Sprachnachrichten von Kunden per KI in Aufträge verwandeln
Kurz gesagt: Eine Sprachnachricht lässt sich automatisch abholen, in Text umwandeln, von einem Sprachmodell zusammenfassen und als Auftrag oder Ticket ablegen – mit Name, Anliegen, Dringlichkeit und Rückrufnummer. Das spart viel Abhören, ersetzt aber nicht den prüfenden Blick: Dialekt, Hintergrundlärm und Fachbegriffe führen zu Fehlern. Der sinnvollste Aufbau ist deshalb „KI bereitet vor, Mensch bestätigt“.
Installateure, Hausverwaltungen, Werkstätten, Tischlereien: Viele Kunden schreiben nicht mehr, sie sprechen. Zwei Minuten Sprachnachricht vom Baumarktparkplatz, mit Vorgeschichte, Adresse irgendwo in der Mitte und der eigentlichen Frage am Schluss. Am Abend sitzt jemand im Büro und hört zwanzig solcher Nachrichten ab. Genau dieser Teil lässt sich gut automatisieren.
Der Weg einer Sprachnachricht durch den Workflow
Am Beispiel: Frau Berger schickt am Montagabend eine Sprachnachricht über WhatsApp an den Installateurbetrieb. Sie erzählt, dass im Bad unter dem Waschbecken etwas tropft, nennt ihre Adresse im 16. Bezirk und fragt, ob jemand diese Woche kommen kann. (Ein erfundenes Beispiel zur Veranschaulichung.)
Schritt 1: Die Nachricht abholen
Automatisch klappt das nur, wenn die Nachrichten über eine Schnittstelle laufen – bei WhatsApp über die WhatsApp-Business-Plattform (Cloud API), meist über einen Anbieter, nicht über die normale WhatsApp-Business-App am Handy. Kommt eine Sprachnachricht an, meldet die Plattform das an Ihr System, und die Audiodatei wird heruntergeladen.
Laut Meta-Dokumentation zu Medien (Stand November 2026) unterstützt die Plattform unter anderem Audio als AAC, AMR, MP3, M4A und OGG – bei OGG nur mit Opus-Codec und Mono – jeweils bis 16 MB. Sprachnachrichten kommen typischerweise als OGG/Opus.
Gleiches Prinzip gilt für Sprachnachrichten auf dem Anrufbeantworter einer Cloud-Telefonanlage, die als Audiodatei per E-Mail kommen.
Schritt 2: Format prüfen und umwandeln
Nicht jeder Transkriptionsdienst nimmt jedes Format. Ein Beispiel: Laut OpenAI-Dokumentation zur Spracherkennung (Stand November 2026) akzeptiert die Transkriptions-Schnittstelle Dateien bis 25 MB in den Formaten mp3, mp4, mpeg, mpga, m4a, wav und webm. OGG steht dort nicht auf der Liste. Ein kleiner Zwischenschritt mit einem Werkzeug wie ffmpeg wandelt die Datei deshalb vorher um, etwa in m4a oder mp3.
Ein Detail, das man beim Bau beachten sollte: OpenAI weist in derselben Dokumentation darauf hin, dass mehrere ältere Transkriptionsmodelle abgekündigt sind. Bauen Sie den Workflow so, dass sich das Modell an einer Stelle austauschen lässt.
Schritt 3: Transkribieren
Die Audiodatei geht an ein Spracherkennungsmodell. Das kann ein Cloud-Dienst sein oder ein Modell, das auf eigener Hardware läuft. Whisper, das OpenAI als Open-Source-Modell veröffentlicht hat, kann laut Projektseite mehrsprachige Spracherkennung und Spracherkennung der Sprache selbst; es gibt dort verschiedene Modellgrößen mit unterschiedlichem Speicherbedarf und Tempo. Für einen kleinen Betrieb ist ein Cloud-Dienst meist einfacher, ein lokales Modell kann sinnvoll sein, wenn Audiodateien das Haus nicht verlassen sollen.
Ergebnis für Frau Berger: ein Fließtext, ungefähr so, wie sie gesprochen hat – mit „äh“, Wiederholungen und der Adresse irgendwo in der Mitte.
Schritt 4: Zusammenfassen und strukturieren
Jetzt kommt ein Sprachmodell mit einer klaren Anweisung: „Fasse diese Kundennachricht für einen Installateurbetrieb zusammen. Gib aus: Name, Adresse, Anliegen in einem Satz, Dringlichkeit (hoch/normal/niedrig mit Begründung), gewünschter Zeitraum, offene Fragen. Erfinde nichts; wenn eine Angabe fehlt, schreibe ‚fehlt‘.“
Der letzte Satz ist wichtig. Ohne ihn ergänzen Sprachmodelle gern plausible, aber falsche Details.
