Durchbruch bei KI-Telefonagenten: Technik, Kosten und Praxis

Wieso schrumpft die Zahl der Callcenter-Jobs, die 15 Jahre lang weltweit um rund 4 % pro Jahr gewachsen ist, jetzt plötzlich um 4 % pro Jahr und zwar erstmals auch in Ländern wie Indien oder den Philippinen? Das KI-Startup Tavus schickt Anfang Oktober 54 Menschen in einen kurzen Video-Call mit einer vermeintlich anderen Studienteilnehmerin, deren Gesicht, Stimme und Antworten in Wahrheit live von einer KI erzeugt werden und am Ende halten 48 % ihr Gegenüber für einen echten Menschen. Gleichzeitig nutzen über 150 Millionen Menschen ChatGPT jede Woche per Sprache, sodass es für immer mehr Menschen zum Alltag wird, mit einer KI zu sprechen statt ihr zu schreiben und wir den Sprach-Turing-Test offensichtlich jetzt geknackt haben. Doch die meisten haben schlicht nicht mitbekommen, dass KI-Telefonagenten gerade endlich die gläserne Decke durchbrochen haben und genau daraus ergibt sich für dich jetzt ein goldenes Zeitfenster von etwa 6 bis 12 Monaten, in dem du von diesem Boom maßgeblich profitieren kannst. In diesem Mega-Kurs lernst du komplett kostenfrei, wieso Voice Agents jetzt dank drei konkreten Durchbrüchen breitflächig ausgerollt werden, wie du solche Agenten mit Cloud und Codix selbst baust, testest und an deine Systeme anbindest, welche realen Anwendungsfälle im DACH-Raum jetzt funktionieren und wieso jetzt erstmals sogar KI-Cold-Calls wirklich funktionieren. Bereits vor Jahren habe ich diese Entwicklung übrigens genau vorausgesagt und 2024 war dann so der Zeitpunkt, an dem der Markt entstanden ist. Dann Mitte 2024 haben die ersten Unternehmen angefangen, Voice Agents wirklich zu implementieren und wurden dadurch auch Vorreiter ihrer Branche. Ich habe hier ein Beispiel von Dimitri, das ist einer unserer Kunden mitgebracht, der ist im PV-Bereich selbstständig und ich, ich erinnere mich an ein letztes Gespräch mit Dimitri, in dem er mir erzählte, Leo, ich stand damals an dem Punkt, das war jetzt Mitte 2024, an dem ich mich entscheiden musste. Stelle ich entweder weitere Vertriebsmitarbeiter ein, um zu wachsen, oder stelle ich AI-Voice-Agents ein und für mich war das eine schwierige Entscheidung, weil all meine Geschäftspartner, Kollegen haben mir natürlich gesagt, ja Voice AI, das ist doch ein hohes Risiko, du hast ja auch hohe Implementierungskosten und der hat in nur vier Monaten über 500.000 € mehr Umsatz gemacht durch die AI-Voice-Agents und im Nachgang betrachtet war das die beste Entscheidung, die er je hätte treffen können. 2025, das ist der Stand heute, reden viele über KI, also es wird wirklich viel geredet, viele implementieren KI auch in ihre Offers, weil es sich auch einfach gut anhört und jeder so ein bisschen weiß, ich muss was machen mit AI, aber wir befinden uns noch nicht in der Lage, in der wirklich jedes Unternehmen fundamental KI integriert hat. Und diese Frage wird sich nächstes Jahr nicht mehr stellen, das ist meine These für 2026, 2027, da wird das große Aufwachen nämlich stattfinden und die Frage ob stellt sich nicht mehr. Aktuell fragen sich alle ob, nächstes Jahr fragen sich alle wie. Du siehst, mit Everlast AI habe ich das ganze Thema überhaupt erst bekannt gemacht, die letzten Jahre und damit hunderten KI-Agenturen einen völlig neuen Markt eröffnet. Ich habe selbst Millionen durch die Implementierung von tausenden Voice Agents verdient, kenne alle relevanten Spieler in dem Bereich von innen und genau diese Early-Adopter-Phase von damals, die ist jetzt offiziell vorbei und deswegen ist es mir weiterhin, genau wie damals, eine Herzensangelegenheit, die alle Entwicklungen genau zu zeigen, denn es hat sich wirklich einiges verändert, das nicht