Selbst bauen, kaufen oder Managed Service: Wem gehört der Sprachagent nach dem Launch?

Build vs. Buy bei KI-Sprachagenten ist eine Wahl zwischen drei Betriebsmodellen: Sie bauen den Agenten selbst auf Open-Source-Frameworks und Modell-APIs, Sie kaufen eine Sprachagent-Plattform, die Ihr eigenes Team konfiguriert, oder Sie bezahlen einen Managed Service, der ihn für Sie baut und betreibt. Der Launch ist dabei weniger wichtig als das, was danach kommt. Jedes Mal, wenn sich eine Richtlinie, ein Preis oder eine Gewohnheit der Anrufer ändert, muss jemand den Agenten anpassen – und jedes Modell legt diese Arbeit in andere Hände.

Die meisten Build-vs.-Buy-Leitfäden vergleichen zwei Optionen zum Zeitpunkt des Kaufs. Dieser vergleicht alle drei anhand dessen, was darüber entscheidet, ob ein Telefonagent immer besser wird: wer einen schlechten Anruf finden, beheben, die Korrektur prüfen und ausliefern kann – und wie viele Übergaben dazwischenliegen.

Die Retell AI veröffentlicht diesen Leitfaden und verkauft eine Sprachagent-Plattform, also eines der drei Modelle. Wir sagen, wo jedes Modell passt – auch dann, wenn Selbstbauen oder ein Managed Service die bessere Wahl ist.

Welche drei Wege gibt es zu einem KI-Sprachagenten?

Die drei Modelle unterscheiden sich darin, wer den Code schreibt, wer die Infrastruktur betreibt und wer das Verhalten des Agenten ändert, sobald er live ist.

• Selbst bauen. Ihre Entwickler stellen den Stack zusammen: einen Telefonanbieter, Speech-to-Text, ein Sprachmodell, Text-to-Speech und die Orchestrierung, die Sprecherwechsel und Unterbrechungen zwischen diesen Komponenten steuert. Viele Teams starten mit einem Open-Source-Framework wie Pipecat (BSD 2-Clause, gepflegt von Daily und der Community) oder LiveKit Agents (Apache 2.0). Ihnen gehört jede Schicht – und jeder Ausfall.
• Plattform kaufen. Der Anbieter betreibt die Telefonie-, Sprach- und Modellschichten. Die Dokumentation von Retell beschreibt ihre Plattform so: „Retell betreibt die Telefonie-, Sprach- und Sprachmodellschichten, sodass Sie den Agenten konfigurieren, statt Anbieter miteinander zu verbinden.“ Ihr Team schreibt die Prompts, baut die Flows, bindet Ihre Systeme an und verantwortet, wie sich der Agent verhält.
• Managed Service. Das Serviceteam eines Anbieters oder eine Agentur baut den Agenten und betreibt ihn dauerhaft. Sie beschreiben, was Sie wollen, und prüfen die Ergebnisse. Änderungen laufen über den Dienstleister.

Die Modelle lassen sich auch kombinieren. Ein Managed Launch kann an Ihr Team übergeben werden, und Ihre eigene Modelllogik kann auf einer gekauften Telefonieschicht laufen. Beide Mittelwege werden weiter unten behandelt.

Wem gehört was nach dem Launch?

Die Tabelle teilt den Agenten in die Schichten auf, die an einem gewöhnlichen Dienstag nach dem Go-live jemand verantworten muss. Das entscheidende Muster steht in der letzten Zeile.

Selbst bauen gibt Ihnen die meiste Kontrolle – und den größten Personalbedarf. Beim Kauf wandert die Infrastruktur zum Anbieter, das Verhalten bleibt aber bei Ihrem Team. Ein Managed Service lagert fast alles aus, einschließlich der Kontrolle darüber, wie schnell Änderungen live gehen.

Warum ist die Verantwortung nach dem Launch wichtiger als der Launch selbst?

