Die Kosten eines Voicebots, die keine Preisliste zeigt

Wer als Entscheider zwei Voicebot-Plattformen vergleicht, vergleicht in der Regel zwei Zahlen: einen Preis pro Minute und eine monatliche Abogebühr. Das ist die Information, die Anbieter veröffentlichen, und sie ist korrekt. Das Problem ist nicht, dass sie falsch wäre – es ist, dass sie eine andere Frage beantwortet als die, die sich der Entscheider stellt. Die Preisliste beantwortet: „Wie viel kostet eine Gesprächsminute?“ Das Budget muss beantworten: „Wie viel kostet ein korrekt bearbeiteter Anruf, über drei Jahre gerechnet, in meiner IT-Landschaft?“

Dazwischen liegen fünf Kostenfamilien, die in keiner Preisliste auftauchen. Keine davon ist im böswilligen Sinne versteckt: Sie liegen schlicht außerhalb dessen, was der Anbieter verkauft. Falls Sie noch nicht wissen, was sich hinter diesem Baustein verbirgt, beginnen Sie mit Was ist ein Voicebot?.

Die Preisliste beschreibt Betriebskosten, keine Projektkosten

Zunächst gilt es zu verstehen: Der angezeigte Preis ist fast immer nur eine Schicht von mehreren – und das sagen die Anbieter selbst so.

Auf der Preisseite von Vapi, abgerufen im September 2026, entsprechen die 0,05 $/Min. allein dem Hosting der Plattform. Transkription, Sprachmodell und Sprachsynthese werden zusätzlich zum jeweiligen Anbieterpreis weiterberechnet, mit eigens ausgewiesenen Preisspannen für jede Komponente. Der Telefonietransport ist noch einmal eine separate Position.

Bei Retell gilt dieselbe Logik: Die Sprachinfrastruktur wird dort mit 0,055 $/Min. ausgewiesen, hinzu kommen Sprachsynthese, Modell, Telefonie sowie Zusatzoptionen, die ebenfalls pro Minute berechnet werden – Wissensdatenbank, Rauschunterdrückung, Guardrails, Entfernung personenbezogener Daten. Auf derselben Seite reicht die Spanne zwischen dem günstigsten und dem teuersten gelisteten Sprachmodell von 0,0016 $ (GPT 5 nano) bis 0,32 $ pro Minute im Standardtarif (GPT 6 Astra): ein Verhältnis von 1 zu 200, auf derselben Preisliste, für dasselbe Produkt – und bis zu 0,64 $, also 1 zu 400, wenn man den schnellen Tarif desselben Modells mitrechnet. Die Wahl des Modells schlägt stärker auf die Rechnung durch als die Wahl der Plattform. Bei ElevenLabs stellt die Dokumentation ausdrücklich klar, dass „Sprachmodell und Telefonie separat berechnet werden“.

Der zweite, seltener diskutierte Hebel ist die Parallelität: die Anzahl gleichzeitiger Anrufe. Vapi berechnet 10 $ pro zusätzlicher Leitung und Monat oberhalb des Pakets, Retell 8 $. ElevenLabs setzt bei Überschreiten des Limits einen Übernutzungstarif von 0,160 $/Min. an – das Doppelte des Standardtarifs. Anders gesagt: Die entscheidende Variable ist nicht der durchschnittliche Minutenpreis, sondern das Profil Ihrer Anrufspitzen. Ein Kundenservice, dessen Volumen sich zwischen 8 und 10 Uhr verdoppelt, zahlt nicht den angezeigten Tarif: Er zahlt den Tarif seiner Spitzenlast – oder er lässt seine Anrufer in der Warteschlange stehen.

Telefonie ist ein Projekt, keine Rechnungsposition

Das ist der am systematischsten unterschätzte Posten, weil er zu einem Fachgebiet gehört – der Telekommunikation –, das KI-Projektteams in der Regel nicht selbst beherrschen.

Drei Mechanismen genügen, um das Ausmaß der Abweichung zu verstehen.

Das Ziel entscheidet über alles. Auf der SIP-Trunking-Preisliste von Twilio für Frankreich, abgerufen im September 2026, beginnt die Terminierung zu Festnetzanschlüssen bei 0,0147 $/Min. Für Mobilfunk werden in derselben Zeile je nach Anrufursprung zwei Tarife ausgewiesen: 0,1563 $/Min. im Standardtarif, 0,0364 $/Min. „aus dem EWR“ – und genau dieser zweite Tarif gilt für Traffic, der aus Frankreich stammt, also eine 2,5-fache Abweichung gegenüber dem Festnetz. Sonderdienste wiederum steigen auf 0,5473 $/Min.: das 37-Fache des Festnetztarifs, auf derselben Seite, für dasselbe Produkt. Eine eingehende Telefonzentrale und eine ausgehende Rückrufkampagne zu Mehrwertnummern haben budgetär also nichts miteinander zu tun, selbst bei identischem Plattformpreis.