nur die Qualität von Voice Agents substanziell verbessert hat, sondern es auch für dich deutlich einfacher macht, diese zu implementieren, egal ob für dein Unternehmen oder für andere Unternehmen. Warum das so ist, lässt sich auf drei Kriterien herunterbrechen und um diese zu verstehen, hier noch mal eine kurze Zusammenfassung, wie Voice Agents grundsätzlich funktionieren. Ruft ein Kunde an oder bist du im Telefonat mit einem Menschen, wandelt ein Transkriptionsmodell, also STT-Modell, seine Sprache zunächst in Text um, ein LLM, wie GPT, entscheidet, was geantwortet wird und ein Text-to-Speech-Modell, spricht die Antwort dann zurück ins Telefon. Speech-to-Speech-Modelle, wie GPT Realtime, die auf derselben Technik beruhen, wie der Advanced Voice Mode, den du schon seit Herbst 2024 in ChatGPT hast, erledigen alle drei Schritte in einem einzigen Modell und sind halb duplex, das bedeutet, sie hören zu, bis du eine Pause machst und antworten erst dann, das ist ähnlich wie bei einem Funkgerät. GPT Live ist seit Juli dagegen Vollduplex, das bedeutet, es hört auch dann weiter zu, während es selbst spricht und entscheidet laufend, ob es weiter redet, abbricht, kurz wartet, oder nebenbei ein Tool aufruft, genau wie ein Mensch am Telefon und das ist auch genau das Modell, das du heute in ChatGPT so nutzen kannst, wenn du mit ChatGPT sprichst. Damit nun zum ersten Kriterium, Intelligenz. Bis Anfang 2024 lagen die KI-Modelle Mensa Norway IQ-Test unter dem menschlichen Durchschnitt von 100. GPT-4 kam auf etwa 85, seit dem Frühjahr 2026 sind wir bei etwa 150 und heute lösen die besten Modelle bereits alle 35 Aufgaben des Tests und erreichen damit die Höchstpunktzahl von 151 IQ. Opus 4.5 im November 2025 war das erste Modell, das reale Arbeit über das Beantworten von ein paar Fragen hinaus übernehmen konnte und spätestens seit Opus 5.5, GPT-6 Astra und seit dem Lösen tausender offener Mathematikprobleme in wenigen Wochen erlebt jeder im täglichen Arbeiten, dass Intelligenz kein Flaschenhals mehr ist. Doch Intelligenz geht natürlich weiter als der IQ, denn ein intelligenter Callcenter-Mitarbeiter wüsste ja auch, wann er welches Tool öffnen muss, wo er Daten einzutragen hat, dass er eher schnell statt langsam antwortet, sich an den Leitfaden hält und sich natürlich möglichst menschlich und empathisch verhält und genau das ist jetzt auch gelöst, im Tau Voice Benchmark von Sierra und der Princeton University schaffen Voice Agents im März 2026 bei Kundenservice-Aufgaben nur 30 bis 45 % ihrer Leistung im Textchat. Heute löst GPT Live, im Nachfolger T hoch 3 Voice, 81,7 % dieser Aufgaben, ruft Tools auf, ohne das Gespräch zu unterbrechen und besteht im Full-Duplex-Bench 97 % der Tests zu Unterbrechungen und Sprecherwechseln. Selbst IT-Fachleute, die vor Fälschungen gewarnt werden, halten einen KI-Satz in einer echten Aufnahme inzwischen in 77 % der Fälle für echt. Kriterium Nummer 2 sind die Kosten, denn nur weil ein Modell intelligent und menschlich ist, rechnet es sich ja noch nicht im realen Betrieb, weshalb man fast nie mit den besten Modellen arbeiten kann in KI-Telefonagenten. Wie ich schon mehrfach vorgerechnet habe, muss ein Voice Agent auf ca. 15 bis 30 Cent maximal pro Minute kommen, damit er sich wirtschaftlich lohnt und das war auch der Preis, auf den sich die gesamte Branche die letzten Jahre eingependelt hat. Nehmen wir mal an, deine Mitarbeiter telefonieren 100-mal pro Tag, jedes Gespräch dauert 5 Minuten plus 5 Minuten Nachbereitung, das sind 10 Minuten pro Anruf, bei 100 Anrufen mal 10 Minuten sind das 1000 Minuten pro Tag, das sind 16,67 Stunden Arbeit pro Tag, dafür brauchst du also mindestens zweieinhalb Vollzeitarbeitskräfte, sagen