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.
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):
| Schritt | Was dort passiert | Richtwert nach Twilio (Ziel / Obergrenze) |
|---|---|---|
| Telefonnetz | Ihr Ton läuft durchs Netz zum Assistenten und die Antwort zurück | rund 230 ms (Differenz zwischen Gesamtwert und Wert innerhalb der Plattform) |
| Endpointing | Das System erkennt: „Der Anrufer ist fertig mit Sprechen" | steckt im Wert der Spracherkennung; feste Pausenschwellen meist um 500 ms |
| Spracherkennung | Gesprochenes wird zu Text | 350 / 500 ms |
| Sprachmodell | Die KI formuliert den Anfang ihrer Antwort | 375 / 750 ms bis zum ersten Wort |
| Sprachsynthese | Text wird zum ersten hörbaren Ton | 100 / 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:
- 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.
- 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.
- 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.
Stand & Quellen
Stand: 15.11.2026.
- Stivers, T. u. a.: Universals and cultural variation in turn-taking in conversation. PNAS 106 (26), 10587–10592, Juni 2009 — zehn Sprachen; mittlere Antwortpause +208 ms, Mittelwerte je Sprache von +7 ms (Japanisch) bis +469 ms (Dänisch)
- Kohtz, L. S.; Niebuhr, O.: How Long is Too Long? How Pause Features After Requests Affect the Perceived Willingness of Affirmative Answers. Interspeech 2017 — Wahrnehmungsexperiment mit 28 deutschen Hörern; wahrgenommene Bereitschaft sinkt mit der Pausenlänge, besonders jenseits von etwa 600 ms
- Twilio, „A Guide to Core Latency in AI Voice Agents (Cascaded Edition)", 17.11.2025: Median-Zielwerte für den Start eines Sprachagenten — Mouth-to-Ear Turn Gap 1.115 ms (Obergrenze 1.400), Platform Turn Gap 885 (1.100), Spracherkennung 350 (500), LLM bis zum ersten Token 375 (750), Sprachsynthese bis zum ersten Byte 100 (250); feste Endpointing-Schwellen „meist um 500 ms"
- Hinweis: Die Zeitwerte sind Richtwerte eines Plattformanbieters, keine Zusicherung einzelner Anbieter und keine Messung von scoco.ai; reale Werte schwanken nach System, Auslastung und Tageszeit
- Produktangaben zu scoco.ai: Stand 15.11.2026