KI Voice Agent Kosten: Was ein Telefon-Bot für KMU wirklich kostet

Ein KI-Voice-Agent, der eingehende Anrufe beantwortet, Termine bucht oder Anfragen qualifiziert, klingt nach einer sauberen Lösung für überlastete KMU-Telefonleitungen. Die Preisseiten der Anbieter zeigen monatliche Lizenzen ab $6 (ElevenLabs Starter) oder $99 (ElevenLabs Pro), doch das ist nur ein Bruchteil der echten Gesamtkosten. Telefonie-Infrastruktur, Prompt-Engineering, CRM-Integration und laufende Optimierung addieren sich schnell zu vierstelligen Beträgen – und niemand rechnet dir vor, wie viele Anrufe du monatlich brauchst, damit sich der Aufwand amortisiert. Dieser Artikel bricht die tatsächlichen Kosten auf und zeigt, ab welchem Anrufvolumen ein Voice-Agent für ein DACH-KMU wirtschaftlich Sinn ergibt.

Stand: August 2026. Preise anhand offizieller Preisseiten geprüft; Quellen sind direkt verlinkt.

Die drei Kostenblöcke, die Anbieter gern verschweigen

Voice-Agent-Pricing wird meist als reine Lizenzgebühr dargestellt, aber ein produktionsreifer Telefon-Bot für KMU besteht aus drei Schichten, die jeweils eigene Kosten verursachen:

• Voice-Engine-Lizenz: Die monatliche Gebühr für Text-to-Speech und Speech-to-Text. ElevenLabs berechnet 1 Credit pro Zeichen für TTS und 330 Credits pro Minute für STT; der Pro-Plan liefert 600.000 Credits/Monat für $99. Das reicht für rund 600.000 Zeichen Output oder ~30 Stunden Gesprächszeit – klingt viel, schrumpft aber schnell bei mehrsprachigen Dialogen oder langen Wartemusik-Ansagen.
• Telefonie-Gateway: Ein SIP-Trunk oder Cloud-Telefonie-Anbieter (Twilio, Plivo, sipgate) verbindet den Voice-Agent mit dem Telefonnetz. Typische Kosten: 1–3 Cent/Minute für eingehende Anrufe, plus monatliche Rufnummerngebühr (~5–15 €/Nummer). Bei 500 Anrufen à 3 Minuten sind das bereits 22,50–67,50 € Telefonie-Kosten pro Monat – zusätzlich zur Voice-Lizenz.
• Orchestrierungs-Layer: Der Agent braucht Logik, um Anrufer zu routen, CRM-Daten abzurufen, Termine zu buchen oder Tickets anzulegen. Das läuft über eine Middleware (n8n, Make, Zapier) oder Custom-Code. Hier fallen entweder SaaS-Gebühren (Make ab ~€9/Monat, Zapier ab ~€20/Monat) oder Entwicklungsaufwand an – bei uns typischerweise 8–12 Stunden Setup für einen Basis-Flow.

Die Lizenz ist der sichtbare Teil; Telefonie und Integration sind der Eisberg darunter.

Rechenbeispiel: 300 Anrufe/Monat, Ø 4 Minuten Gesprächszeit

Ein typisches Szenario für ein KMU mit 5–15 Mitarbeitern: 300 eingehende Anrufe pro Monat, durchschnittlich 4 Minuten Dauer (inkl. Begrüßung, Qualifikation, Weiterleitung oder Terminbuchung). Wir rechnen mit ElevenLabs Pro ($99/Monat, 600k Credits) und einem SIP-Trunk à 2 Cent/Minute:

Die laufenden Kosten von 147 €/Monat entsprechen etwa 0,49 € pro Anruf. Zum Vergleich: Ein Mitarbeiter, der 300 Anrufe à 4 Minuten entgegennimmt, bindet 20 Stunden/Monat – bei einem internen Stundensatz von 35 € sind das 700 € Personalkosten. Der Voice-Agent spart hier ~553 €/Monat, amortisiert also die Setup-Kosten nach 3,2 Monaten.

Aber: Diese Rechnung gilt nur, wenn der Agent tatsächlich 80–90 % der Anrufe ohne menschliches Eingreifen abschließt. In der Praxis braucht es 4–8 Wochen Tuning, bis die Erkennungsrate und die Dialogführung stabil laufen – und selbst dann bleiben 10–20 % Eskalationen, die ein Mensch übernehmen muss. Die projizierte Ersparnis ist also eher 400–450 €/Monat netto, nach Abzug der Restbetreuung.

