Der Sprach-KI-Stack, den Käufer wirklich ersetzen wollen

Der Sprach-KI-Stack, den die meisten Outbound-Teams ersetzen wollen, ist die Kette von Behelfslösungen rund um die KI selbst: ein separater Dialer für die Anrufe, selbst gebaute Anrufbeantworter-Logik und eine Automatisierungsschicht, die jeden Anruf zwischen Systemen weiterreicht. Das Ziel ist keine neue KI-Stimme. Es geht um weniger Systeme, weniger Übergaben, weniger Wartungsaufwand und einen einzigen Verantwortlichen, der sich meldet, wenn ein Anruf fehlschlägt. Das CRM steht nicht auf der Liste.

Wie sieht der typische Behelfs-Stack aus?

Er besteht meist aus fünf Schichten, jede aus gutem Grund hinzugefügt. Das Problem: Ein einziger ausgehender Anruf durchläuft jetzt alle fünf.

Zählen Sie die Übergaben bei einem einzigen Anruf: CRM an Automatisierung, Automatisierung an Dialer, Dialer an Anrufbeantworter-Logik, Logik an KI-Anbieter, KI-Anbieter zurück an Automatisierung, Automatisierung zurück ins CRM. Das sind sechs Stellen, an denen ein Anruf fehlschlagen kann, verteilt auf vier oder fünf Anbieter.

Wo bricht der Behelfs-Stack?

Er bricht an den Übergaben, nicht innerhalb eines einzelnen Tools. Das Dashboard jedes Anbieters kann gesund aussehen, während der Anrufpfad dazwischen versagt.

Der Anrufstatus liegt an zwei Orten. Wenn der Dialer den Anruf tätigt und die KI das Gespräch führt, wird ein Nichtabheben im Dialer erfasst und erreicht nie die Logs des KI-Anbieters. Debugging bedeutet, Anruf-IDs über zwei Anbieter hinweg abzugleichen. Damit wird natives Wählen zu einer Architekturentscheidung: Wo der Anruf getätigt wird, entscheidet darüber, wo Anrufdatensatz, Trennungsgrund und Aufzeichnung liegen.

Die Entscheidung Maschine oder Mensch fällt außerhalb des Agenten. Wenn der Dialer die Annahme klassifiziert und den Anruf dann weiterreicht, führt eine Fehlklassifizierung dazu, dass der Agent mit einer Voicemail-Ansage spricht oder eine echte Person nur Stille hört. IVR-Menüs sind ein dritter Fall, den viele Dialer-Setups überhaupt nicht abbilden.

Die Automatisierungsschicht versagt lautlos. Ein Szenario läuft in einen Timeout, ein CRM-Feld wird umbenannt oder ein token läuft ab. Anrufe stoppen oder Ergebnisse werden nicht mehr geschrieben, und niemand wird alarmiert.

Jede Änderung betrifft drei Konfigurationen. Eine neue Kampagne bedeutet eine Dialer-Liste, eine angepasste Automatisierung und einen aktualisierten prompt, und die drei laufen auseinander.

Niemand verantwortet den gesamten Anruf. Wenn ein Anruf fehlschlägt, verweist der KI-Anbieter auf den Dialer, der Dialer auf den Carrier, und die Automatisierung hat jemand gebaut, der inzwischen in ein anderes Team gewechselt ist.

Was sollten Sie konsolidieren und was sollte bleiben?

Konsolidieren Sie die Schichten, die nur existieren, um einen KI-Anruf zwischen Tools zu bewegen, und behalten Sie die Systeme, auf denen Ihr Geschäft läuft. Der Dialer, die Voicemail-Logik und der Großteil des Klebers auf Anrufebene können in die Sprach-KI-Plattform wandern. Das CRM, Ihr Carrier und Ihr Contact Center mit menschlichen Agenten bleiben.

Den Carrier zu behalten heißt nicht, einen separaten Dialer zu behalten. Sobald eine Twilio- oder Telnyx-Nummer per SIP importiert ist, tätigt Retell den Anruf über diesen Trunk: Der Carrier bleibt, die Dialer-Software entfällt. Die Checkliste für ausgehende Telefonnummern behandelt die Entscheidung zwischen Kaufen und Mitbringen.

Die Automatisierungsschicht verschwindet selten vollständig. Lead-Routing, Datenanreicherung und Geschäftslogik können bleiben. Wegfallen sollte der Kleber, dessen einzige Aufgabe darin besteht, einen Anruf zu starten oder ein Transkript zu kopieren. Wie die CRM-Seite davon durchgängig aussieht, lesen Sie im Workflow vom CRM zur Sprach-KI. Details zur Integration System für System finden Sie unter So fügt sich Sprach-KI in Ihren CRM- und Telefonie-Stack ein.

Wie sollte die Anrufbeantworter-Erkennung funktionieren, wenn sie in den Agenten wandert?

