scoco.ai
Einrichtung & Technik

Latenz: wie schnell ein KI-Telefonassistent antworten muss

Zwischen Menschen vergehen im Gespräch im Schnitt rund 200 Millisekunden bis zur Antwort. Ein KI-Telefonassistent braucht länger, weil mehrere Arbeitsschritte aufeinander folgen: Ein Leitfaden von Twilio nennt rund 1,1 Sekunden als Zielwert für die ganze Kette und 1,4 Sekunden als Obergrenze. Dieser Artikel erklärt die Kette — und wie Sie sie per Testanruf selbst prüfen.

Das Latenzbudget eines GesprächszugsTelefonnetz≈ 230 msEndpointingin SpracherkennungSpracherkennung350–500 msSprachmodell375–750 msSprachsynthese100–250 msRichtwerte nach Twilio: Ziel rund 1,1 s, Obergrenze 1,4 s je Gesprächszug.Endpointing (Pausenerkennung) steckt im Wert der Spracherkennung.
Vom letzten Wort des Anrufers bis zur Antwort — Richtwerte nach Twilio, keine Messwerte von scoco.ai.

Warum am Telefon jede Zehntelsekunde zählt

Menschen wechseln sich im Gespräch erstaunlich schnell ab: In einer Studie über zehn Sprachen lag die Pause zwischen einer Frage und der Antwort im Schnitt bei rund 200 Millisekunden, und in allen zehn Sprachen blieb sie im Mittel unter einer halben Sekunde (Stivers u. a., PNAS 2009). Längere Pausen fallen auf: In einem Hörexperiment mit deutschen Hörern wirkte eine Zusage auf eine Bitte umso weniger bereitwillig, je länger die Pause davor war — besonders deutlich ab etwa 600 Millisekunden (Kohtz und Niebuhr, Interspeech 2017). Am Telefon fehlen zudem Blickkontakt und Nicken, die eine Pause sonst überbrücken. Bleibt es zu lange still, entsteht sofort Unsicherheit: Ist die Leitung tot? Für einen KI-Assistenten ist die Antwortgeschwindigkeit deshalb keine Komfortfrage, sondern entscheidet mit darüber, ob Anrufer dranbleiben — mehr dazu im Artikel „Wie natürlich klingt ein KI-Telefonassistent heute wirklich?".

Das Latenzbudget: fünf Posten, eine Kette

Zwischen Ihrem letzten Wort und dem ersten Ton der Antwort passiert eine ganze Kette von Arbeitsschritten — jeder kostet Zeit, und sie addieren sich. Eine Norm dafür gibt es nicht. Als Richtwerte taugen die Zielwerte, die der Kommunikationsplattform-Anbieter Twilio in einem Leitfaden vom November 2025 für den Start eines Sprachagenten nennt (Medianwerte):

SchrittWas dort passiertRichtwert nach Twilio (Ziel / Obergrenze)
TelefonnetzIhr Ton läuft durchs Netz zum Assistenten und die Antwort zurückrund 230 ms (Differenz zwischen Gesamtwert und Wert innerhalb der Plattform)
EndpointingDas System erkennt: „Der Anrufer ist fertig mit Sprechen"steckt im Wert der Spracherkennung; feste Pausenschwellen meist um 500 ms
SpracherkennungGesprochenes wird zu Text350 / 500 ms
SprachmodellDie KI formuliert den Anfang ihrer Antwort375 / 750 ms bis zum ersten Wort
SprachsyntheseText wird zum ersten hörbaren Ton100 / 250 ms bis zum ersten Ton

Für die ganze Kette — vom Ende Ihres Satzes, bis die Antwort an Ihrem Ohr ankommt, Telefonnetz eingeschlossen — nennt Twilio rund 1,1 Sekunden als Zielwert (1.115 ms) und 1,4 Sekunden als Obergrenze. Das ist ein Vielfaches der Pause zwischen zwei Menschen: Eine KI-Kette antwortet langsamer als ein Mensch, und jede eingesparte Zehntelsekunde zählt. Die Werte sind Richtwerte eines Plattformanbieters, keine Messung einzelner Assistenten: Reale Werte schwanken je nach System, Auslastung und Tageszeit.