Weil ein Sprachagent nie fertig ist. Anrufer formulieren Dinge, die Ihre Skripte nicht vorhergesehen haben, Richtlinien ändern sich und neue Anrufgründe kommen hinzu. Der Beitrag von Retell darüber, was ein CX Automation Engineer macht, nennt die Antwort darauf den CX-Verbesserungskreislauf: Jemand im internen Team findet die Anrufe, die der Agent schlecht bearbeitet hat, ermittelt die Ursache, entwickelt eine Korrektur, prüft sie, stellt sie bereit und beobachtet die nächsten Anrufe. Derselbe Beitrag benennt auch den Preis, wenn man diesen Kreislauf jemand anderem überlässt: „Wenn der Großteil der CX-Automatisierungsarbeit beim Anbieter bleibt, wartet jede Korrektur in der Warteschlange des Anbieters.“

Das Diagramm zeigt, wie eine einzelne Korrektur jedes Modell durchläuft.

Die Übergaben sind der eigentliche Unterschied. Beim Selbstbauen entdeckt oft das Operations-Team das Problem, aber ein Entwickler muss die Korrektur ausliefern. Bei einem Managed Service überschreitet jede Änderung eine Unternehmensgrenze. Auf einer Plattform, die Ihr Operations-Team nutzen kann, kann die Person, die das Problem gefunden hat, es auch beheben.

Worauf lassen Sie sich ein, wenn Sie einen Sprachagenten selbst bauen?

Wer selbst baut, verpflichtet sich, ein Echtzeit-Telefonsystem zu betreiben – nicht nur ein KI-Modell. Die Entwicklungszeit fließt in Telefonanbindung und Weiterleitungen, Audio-Streaming, das mit Unterbrechungen Schritt hält, Function Calls, die mitten im Anruf sicher fehlschlagen, durchsuchbare Anrufprotokolle, ein Test-Harness und einen Release-Prozess sowie einen Bereitschaftsdienst für den Fall, dass eine Leitung ausfällt.

Es gibt auch weniger offensichtliche Kosten. Sofern Sie nicht zusätzlich einen Editor, einen Test-Runner und Release-Steuerungen für Nicht-Entwickler bauen, ist jede Prompt-Änderung eine Codeänderung – und die Menschen, die die Anrufer verstehen, stehen Schlange für Entwicklungszeit. Ein Eigenbau kann die Warteschlange des Anbieters im eigenen Unternehmen nachbilden.

Selbst bauen ist sinnvoll, wenn der Sprachagent Ihr Produkt ist, wenn Prompts und Transkripte in Ihrer eigenen Infrastruktur oder einem selbst gehosteten Modell bleiben müssen oder wenn Sie Antwortlogik benötigen, die keine Plattform unterstützt, und diese über Jahre personell abdecken können. Anbieter, die die Kaufoption verkaufen, legen die Messlatte hoch: Ein Essay im Fin-Blog von Intercom aus dem Jahr 2025 schätzt, dass ein selbst gebauter Support-Agent etwa eine Million Konversationen pro Monat benötigt, nur um die Gewinnschwelle zu erreichen – ausgehend von einem Entwicklungsteam für 50.000 $ pro Monat und einer Leistung, die mit kaufbaren Tools mithält. Das ist die Schätzung eines Anbieters für Kundenservice allgemein, nicht für Telefonanrufe – rechnen Sie also selbst nach.

Wenn Ihre Entwickler den Agentencode selbst verantworten möchten, zeigt der Vergleich von Retell mit LiveKit, was ein Framework Ihnen bietet und was eine Plattform übernimmt.

Worauf lassen Sie sich ein, wenn Sie eine Plattform kaufen?

Beim Kauf wandert die Infrastruktur zum Anbieter, nicht das Verhalten des Agenten. Jemand in Ihrem Team verantwortet weiterhin die Prompts, die Wissensdatenbank, die Testfälle und die Prüfung echter Anrufe. Was die Plattform dieser Person bieten sollte, ist ein Änderungskreislauf, den sie ohne Entwickler durchlaufen kann. Bei Retell ist dieser Kreislauf dokumentiert:

• Erst Entwurf, dann Veröffentlichung. Eine neue Agentenversion beginnt als Entwurf, den Sie bearbeiten und prüfen können. Nach der Veröffentlichung ist sie schreibgeschützt, sodass Sie immer eine feste Konfiguration haben, zu der Sie zurückkehren können. Das ist Prompt-Versionierung, direkt in den Agenten integriert.
• Prüfen, bevor Anrufer es hören. Beim Simulationstest spielt eine KI den Anrufer und bewertet jeden Durchlauf mit bestanden oder nicht bestanden. Gespeicherte Fälle laufen gemeinsam als Batch, sodass Sie vor dem Bereitstellen bestätigen können, dass die Erfolgsquote stabil bleibt.
• Ausliefern und zurückrollen durch Verschieben eines Tags. Telefonnummern können auf einen `prod`-Tag verweisen. Verschieben Sie den Tag auf die neue Version, um Live-Anrufe auf diesen Nummern umzustellen, und verschieben Sie ihn zurück, um zurückzurollen. Nummern, die direkt einer Version zugewiesen sind, bleiben auf dieser Version.
• Ergebnis beobachten. AI QA bewertet eine Stichprobe von Anrufen und markiert Probleme wie Halluzinationen. Alert-Regeln senden eine E-Mail oder einen webhook, wenn eine Kennzahl wie die Erfolgsquote einen von Ihnen festgelegten Schwellenwert überschreitet. A/B-Tests können den Traffic einer Nummer prozentual auf mehrere Agenten aufteilen.

Die Kosten setzen sich aus Minutenpreis und Personal zusammen. Retell bietet laut Preisseite eine nutzungsbasierte Abrechnung ab 0,07 $ pro Minute, inklusive 20 gleichzeitiger Anrufe. Die Personalkosten entsprechen einer dedizierten verantwortlichen Person – der Rolle, die der Beitrag von Retell als CX Automation Engineer bezeichnet – mit fest eingeplanter Zeit für diese Arbeit. Eine QA-Scorecard gibt dieser Person eine wiederholbare Methode zur Bewertung von Anrufen.

Wann ist ein Managed Service sinnvoll?

Ein Managed Service ist sinnvoll, wenn noch niemand den Agenten verantworten kann, der Launch-Termin nicht verschiebbar ist oder der Anwendungsfall zu eng ist, um eine verantwortliche Person zu rechtfertigen. Er ist zudem das Geschäftsmodell von Agenturen und BPOs, die Sprachagenten für Kunden betreiben – sie stehen bei dieser Entscheidung also auf der Dienstleisterseite.

Das Risiko liegt in der Änderungsgeschwindigkeit: Jede Korrektur wird zur Anfrage, und der Dienstleister entscheidet, wann sie live geht. Lassen Sie sich vor der Unterzeichnung Folgendes schriftlich zusichern:

• Wie schnell eine Änderungsanfrage umgesetzt wird – sowohl für eine Formulierungskorrektur als auch für einen neuen Anruftyp.
• Ob Sie Lesezugriff auf die Konfiguration des Agenten, Anrufaufzeichnungen und Transkripte erhalten.
• Wer alarmiert wird, wenn Anrufe fehlschlagen, und wie über Störungen berichtet wird.
• Was Sie bei einem Wechsel mitnehmen: Prompts, Flows, Testfälle und Anrufdaten.

Für die Partnerseite desselben Deals erklärt der Beitrag wie Sprach-KI-Anbieter und Servicepartner den ersten Deal abgrenzen sollten, wer die Discovery verantwortet und wie die Arbeit aufgeteilt wird.

Gibt es einen Mittelweg zwischen Selbstbauen und Kaufen?

Ja, sogar zwei.

Managed Launch, dann Übergabe. Der Anbieter oder ein Partner baut die ersten Agenten gemeinsam mit Ihrem Team und schult Ihre Mitarbeitenden; anschließend übernimmt Ihr Team in eigenem Tempo mehr von der Verbesserungsarbeit. Die Forward Deployed Engineers von Retell arbeiten auf diese Weise, wobei die Plattform es dem Team des Kunden ermöglicht, im Laufe der Zeit mehr Arbeit zu übernehmen. Wenn anfangs niemand auf Ihrer Seite den Aufbau verantworten kann, listet das Verzeichnis der Retell-Lösungspartner zertifizierte Partner auf, und der Enterprise-Plan führt Dedicated Implementation Support als Add-on.