wir mal, du zahlst deinen Telefonisten nur rund den Mindestlohn von mittlerweile 14 € pro Stunde, macht das inklusive 30 % Arbeitgeberanteil und Nebenkosten 7280 € pro Monat plus Pausen, Krankheitstage, Urlaub, Fluktuation, Einarbeitung und Gespräche, die nicht immer auf Top-Niveau geführt werden, ein Voice Agent braucht für denselben Job nur die Hälfte der Zeit, weil er ja keine Nachbereitung braucht, alles passiert automatisch im Telefonat, somit bist du bei 100 Anrufen mal 5 Minuten realer Telefonzeit bei 500 Minuten pro Tag, das sind 8,33 Stunden Arbeitszeit und jetzt wird spannend, bei 15 Cent pro Minute macht das 75 € pro Tag und bei 21 Arbeitstagen Erreichbarkeit mal 75 € sind das 1575 € pro Monat und das ohne Lohnnebenkosten, ohne Krankheit oder Urlaub, unterm Strich zahlst du für menschliche Telefonisten also seit 2025 fast das Fünffache. 2024 waren die Kosten bei 20 bis 30 Cent pro Minute, das war also etwa das Doppelte. Doch das alles eben auf Kosten von Kriterium 1, sprich die Agenten waren zwar günstiger als der Mensch, doch es dauerte lange, sie auf das gleiche Niveau zu bringen und die meisten hörten schon doch, dass sie mit einer Maschine sprechen, das liegt daran, dass die GPT-Realtime-Modelle mit 35 bis 38 Cent pro Minute allein immer zu teuer waren und jeder, also wirklich auch die großen Namen, die du kennst, ElevenLabs, Fonio, Vapi, Retell und so weiter, bis heute mit dem alten STT-LLM-TTS-Ansatz, den ich gerade erklärt habe, arbeiten, oft mit günstigen Modellen wie Gemini 3.5 Flash beispielsweise, um auf diese 10 bis 15 Cent Marke zu kommen, doch das hat sich jetzt seit dem 10. September radikal verändert und ich betone, das ist eine neue tektonische Verschiebung für Voice Agents, denn GPT-Live kannst du jetzt für nur 5 Cent pro Minute einsetzen, das betrifft die Sprachebene, denn für die Denkeebene, also das Modell, das im Hintergrund entscheidet, was gesagt und welches Tool aufgerufen wird, bindest du noch ein zweites Modell ein, im wobei ein aktuell gutes und völlig ausreichendes Modell dafür GPT-6 Luna mit Medium Reasoning Effort beispielsweise ist, das aber nur rund 0,2 bis 0,4 Cent pro Minute kostet, so dass du insgesamt bei etwa 5,3 Cent pro Minute landest, was in unserem Beispiel mit 500 Gesprächsminuten pro Tag rund 560 € im Monat bedeutet, also nicht mehr ein Fünftel, sondern nur noch etwa ein 13. dessen, was dich menschliche Telefonisten kosten, ich wiederhole das noch einmal, weil das so wichtig ist, 5 Cent pro Minute für ein Modell, das Kriterium 1 volllumfänglich erfüllt, also menschlich klingt, intelligent handelt und Zuhören und Sprechen in einem einzigen Vollduplexmodell löst, dazu kommen dann nur noch die Telefoniekosten. Kriterium Nummer 3 ist die Einfachheit der Implementierung, also die Anbindung an alle Unternehmenssysteme, daran scheitern nämlich in der Praxis die meisten in Eigenregie gestarteten Voice-Agent-Projekte laut einer Studie von Roland Berger unter 550 Kundenservice-Verantwortlichen scheitert die Skalierung von KI im Kundenservice vor allem an Datenqualität, Systemintegration und Alt-Systemen, auch wir haben hunderte Unternehmen wie Ärzte und Zahnärzte als Kunden abgelehnt die letzten Jahre, weil Praxisverwaltungssysteme notorisch keine API-Schnittstellen angeboten haben und viele andere sind an zu komplex werdenden N8N oder AWS-Strukturen gescheitert, die sie nicht mehr verstanden haben, doch das ist jetzt gelöst, erstens übernehmen Coding-Agents wie Claud Code oder Codix über CLI, MCPs und Skills die technische Anbindung für dich und zweitens, wo eine Software gar keine Schnittstelle hat, ist Browser-Use, Computer-Use oder das Reverse Engineering der internen APIs