Drei Sekunden. So lange dauert es, bis ein KI-Telefonassistent einen Anruf verstanden, verarbeitet und beantwortet hat. Was in dieser Zeit passiert, ist technisch komplex — lässt sich aber in drei klare Schritte zerlegen.
Viele Bewirtschafter fragen sich, ob hinter solchen Systemen eine Art Zauberei steckt oder ob sie das wirklich verstehen müssen. Die Antwort lautet: Sie müssen die Technik nicht beherrschen. Aber wer die Grundprinzipien kennt, trifft bessere Entscheidungen bei der Evaluation und weiss, was er von einem solchen System realistisch erwarten darf.
Die drei Bausteine: Hören, Denken, Sprechen
Jeder KI-Telefonassistent arbeitet nach dem gleichen Grundprinzip. Der Anruf durchläuft eine Pipeline aus drei Komponenten — in der Fachsprache STT, LLM und TTS genannt. Keine dieser Abkürzungen ist wichtig. Was zählt, ist das Zusammenspiel.
Baustein 1 — Spracherkennung (STT): Das System hört zu. Die gesprochene Sprache des Anrufers wird in Text umgewandelt. STT steht für "Speech-to-Text", also Sprache-zu-Text. Stellen Sie sich eine sehr präzise Diktierfunktion vor, die in Echtzeit mitschreibt, was jemand sagt.
Baustein 2 — Sprachmodell (LLM): Der Text wird verstanden und beantwortet. Ein sogenanntes Large Language Model — kurz LLM — analysiert den transkribierten Text, erkennt die Absicht des Anrufers und formuliert eine passende Antwort. Das ist der "Denkschritt".
Baustein 3 — Sprachsynthese (TTS): Die formulierte Antwort wird gesprochen. Text-to-Speech, kurz TTS, wandelt den Antworttext in eine natürlich klingende Stimme um. Der Anrufer hört eine Antwort — nicht eine Roboterstimme aus den 1990er-Jahren, sondern eine flüssige, menschlich wirkende Aussprache.
Diese drei Bausteine laufen in Sekunden ab, nahtlos und ohne Unterbruch.
Schritt 1: Spracherkennung — wie das System zuhört
Die Spracherkennung ist der erste und kritischste Schritt. Versteht das System den Anrufer nicht korrekt, scheitert alles Weitere.
Moderne STT-Systeme sind auf grosse Mengen an Audiodaten trainiert — Millionen von Stunden gesprochener Sprache in verschiedenen Dialekten, Akzenten und Sprechgeschwindigkeiten. Für Schweizer Hausverwaltungen ist das besonders relevant: Ein Mieter aus Basel spricht anders als einer aus Zürich oder Luzern. Die Frage, ob ein KI-Telefonassistent Schweizerdeutsch versteht, ist deshalb nicht trivial. Der Artikel wie KI-Telefonassistenten Schweizerdeutsch verstehen geht darauf ausführlich ein.
Was STT gut kann: klare Standardsprache, ruhige Umgebungen, häufige Wörter. Was STT schlechter kann: starke Mundart, Hintergrundlärm, sehr schnelles Sprechen oder seltene Eigennamen. Ein Mieter, der seinen Strassennamen mit starkem Walliser Dialekt buchstabiert, ist eine Herausforderung — das sollte jede Verwaltung bei der Evaluation berücksichtigen.
Schritt 2: Das Sprachmodell — wie das System denkt
Sobald der gesprochene Text vorliegt, übernimmt das Sprachmodell. Es beantwortet nicht einfach Fragen nach einem starren Skript. Es versteht Kontext.
Ein Beispiel: Ein Mieter ruft an und sagt "Ich habe ein Problem mit der Heizung, es ist kalt und mein Kind ist krank." Das Sprachmodell erkennt nicht nur das Stichwort "Heizung", sondern auch die Dringlichkeit der Situation. Es priorisiert den Anruf entsprechend — und leitet ihn als Notfall weiter, nicht als Routinemeldung. Wie Anrufkategorisierung durch KI im Detail funktioniert, ist ein eigenes Thema.
Das Sprachmodell arbeitet auf Basis von Wahrscheinlichkeiten. Es wurde auf riesigen Textmengen trainiert und hat dabei gelernt, was in welchem Kontext sinnvoll ist. Für den Einsatz in einer Hausverwaltung wird es zusätzlich auf spezifische Szenarien trainiert: Schadensmeldungen, Nebenkostenfragen, Schlüsselanfragen, Notfälle.
