Grok Voice am Telefon: Wie die Übergabe an Mitarbeitende funktioniert und was der Vertrag bei Anrufen verlangt

Der Beitrag richtet sich an Leitungen von Kundenservice und Contact Center sowie an die IT- und Datenschutzteams, die einen Telefonagenten mit Grok prüfen. Sinnvoll beginnt man nicht mit der Stimme, sondern mit dem Ende des Gesprächs: Wann übernimmt ein Mensch, und was weiß er dann? Preise und Vergleichswerte zu Grok Voice 3.0 stehen im Beitrag Grok Voice 3.0 im Kundenservice, die Vertragslage zu xAI insgesamt im EU-Check zu Grok.

Wo Grok Voice im Angebot von xAI steht

xAI, das inzwischen in der Dokumentation als SpaceXSI auftritt, bietet drei Bereiche an: die Grok-API für eigene Anwendungen, die Sprach-APIs und Grok Business und Enterprise für Teams. Die Übersicht steht auf der Seite xAI für Unternehmen. Zu den Sprach-APIs gehören Speech to Speech für Dialoge, Text to Speech zum Vorlesen und Speech to Text für Transkripte. Ein Telefonagent nutzt die erste: Laut Dokumentation läuft das Gespräch über eine WebSocket-Verbindung zu wss://api.x.ai/v1/realtime, das Modell heißt grok-voice-3.0, der Alias grok-voice-latest zeigt darauf. Grok Voice 2.0 ist als veraltet markiert.

Nicht abgedeckt sind ein fertiges Contact-Center-System, ein Ticketsystem und eine Oberfläche für Mitarbeitende. xAI liefert den Gesprächspartner, die Weiterleitung und die Anbindung an Werkzeuge. Warteschlangen, Routing zu Teams, Gesprächsprotokolle und Auswertungen bleiben Aufgabe des Telefonanbieters, des Contact Centers oder der eigenen Software.

Der Listenpreis liegt bei 0,08 US-Dollar je Minute und 0,004 US-Dollar je Texteingabe. Dazu kommen die Minuten beim Telefonanbieter und, nach einer Weiterleitung, die Zeit der Mitarbeitenden.

Wie ein Anruf zu Grok Voice kommt

Die SIP-Anleitung beschreibt drei Schritte. Das Unternehmen registriert eine eigene Rufnummer bei xAI und hinterlegt eine Webhook-Adresse. Rufnummern von xAI selbst lassen sich per API nicht bestellen. Der Telefonanbieter oder die Telefonanlage leitet Anrufe an eine SIP-Adresse unter sip.voice.x.ai weiter, möglichst verschlüsselt über TLS. Geht ein Anruf ein, schickt xAI einen signierten Webhook mit einer Gesprächskennung. Die eigene Anwendung verbindet sich damit zum Gespräch und legt Anweisungen, Stimme und Werkzeuge fest.

Als Beispiele nennt xAI Twilio, Bandwidth, Telnyx und Plivo sowie eigene SIP-Anbieter. Für Unternehmen heißt das: Neben xAI ist fast immer ein zweiter Dienstleister im Datenfluss, der Telefonanbieter. Er braucht einen eigenen Vertrag und eine eigene Datenschutzprüfung. Wer eine bestehende Telefonanlage oder ein Contact Center anbindet, kann den Agenten als eine Station unter mehreren einsetzen und die Weiterleitung an vorhandene Warteschlangen richten.

Tastendrücke am Telefon kommen als Text beim Modell an, etwa für eine Kundennummer. Der Agent kann über ein mitgeliefertes Werkzeug auch selbst Töne senden, um sich durch ein fremdes Telefonmenü zu bewegen. Beides gibt es nur bei SIP-Gesprächen.

Wie die Übergabe an Mitarbeitende funktioniert

Für die Übergabe gibt es den Befehl refer: Die eigene Anwendung ruft POST /v1/realtime/calls/{call_id}/refer mit einer Zieladresse auf, etwa sip: oder tel:. Laut Dokumentation wartet die Anfrage, bis die Weiterleitung entschieden ist. Eine erfolgreiche Antwort bedeutet, dass das Ziel abgenommen hat, nicht nur, dass es klingelt. Lehnt die Gegenstelle ab, kommt ein Fehler mit dem SIP-Grund zurück, bei Zeitüberschreitung ein eigener Fehlercode.