mittlerweile so gut, dass das Thema faktisch kein Hindernis mehr darstellt. Im Benchmark OSWorld-Verified lösen Agenten beispielsweise bereits 85 % der Aufgaben am Computer und damit rund 13 % Punkte mehr als die Menschen, die im ursprünglichen Test auf 72 % kamen, zudem brauchst du selbst das an einigen Stellen nicht mehr mit einigen Kunden haben wir jetzt komplett eigene Praxisverwaltungssysteme, ERP-Systeme, Personalmanagementtools und so weiter gebaut, so dass die Schnittstellen überhaupt kein Problem mehr darstellen und nahezu jeder denkbare Anwendungsfall ab sofort umsetzbar ist. Das werde ich dir gleich übrigens auch alles in der Praxis beweisen, fassen wir also zusammen, Voice Agents sind heute, wenn man es richtig macht, wie ich die gleich zeigen werde, so intelligent und menschlich, dass sie über 80 % der Aufgaben im Kundenservice lösen und selbst Profis sie kaum noch heraushören, sie kosten nur noch rund 1/5 bis 1/13 eines menschlichen Telefonisten und sie lassen sich dank Coding-Agents und Computer-Use an praktisch jedes System anbinden, damit sind zum ersten Mal alle drei Kriterien gleichzeitig erfüllt und genau deshalb kommen Voice Agents gerade aus der Early-Adopter in die Early-Majority-Phase. Danach kommen nach Rogers Diffusionsmodell nur noch die Late-Majority und die Laggards, also die, die keinen Vorteil mehr haben werden, sondern einfach nur noch mitziehen, das ist auch der Grund für das Callcenter-Sterben, das gerade jetzt erst beginnt, ganz ehrlich, wir haben mit Everlast AI bereits dutzende Offshore-Callcenter die letzten Jahre wegrationalisiert und als nächstes werden natürlich die inländischen folgen, das Outsourcing-Riese Concentrix im Sommer seine Zahlen vorlegt, bricht die Aktie z. B. um über 20 % ein und reißt den Branchen-Primus Teleperformance gleich mit, T-Mobile lässt in den USA bereits 40 % aller Kundenkontakte von KI-Agenten bearbeiten, hat die Anrufe bei menschlichen Mitarbeitern um 55 % reduziert und will bis Ende 2027 auf -75 % kommen und ähnliches ist in Deutschland auch bereits angekündigt oder Allianz Partners, die Assistance-Tochter der Allianz streicht bis zu 1800 Stellen und noch mal Callcenter-Jobs fallen jetzt insgesamt um 4 % pro Jahr, also jetzt weißt du, wieso Voice Agents endlich breitflächig ausgerollt werden und hier kommen jetzt, bevor wir in die Praxis gehen und das gemeinsam umsetzen, meine nächsten 10 Prognosen für die nächsten Jahre. Erstens, bis Ende 2027 bekommst du ein Modell in GPT-Live-Qualität zu einem Zehntel des Preises, macht ca. 0,5 Cent pro Minute, also rund 200 € für einen Agenten, der rund um die Uhr 24/7 für dich arbeitet, zweitens der Markt kippt und Menschen sprechen im Durchschnitt lieber mit einem gut implementierten KI-Agenten als mit Menschen, denn sobald eine Maschine besser ist als der Mensch, wird sie akzeptiert, KI wird menschlicher als der Mensch, drittens in zwei Jahren sitzt auf beiden Seiten der Leitung eine KI, viele Verbraucher telefonieren nicht mehr selbst, sondern lassen ihren persönlichen Agenten, ob das Muse, Grokbot, Dots oder irgendwas Neues ist, lasse ich hier offen, sie werden den persönlichen Assistenten beim Inbound-Agenten des Unternehmens anrufen lassen. Viertens klassisches Cold-Calling stirbt in 3 bis 5 Jahren aus, weil Rezeptionisten, Entscheider und selbst die Telefonanbieter standardmäßig KI-Agenten vorschalten, fünftens das Anrufvolumen explodiert, denn wenn ein Anruf fast nichts kostet, wird jede Rechnung, jeder Termin und jeder Lead nach telefoniert, der die letzten Jahre liegen geblieben ist und Unternehmen führen 10 bis 100 mal mehr Telefonate als heute, sechstes, wer keinen Voice Agent hat, ist nicht mehr erreichbar, denn