Wann ElevenLabs Pro zu klein wird – und wann Custom die bessere Wahl ist

ElevenLabs Pro mit 600.000 Credits/Monat reicht für ~30 Stunden Gesprächszeit (bei 330 Credits/Minute STT + 1 Credit/Zeichen TTS, gemittelt). Sobald du mehr als 25–30 Stunden monatlich brauchst, stößt du an die Grenze und musst auf Scale ($299/Monat, 1,8M Credits) oder Business ($990/Monat, 6M Credits) upgraden. Der Sprung von $99 auf $299 ist schmerzhaft – und ab hier lohnt sich der Blick auf selbst-gehostete Alternativen:

• Whisper (OpenAI) + Coqui/XTTS: Open-Source-STT/TTS auf eigener Infrastruktur. Setup-Aufwand 20–30 Stunden, aber danach nur noch Server-Kosten (~50–80 €/Monat für eine GPU-Instanz bei Hetzner oder OVH). Keine Credit-Limits, volle Kontrolle über Datenflüsse – ideal für DSGVO-sensible Branchen (Gesundheit, Recht, Finanzen).
• Azure Speech Services: Pay-as-you-go, ~1 €/Stunde STT + 4 €/1M Zeichen TTS. Bei 50 Stunden/Monat und 500k Zeichen Output kommst du auf ~52 € – günstiger als ElevenLabs Pro, aber ohne die Voice-Cloning-Features und mit Microsoft-Datenhoheit (Server-Standort wählbar, aber kein Self-Hosting).

Unsere Empfehlung: Bis 25 Stunden/Monat ist ElevenLabs Pro ($99) konkurrenzlos einfach. Darüber hinaus lohnt sich entweder der Sprung zu Scale oder – bei DSGVO-Anforderungen – ein Custom-Stack mit Whisper + Coqui, den wir in 25–30 Stunden aufsetzen (projizierte Kosten: 3.750–4.500 €, danach 50–80 €/Monat laufend).

DSGVO und Datenhoheit: Wo die US-Anbieter Bauchschmerzen bereiten

ElevenLabs und OpenAI hosten primär in den USA; ElevenLabs bietet keine explizite EU-Daten-Residency-Option, OpenAI hat EU-Server für Enterprise-Kunden, aber nicht für API-Nutzung unterhalb von Custom-Enterprise-Verträgen. Für KMU im DACH-Raum bedeutet das:

• Personenbezogene Gesprächsinhalte (Namen, Adressen, Gesundheitsdaten) fließen durch US-Server. Das ist nach DSGVO Art. 44 ff. nur mit Standardvertragsklauseln (SCCs) und zusätzlichen technischen Maßnahmen (Verschlüsselung, Pseudonymisierung) zulässig – und selbst dann bleibt ein Restrisiko durch US-Behördenzugriff (CLOUD Act).
• Auftragsverarbeitungsverträge (AVV) bieten beide Anbieter an, aber die Haftung bei Datenpannen liegt letztlich beim Auftraggeber (also bei dir). Für Branchen mit erhöhten Compliance-Anforderungen ((Ärzte, Anwälte, Versicherungen) ist das oft ein K.O.-Kriterium.

Die selbst-gehostete Alternative (Whisper + Coqui auf einem Hetzner-Server in Falkenstein) eliminiert dieses Risiko: Alle Daten bleiben in Deutschland, kein Drittland-Transfer, volle Kontrolle. Der Preis dafür ist höherer Setup-Aufwand und weniger Komfort – aber für viele Mittelständler ist das ein akzeptabler Trade-off.

Wann ein Voice-Agent die falsche Lösung ist

Ein KI-Telefon-Bot rechnet sich nicht in jedem Szenario. Drei Situationen, in denen wir aktiv davon abraten:

• Weniger als 150 Anrufe/Monat: Die Setup-Kosten (1.800–4.500 €) amortisieren sich erst ab ~200–250 Anrufen monatlich. Darunter ist ein gut geschulter Mensch oder ein einfacher IVR-Baum (Interactive Voice Response, ohne KI) wirtschaftlicher.
• Hochkomplexe, emotional aufgeladene Gespräche: Reklamationen, Kündigungen, Notfälle – hier versagt die KI regelmäßig an Empathie und Kontextverständnis. Ein Voice-Agent kann diese Anrufe erkennen und eskalieren, aber wenn 50 % deiner Anrufe in diese Kategorie fallen, sparst du nichts.
• Keine klare Prozessdokumentation: Der Agent braucht strukturierte Entscheidungsbäume: “Wenn Anrufer sagt X, dann tue Y." Wenn deine Mitarbeiter jeden Anruf individuell improvisieren, wirst du 80+ Stunden in Prozess-Mapping stecken, bevor der Bot überhaupt trainiert werden kann. Das ist oft mehr Aufwand als die Automatisierung wert ist.