Wichtig für den Ablauf: Scheitert die Weiterleitung, bleibt der Anrufer in der Leitung, und der Agent kann weitersprechen. Er erfährt davon aber nicht von selbst. Die Anwendung muss das Ergebnis lesen und dem Agenten mitteilen, was er sagen soll, etwa einen Rückruf anbieten. Während die Weiterleitung läuft, hört der Anrufer einen Wählton.

Redaktionelle, schematische Darstellung von AI-Fabrik nach der SIP-Dokumentation von xAI, kein Produkt-Screenshot. Die Speicherung des Gesprächsstands im eigenen System ist unsere Empfehlung, keine Funktion von xAI.

Der Kontext ist die eigentliche Lücke. Laut FAQ der SIP-Anleitung leitet xAI die Zieladresse samt Parametern weiter, eigene SIP-Header aber nicht. Ohne eigene Integration nimmt also ein Mensch ab, der nicht weiß, wer anruft und was schon besprochen wurde. Praktikabel ist ein Werkzeug, das der Agent vor der Weiterleitung aufruft: Es legt Anliegen, Kundennummer und Stand im Ticket- oder CRM-System ab, und die Mitarbeitenden sehen den Eintrag beim Annehmen. Ob die Zieladresse selbst eine Kennung tragen kann, über die das Contact Center den Eintrag findet, hängt vom eigenen Telefonsystem ab und sollte mit dem Anbieter getestet werden.

Ein hypothetisches Beispiel: Ein Kunde ruft wegen einer beschädigten Lieferung an und will eine Gutschrift. Der Agent erfasst Kundennummer, Bestellung und Schaden und legt darüber ein Werkzeug ein Ticket an. Weil Gutschriften Mitarbeitenden vorbehalten sind, sagt er: „Ich verbinde Sie mit dem Reklamationsteam, Ihr Anliegen liegt dort schon vor.“ Die Anwendung startet die Weiterleitung, das Team ist besetzt, die API meldet einen Fehler. Die Anwendung gibt dem Agenten nun den nächsten Satz vor: Rückruf bis zu einer festgelegten Zeit anbieten und die Rückrufnummer bestätigen lassen. Das Ticket bekommt den Vermerk „Weiterleitung gescheitert, Rückruf zugesagt“. Nimmt das Team ab, sieht die Mitarbeiterin dasselbe Ticket und muss nicht von vorn fragen.

Für die Auslöser gibt der Prompting-Leitfaden von xAI eine brauchbare Vorlage: sofort übergeben, wenn der Anrufer einen Menschen verlangt, bei starker Unzufriedenheit, nach zwei gescheiterten Werkzeugaufrufen zur selben Aufgabe oder drei Mal hintereinander ohne verwertbare Eingabe und bei Themen außerhalb des Auftrags. Bei Hinweisen auf Selbstgefährdung oder Notfälle soll der Agent auf Hilfsangebote verweisen und übergeben. Diese Regeln stehen im Prompt. Ob die Weiterleitung tatsächlich startet, entscheidet die eigene Anwendung. Für harte Fälle wie den ausdrücklichen Wunsch nach einem Menschen sollte sie den Auslöser deshalb auch selbst prüfen und nicht allein dem Modell überlassen.

Was der Vertrag bei Telefonaten verlangt

Bei einem Anruf kommen Stimme, Rufnummer und meist auch Name und Anliegen beim Agenten an. Der Auftragsverarbeitungsvertrag vom 22. September 2026 verpflichtet Kunden, Personendaten nur über die ZDR-API zu verarbeiten. Personendaten in den Diensten ohne Null-Speicherung gelten als wesentlicher Vertragsverstoß. Für einen Telefonagenten mit echten Kunden ist ZDR damit keine Option, sondern Voraussetzung.

ZDR ist laut Sicherheits-FAQ eine Einstellung für das ganze Team, nicht für einzelne Schlüssel. Sie hat Folgen für den Telefonbetrieb: Die Gesprächsverläufe von Sprachagenten werden unter ZDR nicht gespeichert, die Protokollierung von Anfragen je Schlüssel entfällt. Administrative Ereignisse wie das Anlegen von Schlüsseln oder Änderungen am Team stehen weiter im Audit-Log der Konsole, der Inhalt von Anfragen und Antworten nicht. Die Dokumentation bietet zudem eine Wiederaufnahme von Gesprächen an, die Verläufe bis zu 30 Minuten zwischenspeichert, etwa für einen späteren Rückruf. Ob diese Funktion unter ZDR verfügbar ist, sagt die Dokumentation nicht ausdrücklich. Nach unserem Verständnis passt sie nicht zur Null-Speicherung; vor dem Pilot schriftlich klären. Wer Gesprächsprotokolle für Qualitätssicherung oder Beschwerden braucht, muss sie selbst speichern und dafür eine eigene Rechtsgrundlage und Löschfrist festlegen.