wenn die persönlichen Assistenten der Kunden anrufen, brauchen Unternehmen eine Gegenseite, die rund um die Uhr in Sekunden antwortet, so wie man vor 10 Jahren eine mobile Website brauchte, siebtens, bis Ende 2028 erlässt die EU ein Gesetz, das in bestimmten Branchen das Recht auf einen Menschen vorschreibt, das hat übrigens Gartner bereits 2024 gesagt, daher schließe ich mich dem hier einfach mal an, achtens, weil KI-Stimmen menschlicher wirken als Menschen, wird nicht mehr die KI gekennzeichnet, sondern der Mensch, Anrufe echter Personen bekommen ein Siegel wie den blauen Haken und die eigene Stimme wird zum Vermögenswert, den man lizenziert oder sogar schützt, so wie Italiens Ministerpräsidentin Meloni im Übrigen ihre Stimme am 5. Oktober als Marke angemeldet hat, neuntens die Sprachbarriere fällt komplett, weil jeder Agent dutzende Sprachen und Akzente live spricht und damit viele Offshore-Callcenter nach den billigen Löhnen auch ihren letzten Vorteil verlieren, zehntens vertikale Anbieter und Agenturen rechnen nicht mehr pro Minute ab, sondern pro Ergebnis, denn wenn die Minute nur noch Bruchteile eines Cents kostet, ist die Abrechnung pro gebuchtem Termin, gelöstem Fall oder gewonnenem Kunden deutlich lukrativer. Jetzt weißt du also, wieso ich nur eindringlich darauf hinweisen will, dass wir jetzt ein goldenes Zeitfenster von 6 bis 12 Monaten haben und es sich rückblickend betrachtet als verpasste Millionen-Chance herausstellen wird, jetzt nicht einzusteigen. Also, kommen wir zum Praxisteil, wie baut man so einen Voice Agent? Die letzten Jahre waren dabei zwei Ansätze dominierend, erstens vertikale Telefonagenten, das sind Plattformen und Tools, die du findest, wenn du KI Telefonagent Immobilien Handwerk Arztpraxis und so weiter bei Google eingibst, zweitens Orchestration Layer, das sind Plattform-Tools wie Fonio, Vapi oder ElevenLabs, mit denen du deine Agenten selbst baust, in den Tutorials der letzten Jahre habe ich immer den zweiten Ansatz empfohlen, da du hier die meisten Möglichkeiten und die niedrigsten Kosten hast, genau das stellt sich jetzt auch mit Hinblick auf unsere drei Kriterien als richtig heraus, da alle die auf 1 gesetzt haben jetzt in alten System gefangen sind und von allen drei Durchbrüchen gar nicht oder viel zu spät profitieren. Was die meisten nicht wissen, das ist auch einen dritten Ansatz gibt, sogenannte Voice Agent Frameworks, ich nenne den jetzt mal Layer Zero, einfach weil es griffiger ist, ja das sind Frameworks wie LiveKit, PipeCat oder sogar von Grund auf selbst programmierte Frameworks, mit denen man eine solche Plattform selbst bauen kann und auf denen z.B. OpenAI den Sprachmodus von ChatGPT betreibt oder eben auch viele der Orchestration Layer, die ich gerade eben genannt habe. Der Vorteil hierbei ist, dass du dir selbst die Plattformgebühr pro Minute sparst und noch mehr Freiheit hast, dafür hast du aber auch einen größeren Aufwand. Dieser Ansatz war bis Mitte 2026 aufgrund der bereits besprochenen Gründe nicht rational, doch das hat sich nun ebenfalls geändert, da du hier problemlos mit Coding-Agents arbeiten kannst, besonders spannend ist es für alle, die viel Wert auf Kontrolle über die eigene Infrastruktur, Datenschutz und Self-Hosting legen. In der Praxis willst du heute also Ansatz 2 oder 3, da sich der Wartungsaufwand einfach nicht immer lohnt trotz Coding-Agents und Verkauf im Zweifel 1 an Unternehmen, die von alldem nichts wissen wollen. Wie das alles funktioniert und vor allem einige Hacks und Best Practices, die wir aus tausenden Projekten nun gelernt haben, zeige ich dir jetzt anhand von fünf Use-Cases, die wir gemeinsam umsetzen. Erstens Jarvis, also ein persönlicher