Das Gehirn selbst bauen, die Telefonieschicht kaufen. Wenn Sie ein eigenes Modell oder eine eigene Retrieval-Pipeline benötigen, müssen Sie die Telefonie nicht auch noch selbst bauen. Mit einem benutzerdefinierten LLM bei Retell übernimmt Retell Telefonie, Transkription, Sprecherwechsel und Sprachsynthese, während Ihr WebSocket-Server jede Antwort generiert. Die Dokumentation benennt den Kompromiss klar: Sie übernehmen Latenz, Verfügbarkeit und Wiederverbindung, und Simulations- sowie Batch-Tests unterstützen keine Agenten mit benutzerdefiniertem LLM – zur Prüfung bleiben dann Web- und Telefonanrufe. Für die meisten Agenten empfiehlt die Dokumentation stattdessen einen Single-Prompt- oder Conversation-Flow-Agenten.

Wie wählen Sie zwischen Selbstbauen, Kaufen und einem Managed Service?

Fragen Sie sich zuerst, wer den Agenten in einem Jahr verantworten wird, und wählen Sie dann das Modell, das dieser Person die passenden Werkzeuge gibt.

Egal, wofür Sie sich entscheiden: Machen Sie vor der Unterzeichnung einen Test. Bitten Sie während des Pilotprojekts die Person, die den Agenten verantworten wird, einen fehlgeschlagenen Anruf zu finden, ihn zu beheben, die Korrektur zu prüfen, sie zu veröffentlichen und wieder zurückzurollen – und stoppen Sie die Zeit. So bewerten Sie eine Sprachagent-Plattform vor dem Go-live führt durch dieses Pilotprojekt, und Von der Demo zur Produktion in 30 Tagen behandelt den ersten Monat danach.

Häufig gestellte Fragen

Ist es günstiger, einen KI-Sprachagenten selbst zu bauen oder zu kaufen?

Das hängt von Ihrem Anrufvolumen ab und davon, wen Sie bereits beschäftigen. Beim Selbstbauen tauschen Sie einen Minutenpreis der Plattform gegen Entwicklergehälter, Modell- und Carrier-Rechnungen sowie einen Bereitschaftsdienst. Beim Kauf kommt ein Minutenpreis hinzu, doch Sie müssen nur eine verantwortliche Person statt eines ganzen Teams einplanen. Vergleichen Sie die benötigten Entwickler mit den Plattformminuten bei Ihrem erwarteten Volumen.

Was ist ein Managed Service für KI-Sprachagenten?

Das Serviceteam eines Anbieters oder eine Agentur baut den Sprachagenten und betreibt ihn dauerhaft für Sie. Sie beschreiben, was er tun soll, und prüfen die Ergebnisse; der Dienstleister nimmt die Änderungen vor. Der Launch gelingt ohne eigenes Personal, aber jede spätere Änderung ist eine Anfrage in der Warteschlange des Dienstleisters.

Wer sollte einen KI-Sprachagenten nach dem Launch verantworten?

Eine namentlich benannte Person auf Ihrer Seite, mit fest eingeplanter Zeit, um Anrufe zu prüfen, Prompts und Wissen zu korrigieren und Änderungen vor der Auslieferung zu testen. Retell nennt diese Rolle CX Automation Engineer, manchmal auch Internal Deployed Engineer. Gute Kandidaten sind etwa ein Operations Manager, eine QA-Leitung oder ein IVR-Administrator – insbesondere jemand, an den sich Kollegen bereits mit Sprach-KI-Problemen wenden.

Können wir mit einem Managed Service beginnen und die Arbeit später ins eigene Haus holen?

Ja, wenn Sie das von Anfang an einplanen. Fordern Sie Zugriff auf die Konfiguration des Agenten, Aufzeichnungen und Testfälle, und vereinbaren Sie eine Übergabephase, in der Ihre verantwortliche Person Änderungen vornimmt und der Dienstleister sie prüft. Das gelingt leichter, wenn der Dienstleister auf einer Plattform baut, die auch Ihr Operations-Team nutzen kann.

Wählen Sie das Modell, das Ihr Team betreiben kann

Die richtige Antwort auf die Frage Build vs. Buy ist das Modell, bei dem die Menschen, die Ihre Anrufer kennen, den Agenten ändern können, ohne auf jemanden zu warten. Die Retell AI ist eine KI-Sprachagent-Plattform für Contact Center, entwickelt, damit Ihr Operations-Team den Agenten nach dem Launch verantwortet – mit Forward Deployed Engineers und zertifizierten Partnern, die Ihnen beim Einstieg helfen. Vergleichen Sie die Tarife auf der Preisseite und sprechen Sie mit dem Team darüber, wer Ihre Agenten betreiben wird.