Behandeln Sie Voicemail und IVR als Anrufzustände, für die der Agent konzipiert ist, nicht als vorgeschalteten Filter. Wenn die Erkennung beim Gespräch liegt, landen Ergebnis, Aktion und Beendigungsgrund in einem einzigen Anrufdatensatz. Bei Retell:

• Erkennungsfenster. Die Voicemail- und IVR-Erkennung läuft während der ersten 3 Minuten, nachdem ein ausgehender Anruf verbunden wurde. Das Fenster ist fest, und bei eingehenden Anrufen läuft keine Erkennung.
• Voicemail-Aktionen. Auflegen oder eine Nachricht hinterlassen. Die Nachricht kann ein generierter prompt oder ein statischer Satz mit dynamischen Variablen sein, etwa dem Vornamen des Kontakts.
• IVR-Behandlung. IVR Hangup beendet den Anruf, wenn ein Telefonmenü antwortet. Press Digit ermöglicht es dem Agenten stattdessen, durch Tastenmenüs zu navigieren, wenn das Ziel ist, eine bestimmte Abteilung zu erreichen.
• Reporting. Anrufe enden mit dem Trennungsgrund voicemail_reached oder ivr_reached, sodass Ihre Berichte sie von echten Gesprächen unterscheiden können.

Ein Detail ist wichtig: Eine Ansage kann als IVR statt als Voicemail klassifiziert werden. Aktivieren Sie daher IVR Hangup zusätzlich zum Auflegen bei Voicemail.

Die Dokumentation von Retell beschreibt keine automatische Wahlwiederholung, also legen Sie fest, wo die Regeln für Wiederholungsversuche liegen. Ein gängiges Muster: Lesen Sie den Trennungsgrund (dial_no_answer, dial_busy, voicemail_reached) aus dem call_ended-webhook und lassen Sie Ihr CRM oder Ihren Scheduler den nächsten Versuch planen. Zur Formulierung der Nachricht lesen Sie Voicemail-Best-Practices für KI-Sprachagenten.

Wie sieht ein Anruf nach der Konsolidierung aus?

Ein Anruf durchläuft zwei statt fünf Systeme: die Sprach-KI-Plattform und das CRM. Bei Retell:

1. Ihr CRM oder Backend startet den Anruf über die API, oder Sie laden eine Batch-Liste hoch. Ein metadata-Objekt, etwa Ihre CRM-Datensatz-ID, wird am Anruf gespeichert.
2. Eine Pre-Call-Funktion ruft den Kontakt ab, sodass der Agent mit Kontokontext startet.
3. Retell wählt von einer Retell-Nummer oder Ihrer importierten Nummer.
4. Die Voicemail- und IVR-Erkennung entscheidet über den ersten Schritt.
5. Während des Gesprächs lesen und schreiben Integrationstools oder benutzerdefinierte Funktionen in Ihre Systeme.
6. Wird eine Person benötigt, leitet der Agent den Anruf weiter, und die webhook-Ereignisse zur Anrufweiterleitung protokollieren, ob die Verbindung zustande kam.
7. Nach dem Anruf strukturiert Post Call Extraction das Ergebnis, Post-Call-Funktionen aktualisieren das CRM, und die webhooks call_ended und call_analyzed benachrichtigen alle weiteren Systeme, die Bescheid wissen müssen.

Jeder Schritt ist an eine einzige Anruf-ID gebunden, und der Anrufdatensatz enthält Transkript, Aufzeichnung und Trennungsgrund.

Was gehört auf Ihre Bewertungscheckliste?

Bitten Sie jeden Anbieter, Ihnen diese Punkte in einem Live-Anruf zu zeigen, nicht auf einer Folie.

Addieren Sie dann die Kosten jeder Schicht, nicht nur den KI-Minutenpreis: Dialer-Gebühren, Carrier-Minuten, Automatisierungs-Tasks und die Engineering-Stunden, die nötig sind, um alles synchron zu halten. Laut der Preisseite von Retell fallen für eigene Telefonie und SIP Trunking keine Telefoniegebühren von Retell an (Ihr Carrier stellt Ihnen weiterhin Kosten in Rechnung), Retell-Nummern kosten 2,00 $ pro Monat, und Batch-Anrufe kosten zusätzlich 0,005 $ pro Wählvorgang.

Wo Sie anfangen sollten

Wählen Sie eine Outbound-Kampagne, die den gesamten Behelfs-Stack durchläuft. Bilden Sie jede Übergabe bei einem einzelnen Anruf ab, benennen Sie jeweils den Verantwortlichen und markieren Sie die Schichten, die nur existieren, um diesen Anruf weiterzureichen. Das sind Ihre Kandidaten für die Konsolidierung. Testen Sie dann mit echten Anrufen, mit Ihren eigenen Nummern und angebundenem CRM, und zählen Sie die beteiligten Systeme, wenn etwas schiefgeht. Wenn Sie diese Konsolidierung für ein Outbound-Team planen, sehen Sie sich an, wie die Retell AI ausgehende Anrufe für Contact Center abwickelt: mit Wählen, Voicemail-Behandlung, Anrufweiterleitung und CRM-Rückschreibung auf einer Plattform.