Sprachassistent, mit dem du von überall aus sprichst wie Tony Stark mit seiner KI und der wie eine tatsächliche Assistenz der Geschäftsleitung angebunden ist an all deine Systeme und darin Aufgaben für dich ausführen kann auch während du unterwegs bist, zweitens ein mehrsprachiger Inbound-Rezeptionist mit dynamischen Prompts, die sich z.B. an Uhrzeit, Feiertag oder Sonntag anpassen und Tool-Calls, wie das Abrufen von Kundendaten vor oder nach dem Gespräch für ein nahtloses und menschliches Kundenerlebnis, drittens die Arztpraxis und das Hotel, also zwei Branchen, deren Software meistens keine öffentliche Schnittstelle hat, weshalb ich dir zeige, wie du einen Voice-Agent komplett ohne öffentliche API in Systeme einbindest, viertens KI Cold-Calling mit GPT Live, bei dem der Agent mit menschlichen Füllwörtern spricht und in einem Self-Learning-Loop seine eigenen Transkripte auswertet, um daraus Verbesserungen für den eigenen Prompt abzuleiten, sodass er mit jedem Anruf ein Stück besser wird, fünftens eine eigene Trainingsplattform für deine Mitarbeiter, auf der dein Team schwierige Kundengespräche mit einem Voice-Agent so oft übt wie es will, bevor es damit ans echte Telefon geht und als Bonus zeige ich dir noch eine Eval-Plattform mit der du automatisiert alle Gespräche deiner Voice Agents bewerten und analysieren kannst. Also, starten wir jetzt rein mit Use-Case Nummer 1. Guten Morgen Leo, was steht an? Hi Jarvis, sag du es mir, was ist wichtig für heute? Ich schaue ins Briefing. Heute hast du zwei Termine, 22 ungelesene Mails, als heißesten Lead Thomas Müller von der Müller GmbH mit Unterschrift heute um 15 Uhr und eine offene Pipeline von 393. Okay, danke der Jarvis. Es hört sich doch gut an, dann kümmere dich als erstes bitte um die Müller GmbH. Ich übernehme das Leo. Ich habe den Auftrag gestartet und kümmere mich um die Müller GmbH. Ich habe den Plan für die Müller GmbH vorbereitet: eine Mail an Thomas Müller, der Termin um 15 Uhr, die Info an den Vertriebskanal und das Verschieben des Deals auf Verhandlung. Soll ich das so ausführen? Ja, hast die Freigabe. Ich führe den Plan aus. Sag mir währenddessen Jarvis, auf welche Tools hast du überhaupt Zugriff? Ich greife auf E-Mail, Kalender, CRM, Team-Kanäle, Anrufe und das Dashboard zu. Vier Aufgaben in 10,6 Sekunden erledigt, von Hand wären das ungefähr 14 Minuten gewesen. Gute Arbeit Jarvis, du hast vorhin erwähnt, ich habe heute einige Termine im Kalender, zeig mir bitte noch mal meinen Kalender und welche Termine heute offen sind. Ich zeige dir die Termine, heute hast du um 9:30 Uhr Team-Standup, um 11 Uhr Q4 Pipeline-Review und um 15 Uhr den Unterschrift-Termin mit der Müller GmbH. Okay, 17. 10. ja. Jarvis, okay, wir machen jetzt mal folgendes, hör mir mal gut zu Jarvis und zwar ich habe hier meinen Kalender offen, der ist nämlich wirklich live angebunden und ich habe hier einen Zufallsgenerator dort würfle ich jetzt mal vier Wörter, die Wörter hör gut zu, heißen Kostenexplosion, Feld, Kennzeichen, Asphalt, merkt dir diese Wörter und trag die als Termin am 5. 11. von 14 bis 18 Uhr im Kalender ein. Ich trage den Termin ein. Ich habe den Termin für den 5. November von 14 bis 80 Uhr eingetragen. 18 Uhr, vielen Dank Jarvis, und ja, jetzt gehe mal bitte zurück ins CRM-System, da hatte ich einen Lead gesehen, Brandt AG, wo steht der Lead gerade? Ich suche nach der Brandt AG. Die Brandt AG ist in der Phase qualifiziert, hat einen Wert von 48.000 € und der nächste Schritt ist: Workshop-Termine im Q4 vorzuschlagen. Okay, dann verschieb den Lead schon mal in den Status Angebot und legt das Angebot an. Ich verschiebe den Deal. Ich habe den Lead der Brandt AG in die Phase Angebot verschoben. Wie viel Auftragsvolumen steht hier im Raum? Ich zeige dir das Volumen, das Volumen im Status Angebot beträgt 160.000 € verteilt auf drei Leads. Okay, gehe mal wieder zurück ins CRM und zeig mir den neuen Status der Brandt AG. Ich zeige dir die Details. Die Brandt AG ist jetzt im Status Angebot. Sehr gut, du hattest erwähnt, wir müssen Termin-Vorschläge machen, schau bitte noch mal im Kalender, am 3. und am 4. 