Google I/O 2026 fand am 19. und 20. Mai statt. Google stellte dort unter anderem Gemini Omni, Gemini 3.5 Flash und weitere agentische Funktionen vor. Für ein Schweizer KMU ist die wichtige Nachricht aber nicht, dass Telefonbots plötzlich jedes Gespräch übernehmen können. Relevant ist, dass Echtzeitmodelle schneller reagieren, mehrere Eingaben verarbeiten und Werkzeuge während eines Gesprächs aufrufen können.
Zwischen einer überzeugenden Bühnendemo und einem zuverlässigen Kundenanruf liegen trotzdem mehrere technische und organisatorische Schichten. Wer nur das Modell bewertet, übersieht Telefonleitung, Audioqualität, Gesprächsunterbrechungen, Kalenderzugriff, Fehlerbehandlung und die Übergabe an Mitarbeitende.
Was Google tatsächlich angekündigt hat
Die offizielle Google-I/O-2026-Sammlung nennt neue Modelle und agentische Produktfunktionen. Für Sprachprojekte ist zusätzlich die aktuelle Gemini Live API relevant. Google beschreibt sie als Vorschau für bidirektionale Echtzeit-Interaktionen mit Audio, Bild und Text. Dokumentiert sind unter anderem Unterbrechung durch den Nutzer, Tool-Nutzung, Transkription und mehrsprachige Gespräche.
Das Wort Vorschau ist wichtig. Ein Preview-Dienst kann sich verändern und benötigt für produktive Telefonie eigene Überwachung, Fallbacks und Versionskontrolle. Ein KMU sollte daraus keine Funktionsgarantie ableiten, sondern eine neue Option für einen begrenzten Pilot.
Die Telefonkette hat sechs Stellen, an denen Qualität verloren geht
- Telefonie: Die Verbindung wandelt das Telefonsignal in einen Audiostream und zurück.
- Turn Detection: Das System muss erkennen, wann der Anrufer fertig ist, ohne lange Pausen als Gesprächsende zu missverstehen.
- Modell: Es interpretiert Absicht, Kontext und gesprochene Details.
- Tools: Kalender, CRM oder Wissensbasis liefern Daten und können verzögert oder nicht erreichbar sein.
- Sprachausgabe: Stimme, Tempo und Aussprache beeinflussen Vertrauen.
- Übergabe: Bei Unsicherheit muss ein Mensch Kontext und Gesprächsgrund erhalten.
Eine End-to-End-Antwort von zwei Sekunden kann sich gut anfühlen. Dieselbe Architektur wirkt langsam, wenn ein Kalenderaufruf weitere drei Sekunden benötigt. Darum werden Latenzen pro Schicht gemessen, nicht nur als Durchschnitt über ein gesamtes Gespräch.
Schweizerdeutsch ist kein Kästchen in einer Sprachliste
Google dokumentiert breite Mehrsprachigkeit. Das sagt noch nichts darüber aus, wie ein konkretes System Namen, Ortsbezeichnungen oder Dialekte aus Bern, Zürich, Basel oder der Ostschweiz in einer Telefonverbindung erkennt. Auch Französisch aus der Romandie und Italienisch aus dem Tessin brauchen eigene Testsets.
Ein sinnvoller Dialekttest enthält mindestens 30 kurze, reale Formulierungen aus dem Zielprozess: Nachnamen, Gemeinden, Uhrzeiten, Autokennzeichen, Produktnamen und typische Korrekturen. Das Team bewertet nicht nur das Transkript, sondern auch, ob die Aufgabe am Ende richtig ausgeführt wurde. Ein falsch geschriebener Ortsname kann harmlos sein; ein falsch gebuchter Termin ist es nicht.
Unterbrechen, korrigieren und aussteigen können
Menschen sprechen nicht wie in einem Formular. Sie korrigieren sich, fallen ins Wort und wechseln das Thema. Die Live API unterstützt laut Dokumentation Barge-in, doch die Anwendung muss entscheiden, was danach passiert. Wird eine begonnene Buchung verworfen? Bleiben bereits erfasste Daten erhalten? Fragt das System nach, wenn zwei Termine genannt wurden?
Für jede Aktion braucht es eine Transaktionsgrenze. Lesen ist weniger riskant als schreiben. Einen freien Termin nennen ist weniger riskant als ihn definitiv buchen. Im ersten Pilot darf die Voice AI daher Informationen aufnehmen und eine Buchung vorbereiten; die verbindliche Bestätigung folgt erst nach klarer Wiederholung oder menschlicher Freigabe.
Ein realistischer Pilot für ein Serviceteam
Ein Handwerksbetrieb könnte ausserhalb der Bürozeit Rückrufwünsche aufnehmen. Die AI fragt nach Name, Telefonnummer, Gemeinde, Art des Problems und bevorzugtem Zeitfenster. Sie verspricht weder einen Termin noch einen Preis. Notfälle, bestehende Reklamationen und unklare Sicherheitslagen werden an eine definierte Nummer oder Mailbox eskaliert.