Die Weiterleitung lässt zwei Zähler mitlaufen. Die Dokumentation von Twilio ist eindeutig: Jedes Anrufsegment wird separat berechnet, und jedes Segment wird auf die nächste volle Minute aufgerundet. Ein eingehender, an eine Beraterin oder einen Berater weitergeleiteter Anruf zählt also als zwei Segmente. Dieses Detail hat eine kontraintuitive Konsequenz: Je häufiger Ihr Voicebot scheitert, desto teurer wird die abgerechnete Minute – denn die Minute der Weiterleitung addiert sich zu den bereits vom Bot verbrauchten Minuten. Die Stückkosten verschlechtern sich also genau in der Situation, in der das Projekt schlecht läuft.

Die Anbindung an die Bestandsinfrastruktur bestimmt die Architektur. Je nach gewählter Methode kann die Weiterleitung an eine Beraterin oder einen Berater als vollständige Übergabe erfolgen (SIP REFER) oder so, dass der Bot in der Konferenz bleibt und weiter mittranskribiert – diese zweite Variante verlängert die Plattformabrechnung über das gesamte menschliche Gespräch hinweg. Bei älteren Infrastrukturen läuft das Medium über zentrale Gateways mit komprimierten Codecs, was Latenz hinzufügt und die Audioqualität verschlechtert, die beim Modell ankommt. Diese Verschlechterung zeigt sich nicht auf einer Rechnung. Sie zeigt sich in der Verständnisfehlerquote – und damit bei den Wiederholungen.

Die Wissensbasis: der personelle Posten, den niemand einplant

Ein Voicebot kennt Ihre Rückgabebedingungen, Ihre Bereitschaftsfristen oder Ihre Garantiebedingungen nicht. Er liest, was man ihm gibt.

Die Anbieter berechnen den Behälter: Retell weist 0,005 $/Min. für die Nutzung einer Wissensdatenbank aus sowie 8 $/Monat pro Datenbank oberhalb von zehn. Den Inhalt berechnet niemand, weil ihn auch niemand für Sie produziert.

Diese Arbeit ist jedoch selten technischer Natur. Sie besteht darin, maßgebliche Dokumente zu identifizieren, zwischen widersprüchlichen Versionen zu entscheiden, zu datieren, zu veralten zu erklären und zu strukturieren. Sie bindet also die fachlich Verantwortlichen – also genau die Personen, deren Zeit im Projektplan nicht eingeplant wurde. Wie viel Zeit ein KI-Projekt auf die Datenaufbereitung verwendet, ist nach wie vor umstritten, und die oft zitierte Zahl von 80 % wird selbst infrage gestellt: Eine Analyse, die ihrem Ursprung nachgeht, führt sie auf deutlich bescheidenere Erhebungen zurück – 60 % im Jahr 2016, 51 % im Jahr 2017, 73,5 % der Befragten, die 2019 angaben, dafür mindestens ein Viertel ihrer Zeit aufzuwenden – und bezeichnet sie als eine ohne solide Grundlage wiederholte Statistik. Keine dieser Erhebungen beschreibt diesen Posten jedoch als nebensächlich.

Vor allem aber ist dieser Kostenmechanismus wiederkehrend, und genau das macht ihn tückisch. Eine geänderte, aber nicht neu indexierte Verfahrensanweisung liefert weiterhin selbstbewusst formulierte, aber veraltete Antworten: Das Retrieval-System wählt die der Frage am nächsten liegende Textpassage aus, ohne erkennen zu können, dass ein Dokument ein anderes ersetzt hat. Die Pflege der Wissensbasis ist also keine einmalige Startaufgabe, sondern eine dauerhafte Governance-Last. Ein Sozialwohnungsunternehmen, das seine Bereitschaftsanweisungen zweimal im Jahr aktualisiert, muss zwei Überarbeitungszyklen pro Jahr einplanen – nicht ein einmaliges Projekt.