Ergebnis:
- Name: Berger
- Adresse: [aus Transkript, Bezirk 1160]
- Anliegen: Tropfen unter dem Waschbecken im Bad
- Dringlichkeit: normal – kein Wasserschaden erwähnt
- Zeitraum: diese Woche
- Offene Fragen: Telefonnummer für Terminabsprache? (WhatsApp-Nummer vorhanden)
Schritt 5: Ablegen und zuordnen
Die Zusammenfassung landet dort, wo Ihr Team arbeitet: als Ticket, als Eintrag in der Auftragsliste, als Karte im Planungstool oder als E-Mail ans Büro. Dazu gehören immer der Link zur Originalnachricht und das vollständige Transkript. Bei bekannten Kunden kann der Workflow anhand der Telefonnummer den Kundendatensatz zuordnen.
Schritt 6: Ein Mensch bestätigt
Jemand im Büro liest die Zusammenfassung, hört bei Unklarheiten in die Originalnachricht und gibt den Auftrag frei – oder antwortet dem Kunden. Statt zwanzig Nachrichten komplett abzuhören, liest das Büro zwanzig Zusammenfassungen und hört nur dort hinein, wo etwas unklar ist.
Nutzen Sie diese Prüfung auch, um den Workflow besser zu machen. Notieren Sie Wörter, die immer wieder falsch erkannt werden – Produktnamen, Gassennamen, Fachbegriffe wie „Eckventil“ oder „Siphon“. Manche Transkriptionsdienste erlauben einen Hinweistext mit solchen Begriffen, und beim Sprachmodell für die Zusammenfassung können Sie die Liste ohnehin in die Anweisung schreiben. So lässt sich die Zahl der Korrekturen nach und nach senken.
Die Grenzen
Dialekt und Umgangssprache. Spracherkennung ist mit Standardsprache am zuverlässigsten. Starker Dialekt, Mischsprache oder Fachjargon aus dem Handwerk führen zu Fehlern – besonders bei Namen, Straßennamen und Zahlen. Testen Sie mit echten Nachrichten Ihrer Kundschaft, bevor Sie sich darauf verlassen.
Zahlen und Adressen. Hausnummern, Telefonnummern und Uhrzeiten sind die heikelsten Stellen. Lassen Sie diese Felder im Zweifel immer gegen die Originalaufnahme prüfen.
Lärm. Baustelle, Wind, Auto – je schlechter die Aufnahme, desto unzuverlässiger das Transkript.
Dringlichkeit einschätzen. Ein Sprachmodell kann Hinweise geben, aber es versteht nicht zuverlässig, was ein echter Notfall ist. Für Notfälle braucht es weiterhin eine Telefonnummer, unter der jemand abhebt.
Datenschutz. Sprachnachrichten enthalten oft persönliche Angaben; klären Sie, welche Dienste Sie dafür verwenden und wo die Daten verarbeitet werden.
Häufige Fragen
Kann ich das mit meiner normalen WhatsApp-Business-App machen?
Automatisch kaum. Die App ist für die Bedienung am Handy gedacht. Für automatische Verarbeitung braucht es die WhatsApp-Business-Plattform mit Schnittstelle, meist über einen Anbieter.
Wie genau ist die Transkription?
Das hängt stark von Aufnahme, Sprache und Dialekt ab. Prüfen Sie mit zwanzig echten Nachrichten und zählen Sie, wie oft wichtige Angaben falsch sind.
Kann der Kunde automatisch eine Antwort bekommen?
Ja, etwa eine kurze Bestätigung „Danke, wir haben Ihre Nachricht erhalten und melden uns bis …“. Inhaltliche Antworten sollten Sie erst automatisieren, wenn die Zusammenfassungen verlässlich sind.
Was kostet so ein Workflow?
Das hängt von Nachrichtenmenge, gewählten Diensten und Integration ab. Die Spracherkennung selbst wird bei Cloud-Diensten meist nach Audiodauer abgerechnet; Details stehen in den Preislisten der Anbieter.
Wenn bei Ihnen jeden Abend Sprachnachrichten abgehört werden, beschreiben Sie mir kurz, wo sie heute landen – oft lässt sich der erste Schritt schon mit wenig Aufwand automatisieren.