Vor dem Start erstellt das Team 50 Testszenarien. Darunter sind leise Anrufer, Dialekt, Hintergrundgeräusch, Unterbrechungen, unvollständige Telefonnummern und der Wunsch, sofort mit einer Person zu sprechen. Erst wenn die Übergabe in allen kritischen Szenarien funktioniert, geht der Pilot für einen kleinen Anteil realer Anrufe live.
Datenschutz und Aufzeichnung gehören in die Architektur
Der EDÖB erklärt, dass das DSG unmittelbar auf AI-gestützte Datenbearbeitung anwendbar ist und Betroffene transparent informiert werden müssen. Ein Sprachsystem sollte deshalb am Anfang verständlich sagen, dass eine AI antwortet und zu welchem Zweck Angaben verarbeitet werden.
Transkript, Audioaufnahme und CRM-Notiz sind drei unterschiedliche Datenobjekte. Für jedes braucht es Zweck, Speicherfrist und Zugriffskreis. Wenn für Qualitätskontrolle kein Audio nötig ist, wird es nicht dauerhaft gespeichert. Sensible Inhalte werden nicht ungefiltert in Analytics- oder Prompt-Logs übernommen.
Die Scorecard für zwei Wochen
| Kennzahl | Was sie zeigt | Stop-Signal |
|---|---|---|
| Zeit bis zur ersten verständlichen Antwort | Wahrgenommene Reaktionsfähigkeit | Lange oder stark schwankende Pausen |
| Aufgabenerfüllung | Ob Rückruf oder Terminwunsch vollständig erfasst wurde | Falsche Bestätigungen |
| Erholung nach Unterbrechung | Ob Korrekturen sauber übernommen werden | Verlorene oder doppelte Angaben |
| Übergabequote mit Kontext | Ob Menschen den Fall ohne Neustart übernehmen können | Transfer ohne Zusammenfassung |
| Dialektfehler mit Prozesswirkung | Ob Sprachfehler zu falschen Aktionen führen | Fehler bei Ort, Zeit oder Identität |
Diese Kennzahlen passen zu einem AI-Telefonassistenten für Schweizer KMU. Sie sind nützlicher als die Zahl geführter Gespräche, weil sie zeigen, wo der Prozess sicher erweitert werden kann.
Der Ausfallpfad gehört zum Kundenerlebnis
Ein Pilot ist erst vollständig, wenn auch der Fehlerfall getestet wurde. Fällt das Modell aus, darf der Anruf nicht in Stille enden. Fällt nur der Kalender aus, kann der Assistent einen Rückruf erfassen, aber keinen Termin bestätigen. Für jede externe Abhängigkeit braucht es eine verständliche Ansage, eine begrenzte Ersatzaktion und einen Alarm an das Team. Diese Fallbacks werden mit absichtlich deaktivierten Tools geprüft, nicht erst beim ersten echten Ausfall.
Beschaffungsfragen, die vor dem Anbieterentscheid beantwortet sein müssen
- Welche Modell- und API-Version läuft produktiv und wie werden Änderungen getestet?
- Wo werden Audio, Transkripte und Tool-Logs verarbeitet und gespeichert?
- Was passiert bei Ausfall von Kalender, CRM, Modell oder Telefonie?
- Kann ein Anrufer jederzeit eine Person verlangen?
- Wie werden falsche Aktionen rückgängig gemacht und wer erhält einen Alarm?
- Welche Dialekte wurden mit der eigenen Zielgruppe nachweislich getestet?
Primärquellen für die technische Prüfung
- Google: I/O 2026 News und Ankündigungen
- Google AI for Developers: Gemini Live API
- EDÖB: KI und Datenschutz
Nach Google I/O 2026 ist Voice AI technisch interessanter geworden, aber nicht automatisch betriebsbereit. Der richtige nächste Schritt für ein KMU ist ein enger Pilot mit echten Dialekten, messbarer Latenz, begrenzten Rechten und einer Übergabe, die auch an einem hektischen Montag funktioniert.
FAQ
Bedeutet ein schnelleres Modell automatisch bessere Telefonate?
Nein. Die wahrgenommene Qualität hängt auch von Telefonie, Spracherkennung, Tool-Aufrufen, Unterbrechungen, Text-to-Speech und Übergabe an Menschen ab.
Kann eine Voice AI Schweizerdeutsch zuverlässig verstehen?
Das muss mit echten Anrufen aus der Zielregion getestet werden. Eine allgemeine Sprachliste ersetzt keinen Dialekt-, Akzent- und Geräuschtest mit dem konkreten System.
Welche Aufgabe eignet sich für den ersten Pilot?
Eine enge Aufgabe mit klarer Übergabe, etwa Rückrufwunsch aufnehmen, Öffnungszeiten erklären oder einen Terminwunsch strukturiert erfassen.
Muss der Anrufer wissen, dass er mit einer AI spricht?
Transparenz ist eine zentrale Anforderung. Der EDÖB betont, dass Zweck, Funktionsweise und Datenquellen AI-gestützter Verarbeitung transparent ausgewiesen werden müssen.