11. habe ich noch ein paar freie Slots und formuliere einen Vorschlag für die E-Mail. Ich prüfe die Termine, am 3. November hast du um 11:30 Uhr und am 4. November ab 10 Uhr freie Zeiten. Ja, dann nimm die doch. Ich bereite die Mail vor. Mail ist freigegeben, danke dir Jarvis. Alles klar, Jarvis ist damit jetzt erstmal wieder beendet. Also du hast gesehen, ja, Jarvis ist ein vollumfänglicher persönlicher Assistent, der tatsächlich zugefaht auf all deine Unternehmenssysteme, die du ihm geben möchtest. Das waren offensichtlich fiktive Beispiele des CRM-System, aber genauso kann die App dann in der Realität hier angebunden werden, also es steckt einen fiktives CRM dahinter und dein CRM-System kann exakt so angebunden werden, genauso wie alles weitere Projektmanagement-Tools, Personalverwaltung, all das, was für dich wichtig ist, Aufgabenmanagement, Zeitmanagement und so weiter und ja, Jarvis läuft wie folgt, im Wesentlichen sieht der Workflow so aus. Der Nutzer startet, in dem Fall ich, im Browser, das funktioniert genauso auch per Telefon. Du kannst Jarvis auch auf der Autofahrt anrufen und er kann dir alle Informationen aus all deinen Systemen liefern und für dich in deinen System entsprechend arbeiten. Dann startet ein ElevenLabs Agent, also das war jetzt im Übrigen auch nicht der neue GPT Live Mode, da kommen wir gleich noch zu, das ist immer noch der alte Sprachmodus von ElevenLabs, weil das hier für einen internen Use-Case voll und ganz ausreicht, da ist die Menschlichkeit nicht so wichtig wie jetzt im Kundenkontakt, deswegen habe ich mich hier für ElevenLabs entschieden und das setzen wir jetzt auch gemeinsam um. Also der erste Schritt ist ElevenLabs und wenn wir jetzt hier noch mal reingehen in die Conversations, dann sehen wir auch den Anruf, das waren 3 Minuten 1:50, die ich jetzt mit Jarvis gerade eben gesprochen habe. Hier haben wir das gesamte Gesprächs-Transkript, alle Tools, die ausgeführt wurden, ob die erfolgreich ausgeführt wurden, die Tools und das sieht doch alles entsprechend gut aus, das was wir gerade entsprechend ja auch gemacht haben mit Jarvis. Und hier haben wir alle Tools, die angebunden sind, das heißt E-Mails können aufgelistet werden, Leads können gezogen werden aus dem CRM-Tool, das wir angebunden haben, Events können im Kalender eingetragen werden, genau das haben wir alles gemacht und dem sind keine Grenzen gesetzt, du kannst hier wirklich alles anbinden, dass du haben möchtest, ja, für deinen persönlichen Assistenten und das ist also der zweite Schritt, ja der ElevenLabs Agent und der fragt dann oder schaut sich an, ist das eine Frage, die ich stelle oder gebe ich einen Auftrag und auf Basis dessen geht diese Anfrage an einen Orchestrator, der basiert auf Clord Haiku, in diesem Fall, also wirklich kleine, günstige Orchestrierungs-Modelle hier von den Fropick, die ich nutze mit Requesty, wieso Requesty, bei Requesty kannst du, wenn du hier mal auf die Filter gehst, das macht dir die ganze Sache einfacher, auf die Inferenzregion EU und wenn du möchtest auch Zero Data Retention einstellen und dann entsprechend Modelle leichter anbinden, wie z.B. Clord Haiku 5.5 über AWS Bedrock, so brauchst du dich nicht um die komplette Einrichtung von Bedrock kümmern, das macht dir die Sache einfacher, im