichs in Deutschland im Jahr 2025 durchschnittlich 45,00 Euro für eine geleistete Arbeitsstunde. Das ist ein Durchschnitt über viele Branchen, inklusive Lohnnebenkosten. Die Kosten in Ihrem Unternehmen oder bei einem externen Callcenter können deutlich davon abweichen.

Daraus lässt sich ein Vergleichswert pro Gesprächsminute ableiten, wenn Sie die Auslastung kennen:

**Personalkosten pro Gesprächsminute = Kosten je geleisteter Stunde ÷ (60 × Gesprächsanteil)**

Angenommen, eine Person verbringt die Hälfte ihrer Arbeitszeit tatsächlich im Gespräch, der Rest entfällt auf Nacharbeit, Wartezeit und Pausen zwischen Anrufen. Dann ergeben sich mit dem Destatis-Durchschnitt 45,00 € ÷ 30 = 1,50 € pro Gesprächsminute. Bei 3.000 Minuten im Monat wären das rechnerisch 4.500 €.

Drei Punkte machen den Vergleich fair:

- **Verfügbarkeit.** Menschen kosten auch, wenn das Telefon nicht klingelt, die KI nur bei Gesprächen. Wer nachts und am Wochenende erreichbar sein will, zahlt mit Personal für jede besetzte Stunde.
- **Gesprächsqualität.** Die KI ersetzt nicht jedes Gespräch. Komplexe, emotionale oder heikle Anrufe gehören weiter zu Menschen. Rechnen Sie nur mit dem Anteil, den die KI wirklich abschließen kann.
- **Wert statt nur Kosten.** Oft liegt der größere Effekt nicht in eingesparten Minuten, sondern in Anrufen, die vorher verloren gingen. Wie Sie solche Effekte in einen belastbaren Business Case übersetzen, zeigt der Artikel [KI-Business-Case erstellen](https://andreasindorf.com/ki-business-case-erstellen/).

## Wie Latenz und Qualität den Preis treiben

Der günstigste Baustein ist nicht automatisch der beste. Drei Zielkonflikte prägen jede Kalkulation:

**Latenz gegen Modellgröße.** Größere Sprachmodelle antworten oft durchdachter, brauchen aber länger und kosten mehr pro Token. Am Telefon wirkt jede Pause unnatürlich. Ein schnelles, kleineres Modell mit guter Wissensbasis ist für Standardgespräche häufig die bessere Wahl.

**Stimmqualität gegen Preis.** Bei ElevenLabs kosten die höherwertigen Modelle laut Preisliste doppelt so viel je 1.000 Zeichen wie Flash und Turbo. Ob Anrufer den Unterschied bemerken, sollten Sie mit echten Gesprächen testen, nicht im Demo-Raum.

**Kontextlänge gegen Tokenkosten.** Je mehr Wissen und Gesprächsverlauf bei jedem Schritt mitgeschickt werden, desto teurer wird jede Minute. Eine gezielte Suche in der Wissensbasis, die nur die relevanten Abschnitte liefert, senkt die Kosten und verbessert meist auch die Antworten.

Welche Rolle Erreichbarkeit und Antwortqualität für das Kundenerlebnis spielen, beschreibt der Beitrag [KI in der Customer Experience](https://andreasindorf.com/ki-customer-experience-strategie/).

## Aus meinen Produkten

Bei anicall.io habe ich die Kostenfrage von der Latenz her gelöst, nicht vom Preis. Die Echtzeit-Pipeline aus Twilio, Deepgram, Groq mit Llama 4 und ElevenLabs arbeitet durchgehend im Streaming. Die Lehre aus dem Aufbau: Jeder Baustein, der langsamer ist, macht das Gespräch schlechter, und ein schlechteres Gespräch kostet mehr als jede eingesparte Zehntelminute, weil Anrufer auflegen oder doch zum Menschen wollen. Kostenrelevant ist außerdem, dass Wissenslücken als Freigabe-Aufgabe beim Team landen, statt dass der Agent improvisiert. Das spart Nacharbeit. Für Kunden bündeln wir alle Bausteine in einem Minutenpreis ab 0,13 € pro Minute. Wie diese Architektur entstanden ist, beschreibt der Erfahrungsbericht [Voice-Agent-SaaS aufbauen](https://andreasindorf.com/voice-agent-saas-aufbauen/).

Wenn Sie Ihre eigene Rechnung prüfen lassen wollen, finden Sie unter [Voice AI](https://andreasindorf.com/leistungen/voice-ai/) mein Vorgehen.

## Häufig gestellte Fragen

### Was kostet KI-Telefonie pro Minute?

Das hängt von Telefonie, Spracherkennung, Sprachmodell und Sprachausgabe ab. Nach öffentlichen Listenpreisen liegen Telefonie, Spracherkennung und Sprachausgabe zusammen bei wenigen US-Cent pro Minute, das Sprachmodell kommt hinzu. Komplettlösungen, die auch Betrieb und Integration abdecken, werden meist pauschal pro Minute abgerechnet, anicall.io etwa ab 0,13 € pro Minute.

### Ist es günstiger, einen Voice Agent selbst zu bauen?

Die Rohbausteine sind günstig, die Entwicklung und der Betrieb einer stabilen Echtzeit-Pipeline nicht. Selbstbau lohnt sich vor allem bei hohem Volumen, eigenem Entwicklerteam und besonderen Anforderungen. Für die meisten Unternehmen ist eine fertige Lösung mit Anpassung schneller und planbarer.

### Wie vergleiche ich KI-Telefonie mit Personalkosten?

Teilen Sie die Kosten je geleisteter Arbeitsstunde durch 60 und durch den Anteil der Arbeitszeit, der tatsächlich im Gespräch verbracht wird. Das ergibt die Personalkosten pro Gesprächsminute. Berücksichtigen Sie zusätzlich die Erreichbarkeit außerhalb der Geschäftszeiten und den Anteil der Gespräche, den die KI wirklich abschließen kann.

### Welche versteckten Kosten gibt es bei KI-Telefonie?

Typisch unterschätzt werden die Integration in CRM und Kalender, die Pflege der Wissensbasis, die Auswertung von Gesprächen und die interne Zeit für Freigaben. Hinzu kommen Aufwände für Datenschutz, etwa Auftragsverarbeitungsverträge und Hinweise an Anrufer.

### Wird KI-Telefonie mit besserer Qualität teurer?

Oft ja, aber nicht linear. Hochwertigere Stimmen und größere Sprachmodelle kosten mehr pro Minute und können die Antwortzeit verlängern. Eine gut gepflegte Wissensbasis und kurze, gezielte Prompts verbessern die Qualität dagegen, ohne die Minutenkosten zu erhöhen.