Fehlerbehebung und Supervision werden doppelt bezahlt

Kein Voicebot bearbeitet 100 % der Anrufe. Die am Markt veröffentlichten Quoten autonomer Lösung streuen stark, und man muss sagen, woher sie stammen: Die kursierenden Spannen von 60 bis 90 % werden von Anbietern oder branchennahen Beratungshäusern veröffentlicht, nicht von unabhängigen Dritten. Wir machen sie uns nicht zu eigen – auch deshalb veröffentlichen wir unsere Testmethodik.

Dokumentiert ist hingegen, dass der Markt Supervision als eigenständigen Posten abrechnet. Auf der Retell-Preisliste wird die automatisierte Qualitätssicherung von Gesprächen mit 0,10 $/Min. nach 100 kostenlosen Minuten ausgewiesen – fast doppelt so viel wie der Tarif der Sprachinfrastruktur selbst (0,055 $/Min.). Wenn ein Anbieter die Kontrolle teurer berechnet als die Ausführung, zeigt das, wo die eigentliche Last liegt.

Hinzu kommen die menschlichen Kosten, die auf keiner Preisliste erscheinen: das Abhören von Gesprächsstichproben, die Qualifizierung von Fehlschlägen, die Korrektur von Anweisungen, der Umgang mit Anrufern, die erneut anrufen, weil das erste Gespräch nichts gelöst hat. Die richtige Rechnung lautet nicht „Kosten pro Bot-Minute“, sondern „Gesamtkosten pro tatsächlich gelöstem Anliegen“ – eine Summe aus Bot-Minuten, Telekom-Segmenten, Beraterzeit bei weitergeleiteten Anrufen und wiederholten Anrufen. Das ist zugleich die einzige ehrliche Vergleichsbasis zu einer menschlichen Dienstleistung, die französische Kontaktzentren üblicherweise als Kombination aus Abonnement und Gesprächsminute abrechnen.

Nach dem Produktivstart hören die Kosten nicht auf

Ein Voicebot ist kein Projekt, das irgendwann abgeschlossen ist: Er ist ein Asset, das mit der Zeit driftet.

Drei Auslöser für Regressionen benennt Vapi selbst in seinem Beitrag zu Evaluierungen: eine geänderte Anweisung, ein hinzugefügtes Tool, ein Modellwechsel. Und die Beschreibung des Ausfalls verdient es, wörtlich zitiert zu werden: „Nichts ist abgestürzt. Nichts hat Alarm geschlagen. Die Conversions sind einfach still gesunken.“ Die Schlussfolgerung, die der Anbieter daraus zieht, ist unmissverständlich: „Code hat Tests. Prompts und Tools nicht. Genau da liegt die Lücke.“

Vor allem der Modellwechsel liegt nicht in Ihrem eigenen Zeitplan. Die Deprecation-Policy von OpenAI sieht eine Vorlaufzeit von mindestens sechs Monaten für allgemein verfügbare Modelle vor, mindestens drei Monate für deren Varianten und deutlich weniger für Vorabversionen – die Migration selbst setzt dabei eine Anpassung der Anwendung voraus. Sie erben also eine von außen auferlegte Nachtest-Kampagne ohne zusätzlichen geschäftlichen Mehrwert, in einer Frequenz, die Sie nicht selbst bestimmen. Dieselbe Logik gilt für Integrationen: Jede API-Änderung auf CRM- oder ERP-Seite löst eine Überarbeitung aus.

Auch Compliance fällt in dieselbe Kategorie. Seit dem 2. August 2026 verpflichtet Artikel 50 der europäischen KI-Verordnung dazu, Personen spätestens bei der ersten Interaktion klar und erkennbar darüber zu informieren, dass sie mit einem KI-System interagieren; die FAQ der Kommission verweist auf Sanktionen von bis zu 15 Millionen Euro oder 3 % des weltweiten Umsatzes. Bei einem Voicebot wird dieser Hinweis gesprochen – er verbraucht also abgerechnete Sekunden bei jedem Anruf, sowohl bei der Plattform als auch beim Netzbetreiber. Das ist ein Compliance-Kostenfaktor, der buchstäblich auf der Nutzungsrechnung landet.