Wesentlichen nutzen wir aber die ganz normale Messages API von Anthropic und das lebt im Code, in dem Fall, also es ist wirklich dann Custom-Tool Jarvis, demnach muss das auch nicht so aussehen wie hier, das ist offensichtlich mal etwas anschaulich gestaltet, das brauchst du aber überhaupt gar nicht, also du kannst auch das Gimik hier vollkommen weglassen, ja, das lässt sich alles mit wenigen Prompts umprogrammieren, so wie du das haben möchtest und im Wesentlichen lebt der Orchestrator, also hier unter anderem, also der wird definiert erstmal in der config.py, hier haben wir Requesty angebunden und das Haiku 5.5 Modell eingestellt und unter runs.py ist der Agent dann mit seinem System-Prompt definiert, also das ist der System-Prompt, der mitgeschickt wird zum Teil dem für diese Demo jetzt, die wir gerade eben durchgespielt haben, aber eben auch wirklich flexibel für, dass er eben die Anweisung hat, wie er umzugehen hat mit Kalenderbuchung, E-Mails und so weiter und das was ich gesagt habe, das wird hier unter Instructions dann einfach als API-Request übergeben an die Messages API von Requesty und darüber dann letztlich an Clord Haiku 5.5 und was Haiku 5.5 dann macht, ist an Clord Agenten zu delegieren, die dann im Hintergrund arbeiten, z.B. E-Mails draften, so wie wir es gerade eben gemacht haben, Termine eintragen, Team informieren im Slack-Channel, CRM-System aktualisieren, Computer-Use nutzen, also auf Software ohne API-Schnittstelle zugreifen beispielsweise, das wird dann wieder zurückgeschickt an das Dashboard hier und das geht dann wieder zurück an Jarvis in ElevenLabs, der die Antwort dann im Gespräch liefert, sodass eine natürliche Konversation im Gespräch am Telefon entsteht, also das ist die Magie hinter Jarvis und wie gesagt der Tool-Stack, ElevenLabs, Python, Requesty und umgesetzt mit Clod Code und das werden wir jetzt auch gemeinsam machen. Ich gehe damit aber schon mal direkt in Use-Case Nummer 2, denn die sind gleich aufgebaut, deswegen machen wir beide jetzt mal auf einen Schlag, also wenn du Use-Case Nummer 2 umsetzen kannst, dann kannst du auch Use-Case Nummer 1 und du bekommst alles von mir hier, was ich dir zeige, kostenfrei in der KI Champions Community oder unter diesem Video hier zur Verfügung gestellt, das bedeutet, du kannst das eins zu eins so für dich jetzt mitmachen und nachbauen, dann lernst du natürlich am meisten, als wenn du mir hier nur dabei zuschaust, also alle Ressourcen und so kannst du auch auf Jarvis aufbauen, weitermachen, deine Tools anbinden, etc. Und der zweite Use-Case ist also der Inbound Rezeptionist, multilingual, mit dynamischen Prompts, die sich z.B. an Uhrzeit, Feiertag oder Sonntag anpassen und Tool-Calls, wie das Abrufen von Kundendaten vor oder nach dem Gespräch für ein nahtloses und menschliches Kundenerlebnis, zweitens die Arztpraxis und das Hotel, also zwei Branchen, deren Software meistens keine öffentliche Schnittstelle hat, weshalb ich dir zeige, wie du einen Voice-Agent komplett ohne öffentliche API in Systeme einbindest, viertens KI Cold-Calling mit GPT Live, bei dem der Agent mit menschlichen Füllwörtern spricht und in einem Self-Learning-Loop seine eigenen Transkripte auswertet, um daraus Verbesserungen für den eigenen Prompt abzuleiten, sodass er mit jedem Anruf ein Stück besser wird, fünftens eine eigene Trainingsplattform für deine Mitarbeiter, auf der dein Team schwierige Kundengespräche mit einem Voice-Agent so oft übt wie es will, bevor es damit ans echte Telefon geht und als Bonus zeige ich dir noch eine Eval-Plattform mit der du automatisiert alle Gespräche deiner Voice Agents bewerten und analysieren kannst. Also, starten wir jetzt rein mit Use-Case Nummer 1.