Der zweite Punkt ist der Ort. Laut Seite zu den regionalen Endpunkten garantiert der globale Endpunkt keinen Verarbeitungsort. Der US-Endpunkt mit Standortzusage bedient die Sprach-APIs nicht, eine EU-Region gibt es nicht. Für Anrufe aus der EU ist das eine Übermittlung ohne zugesagten Ort, die in der Drittlandprüfung bewertet werden muss.

Deutsche Gespräche: was xAI zusagt und was der Test zeigen muss

Deutsch steht in der Liste der unterstützten Sprachen mit dem Code de. xAI spricht von Akzenten in muttersprachlicher Qualität und automatischer Spracherkennung. Das ist eine Herstellerangabe. Regionale Varianten wie Schweizerdeutsch oder österreichische Färbungen führt die Liste nicht gesondert, anders als etwa bei Spanisch und Portugiesisch. Unabhängige Messungen für deutsche Telefongespräche haben wir nicht gefunden.

Für die Abstimmung gibt es vier Stellschrauben. Ein Sprachhinweis (language_hint: "de") richtet die Spracherkennung auf Deutsch aus. Bis zu 100 Fachbegriffe, etwa Produktnamen, lassen sich als Schlüsselbegriffe vorgeben. Ersetzungen korrigieren die Aussprache, ohne das Transkript zu ändern. Und der Leitfaden empfiehlt eine feste Sprachregel im Prompt, wenn das Modell ungewollt die Sprache wechselt. Ob ein Anrufer, der ins Englische wechselt, auf Englisch weiterbedient werden soll, ist eine Servicefrage, die man vorher entscheiden sollte.

Ein Testplan für den Pilot muss die Fälle enthalten, an denen Telefonagenten im Alltag scheitern. Ein Vorschlag, als Empfehlung von AI-Fabrik und nicht als gemessene Liste:

Testplan von AI-Fabrik, keine Ergebnisse. Abnahmewerte legt das Unternehmen selbst fest. Mehr zur Abnahme im Beitrag mit 20 Testfällen für KI-Assistenten.

Der Aufwand sollte zum Risiko passen. Für einen ersten Test reichen synthetische Anrufe mit erfundenen Anliegen und Testdaten. Auch die Stimmen von Kolleginnen und Kollegen sind personenbezogene Daten. Wer sie für Testanrufe einsetzt, braucht eine geeignete Rechtsgrundlage; bei einer Einwilligung ist die Freiwilligkeit im Beschäftigungsverhältnis besonders zu prüfen (Europäischer Datenschutzausschuss). Nach dem Vertrag von xAI ist zudem ein Team mit ZDR nötig. Einfacher ist es, im ersten Test ganz auf echte Stimmen zu verzichten und Anrufe etwa mit Sprachausgabe zu simulieren. Für einen Pilot mit echten Kunden in einem begrenzten Anliegen braucht es ZDR, die Drittlandprüfung, den KI-Hinweis und die Übergabe mit Kontext. Bei Anliegen mit Zahlungen, Gesundheit oder Verträgen kommen eine engere Begrenzung der Werkzeuge und eine Freigabe schreibender Aktionen durch Mitarbeitende hinzu. Ein Sprachagent, der Bestellungen ändert, braucht dieselben technischen Grenzen wie jede andere Anwendung mit Schreibrechten.

Pilotfragen vor dem ersten echten Anruf

1. Ist für das Team, das die Anrufe annimmt, Null-Speicherung aktiv, und prüft die Anwendung den Header x-zero-data-retention?
2. Hat die Datenschutzprüfung die Übermittlung ohne zugesagten Verarbeitungsort und den Telefonanbieter als weiteren Dienstleister bewertet?
3. Welche Auslöser führen zur Übergabe, welche prüft die Anwendung selbst, und wohin wird weitergeleitet?
4. Wie kommt der Gesprächsstand bei den Mitarbeitenden an, und wo und wie lange speichern wir ihn?
5. Was sagt der Agent bei einer gescheiterten Weiterleitung, und wie viele deutsche Testanrufe mit Grenzfällen müssen vor der Freigabe bestanden sein?

Fazit: Erst die Übergabe bauen, dann die Stimme abstimmen

Quellen

Weiterführende Artikel auf AI-Fabrik