In Frankreich unterliegt zudem der ausgehende Kontakt zu Privatpersonen einer Vorgabe, die stärker strukturierend wirkt als rein budgetär: Seit dem 11. August 2026 verbietet Artikel L223-1 des Verbrauchergesetzbuchs – neu gefasst durch Artikel 13 des Gesetzes Nr. 2025-594 vom 30. Juni 2025 – Telefonwerbung ohne vorherige, freiwillige, spezifische, informierte, eindeutige und widerrufbare Einwilligung, wobei die Beweislast beim Unternehmen liegt. Ein B2C-Outbound-Voicebot-Projekt ohne nachweisbare Einwilligungsgrundlage ist damit kein günstigeres Projekt – es ist ein Projekt ohne adressierbaren Markt. Bei der Anrufaufzeichnung regelt die CNIL die Information der betroffenen Personen, die Begrenzung der Aufbewahrungsdauer und die Zugriffsberechtigungen. Diese Pflichten erläutern wir ausführlich unter Vertrauen & Compliance.

Der ernsthafteste Einwand: „Diese Kosten gibt es in jedem IT-Projekt“

Ein Integrator oder Anbieter könnte entgegnen, dass nichts davon spezifisch für Voicebots sei. Integration, Datenqualität, Supervision, Wartung: Diese Posten belasten jedes IT-Projekt, und sie hier besonders hervorzuheben, käme einer selektiven Anklage gleich. Zu Recht würde er hinzufügen, dass ein eng begrenzter Umfang – Terminvereinbarung, Bestellstatus, Anrufqualifizierung vor Weiterleitung – sie erheblich reduziert.

Der Einwand ist berechtigt, und die darin enthaltene Empfehlung ist richtig. Er entkräftet die These jedoch aus drei Gründen nicht.

Erstens beseitigt ein enger Umfang manche Posten, aber nicht alle. Die Pflege der Wissensbasis schrumpft bei einem Bot, der nur Öffnungszeiten nennt, fast auf null. Sie beseitigt aber weder die Telefonieanbindung noch die Transparenzpflichten noch die durch die Abkündigung eines Modells erzwungene Migration: Letztere trifft einen Agenten mit drei Intentionen genauso wie einen mit dreihundert.

Zweitens unterscheidet sich ein Voicebot-Projekt grundsätzlich von einem klassischen IT-Projekt. Die zentrale Komponente ist nicht deterministisch und wird von einem Drittanbieter bereitgestellt, der sie nach eigenem Zeitplan abkündigt. Ein Buchhaltungskonnektor ändert sein Verhalten nicht, weil ein Satz umformuliert wurde; ein Sprachmodell schon.

Drittens ist das Argument „diese Kosten gibt es überall“ nicht beruhigend, sondern bestätigend. Wenn Gartner in einer Pressemitteilung vom 25. Juni 2025 prognostiziert, dass mehr als 40 % der agentischen KI-Projekte bis Ende 2027 eingestellt werden, werden als Gründe eskalierende Kosten, ein nicht nachgewiesener geschäftlicher Nutzen und unzureichende Risikokontrollen genannt – nicht das technische Scheitern der Gesprächskomponente.

Die richtige Frage lautet also nicht „Wie viel kostet die Minute?“, sondern „Wie viele dieser Posten lässt mein Anwendungsfall vermeiden?“

Was Sie vor der Unterschrift fragen sollten

Vier Fragen genügen, um die Lücke zwischen Preisliste und Budget sichtbar zu machen: Welche Minuten werden bei einer Weiterleitung von wem abgerechnet? Welcher Tarif gilt für meine Spitzenlast an gleichzeitigen Anrufen – nicht für meinen Durchschnitt? Wer erstellt und pflegt die Wissensbasis, mit welchem fachlichen Zeitbudget? Und was passiert vertraglich an dem Tag, an dem das verwendete Modell abgekündigt wird?

Kein Anbieter veröffentlicht heute Gesamtkosten pro gelöstem Anliegen. Solange die abgerechnete Einheit die Minute bleibt und nicht die Lösung, ist die Lücke zwischen Preisliste und tatsächlichem Budget kein Transparenzmangel, sondern eine Eigenschaft des Geschäftsmodells. Es bleibt abzuwarten, ob ein hinreichend großer Einkäufer irgendwann die andere Kennzahl einfordert.

---

Transparenzhinweis: Call-bot.ai wird von Nehos Groupe - KBC SOLUTIONS herausgegeben, die konversationelle KI-Lösungen für Unternehmen konzipiert und integriert, mit Alyas.ai eine eigene Plattform anbietet (in diesem Artikel nicht genannt) und damit wirtschaftlich von den hier beschriebenen Integrationskosten betroffen ist. Wir verkaufen keine der genannten Plattformen und erhalten keine Vergütung von ihnen. Die genannten Preise wurden im September 2026 auf den öffentlichen Seiten der Anbieter erhoben und können sich ändern.