Endpointing: der versteckte Posten

Der unbekannteste Posten ist der zweite — und mit einer festen Pausenschwelle einer der größten. Bevor der Assistent überhaupt anfangen darf zu antworten, muss er sicher sein, dass Sie fertig gesprochen haben. Das ist schwieriger, als es klingt: Eine Atempause mitten im Satz („Ich hätte gern einen Termin … am Donnerstag") darf nicht als Satzende gelten, sonst fällt die KI Ihnen ins Wort. Wartet das System dafür aber zu lange, entsteht genau die peinliche Stille, die es vermeiden will. Systeme mit fester Schwelle warten eine bestimmte Stille ab — nach Twilio meist rund eine halbe Sekunde; eine kürzere Schwelle ist riskant, weil dann natürliche Pausen als Satzende gelten. Diese Wartezeit, in der technisch „nichts" passiert, wird in Werbeangaben leicht übersehen. Wenn zwei Assistenten unterschiedlich schnell wirken, liegt der Unterschied oft auch hier.

So testen Sie die Latenz selbst

Kein Messgerät nötig — ein Testanruf und drei Beobachtungen:

  1. Die Pause zählen: Stellen Sie eine Frage und zählen Sie danach still „einundzwanzig" — das dauert etwa eine Sekunde. Kommt die Antwort ungefähr dann, liegt das System im Bereich der Richtwerte oben; müssen Sie bis „zweiundzwanzig" oder weiter zählen, ist die Pause deutlich länger.
  2. Mitten im Satz Pause machen: Sprechen Sie mit einer deutlichen Denkpause („Ich brauche einen Termin … für nächste Woche"). Fällt der Assistent Ihnen in die Pause, ist das Endpointing zu ungeduldig eingestellt.
  3. Unterbrechen: Reden Sie los, während der Assistent noch spricht. Gute Systeme stoppen und hören zu; schlechte reden stur zu Ende.

Ehrlich: Wo Zahlenangaben in die Irre führen

Latenz-Werbeangaben sind mit Vorsicht zu lesen. Häufige Muster: Es wird nur ein Posten der Kette genannt (etwa die Sprachsynthese mit „unter 100 ms") und als Gesamtwert missverstanden; es wird ein Bestwert statt eines typischen Werts angegeben; oder es wird unter Laborbedingungen gemessen, während die Latenz im Tagesverlauf schwankt. Ein einzelner Zahlenwert ohne Angabe, was von wo bis wo gemessen wurde, sagt wenig. Der eigene Testanruf — mehrmals, zu verschiedenen Zeiten — ist aussagekräftiger als jedes Datenblatt. Was ein KI-Telefonassistent grundsätzlich ist und können muss, fasst „Was ist ein KI-Telefonassistent? Technik, Grenzen, Recht, Kosten" zusammen.

Auch für scoco.ai nennen wir hier deshalb bewusst keine Zahl, sondern den Maßstab, der zählt: Der Assistent geht ran und antwortet, bevor der Anrufer auflegt — und genau das können Sie selbst prüfen.

Häufige Fragen

Welche Antwortzeit ist bei einem KI-Telefonassistenten normal?

Eine Norm gibt es nicht, und Anbieter messen unterschiedlich. Als Richtwert nennt Twilio (Leitfaden vom November 2025) für die ganze Kette aus Netz, Endpointing, Spracherkennung, Sprachmodell und Sprachsynthese rund 1,1 Sekunden als Zielwert und 1,4 Sekunden als Obergrenze. Zum Vergleich: Menschen antworten im Schnitt nach rund 200 Millisekunden.

Warum antwortet die KI mal schneller, mal langsamer?

Weil mehrere Posten der Kette lastabhängig sind — die Systeme dahinter werden von vielen Gesprächen gleichzeitig genutzt, und die Antwortlänge spielt ebenfalls hinein. Schwankungen im Zehntelsekunden-Bereich sind normal.

Was ist Endpointing?

Die Erkennung, dass ein Anrufer fertig gesprochen hat. Systeme mit fester Pausenschwelle warten dafür meist rund eine halbe Sekunde Stille ab (Twilio) — ein oft übersehener Teil der Antwortzeit. Zu ungeduldig eingestellt, unterbricht die KI; zu geduldig, entsteht peinliche Stille.

Kann ich die Latenz eines Anbieters vor Vertragsabschluss prüfen?

Ja, wenn er eine Testnummer oder einen Testzugang anbietet. Mehrmals anrufen, zu verschiedenen Tageszeiten, die Pausen bewusst wahrnehmen und den Unterbrechungstest machen. Das sagt mehr als jede Datenblatt-Diskussion.

Weiterlesen

Ab jetzt geht immer
jemand ran.

Rufen Sie unseren Musterbetrieb an und hören Sie selbst, wie Ihr Empfang klingt.

Ihre Adresse nutzen wir nur für den Zugang. Datenschutz

4 Wochen kostenlos testen. Oder gleich die Demo anrufen: +49 621 490799-22