Eine wichtige Einschränkung: Das Sprachmodell weiss nur, was es gelernt hat und was ihm mitgegeben wird. Es kann keine Auskunft über den spezifischen Mietvertrag eines Anrufers geben, wenn es keinen Zugriff auf die entsprechenden Daten hat. Es ist kein Allwissender — es ist ein sehr guter Gesprächsführer mit definierten Grenzen.
Schritt 3: Sprachsynthese — wie das System antwortet
Die Antwort des Sprachmodells ist zunächst Text. TTS wandelt diesen Text in gesprochene Sprache um.
Frühe TTS-Systeme klangen mechanisch und unnatürlich — das hat viele Menschen misstrauisch gemacht. Aktuelle Systeme sind deutlich besser: Sie variieren Betonung, Pausen und Sprechtempo. Ein gut kalibriertes TTS-System klingt in einem normalen Gespräch kaum noch von einem Menschen zu unterscheiden.
Für Hausverwaltungen hat das eine praktische Konsequenz: Mieter legen nicht sofort auf, weil sie eine Roboterstimme hören. Sie führen das Gespräch durch — und das System kann seine Aufgabe erfüllen.
Die Wahl der Stimme, Sprache und Sprechgeschwindigkeit ist konfigurierbar. Schweizerdeutsche Aussprache, Hochdeutsch mit Schweizer Intonation oder eine neutrale Standardstimme — das sind Einstellungsparameter, keine technischen Grenzen.
Was die Pipeline leistet — und wo ihre Grenzen liegen
Die Kombination aus STT, LLM und TTS ermöglicht echte Gespräche. Nicht nur das Abspielen von Ansagen, nicht nur das Weiterleiten nach Tastendruck. Ein KI-Telefonassistent kann Fragen stellen, Antworten verstehen, nachfragen und strukturiert zusammenfassen.
Gemäss Erhebungen des Bundesamts für Statistik (BFS) entfallen in der Schweizer Immobilienverwaltung ein erheblicher Teil der täglichen Arbeitsstunden auf telefonische Routinekommunikation. Schadensmeldungen, Terminanfragen, Nebenkostenfragen — das sind repetitive Gespräche mit vorhersehbarem Verlauf. Genau hier ist die technische Pipeline am stärksten.
Wo sie an Grenzen stösst: bei emotional aufgeladenen Gesprächen, die menschliche Empathie erfordern. Bei juristisch heiklen Fragen, die eine fachkundige Beurteilung verlangen. Bei Anrufern, die sich weigern, mit einer KI zu sprechen. Der SVIT Schweiz betont in seinen Qualitätsrichtlinien die Bedeutung der persönlichen Beziehung zwischen Bewirtschafter und Mieter — ein Aspekt, den keine Technologie vollständig ersetzen kann.
Nicht jede Hausverwaltung braucht einen KI-Telefonassistenten. Wer fünf Liegenschaften verwaltet und täglich drei Anrufe erhält, löst das Problem mit einer guten Combox. Die Pipeline entfaltet ihren Nutzen dort, wo Volumen und Komplexität zusammentreffen — bei Verwaltungen mit mehreren hundert Mietobjekten, Pikettdienst-Anforderungen oder chronischem Personalengpass.
Datenschutz und Transparenz: Was mit dem Gespräch passiert
Die technische Pipeline endet nicht bei der Antwort. Das Gespräch wird transkribiert, kategorisiert und zusammengefasst. Diese Daten landen irgendwo — und das ist die Frage, die Schweizer Verwalter zu Recht stellen.
Das revidierte Datenschutzgesetz (DSG), das seit September 2023 in Kraft ist, stellt klare Anforderungen an die Bearbeitung von Personendaten. Sprachaufnahmen und Transkripte von Mietergesprächen fallen darunter. Relevante Punkte: Wo werden die Daten gespeichert? Werden sie für das Training von KI-Modellen verwendet? Wer hat Zugriff?
Ein seriöser Anbieter beantwortet diese Fragen transparent — mit Serverstandort in der Schweiz oder der EU, klaren Auftragsverarbeitungsverträgen und einer Opt-out-Möglichkeit für das Modelltraining. Mehr dazu im Artikel DSG und Datenschutz für Hausverwaltungen.Atreo löst genau dieses Problem. Testen Sie es kostenlos unter atreo.ch.