In diesen Fällen ist ein hybrider Ansatz sinnvoller: Der Voice-Agent filtert einfache Anfragen (Öffnungszeiten, Terminbestätigung, Statusabfragen) und leitet komplexe Fälle sofort an Menschen weiter. Das senkt die Anforderungen an die KI und die Erwartungen an die Ersparnis – aber es funktioniert stabiler.

Blck Alpaca's take

Wir empfehlen KMU mit 250+ strukturierten Anrufen/Monat den Einstieg über ElevenLabs Pro ($99/Monat) + n8n-Orchestrierung – das Setup dauert 10–12 Stunden (projiziert 1.500–1.800 €), die laufenden Kosten bleiben unter 150 €/Monat, und die Amortisation liegt bei 3–4 Monaten. Für Branchen mit DSGVO-Sensibilität (Gesundheit, Recht, Finanzen) oder Volumina über 30 Stunden/Monat bauen wir lieber einen Whisper-basierten Custom-Stack auf EU-Servern – höherer Initialaufwand (25–30 Stunden, 3.750–4.500 €), aber danach keine Vendor-Lock-in-Risiken und planbare Kosten von 50–80 €/Monat, egal wie stark das Volumen wächst.

Der Trade-off, den wir dabei bewusst akzeptieren: Custom-Stacks haben keine Out-of-the-box-Voice-Cloning-Features wie ElevenLabs' Professional Voice Clones (3 im Scale-Plan, 10 im Business-Plan). Wenn du eine Marken-Stimme brauchst, die nach deinem CEO klingt, bleibst du bei ElevenLabs – aber für 90 % der KMU-Anwendungsfälle (neutrale, professionelle Stimme) reicht eine Open-Source-TTS völlig aus.

Nächste Schritte: So startest du ohne Budgetfalle

Bevor du 2.000+ € in ein Voice-Agent-Setup steckst, validiere die Wirtschaftlichkeit in drei Schritten:

1. Anrufvolumen tracken: Zähl 4 Wochen lang, wie viele Anrufe eingehen, wie lange sie dauern und wie viele davon ein strukturiertes Muster haben (Terminanfragen, Statusabfragen, FAQ). Wenn weniger als 60 % der Anrufe in wiederholbare Kategorien fallen, wird der Bot teuer.
2. Prozesse dokumentieren: Schreib für die Top-3-Anruftypen einen Entscheidungsbaum auf: Begrüßung → Frage → Antwort A/B/C → Abschluss/Eskalation. Wenn das auf einer A4-Seite passt, ist der Use Case automatisierbar. Wenn du 5 Seiten brauchst, wird's komplex.
3. Pilot mit ElevenLabs Free testen: Der Free-Plan mit 10.000 Credits/Monat reicht für ~30 Testanrufe à 3 Minuten. Bau einen Mini-Flow in n8n, ruf selbst an, lass 3–5 Kollegen anrufen – und messe, wie oft der Bot die richtige Antwort gibt. Wenn die Erfolgsquote unter 70 % liegt, brauchst du mehr Prompt-Tuning oder einen komplexeren Stack.

Erst wenn alle drei Checks grün sind, lohnt sich das Investment in ein produktionsreifes Setup. Und selbst dann: Plane 4–8 Wochen Lernphase ein, in der ein Mensch parallel mithört und den Bot nachtrainiert – die ersten 100 Anrufe sind immer holprig.

Nächster Schritt: Du willst den Wechsel DSGVO-konform umsetzen, ohne dich selbst durch Preislisten und Migrationsdetails zu arbeiten? Blck Alpaca baut solche Setups als Fixpreis-Projekt - KI-Agent-Integration ansehen oder direkt ein Projekt starten.

Zuletzt aktualisiert: August 2026

Blck Alpaca ist eine KI-Marketing-Automatisierungsagentur mit Sitz in Wien, spezialisiert auf datengetriebenes Marketing, maßgeschneiderte KI-Agenten und Enterprise-Workflow-Automatisierung für Unternehmen im DACH-Raum.