Spracheingabe im KI-Chat: Kunden sprechen statt tippen

Auf dem Smartphone ist Tippen der langsamste Weg, eine Frage zu stellen. Das fällt besonders dann auf, wenn ein Anliegen aus mehr als drei Wörtern besteht. 64 Prozent (Bitkom) der Smartphone-Nutzenden in Deutschland haben Sprachassistenten bereits verwendet, 56 Prozent (Bitkom) nutzen Chatbots direkt auf ihrem Gerät. Beide Werte stammen aus einer repräsentativen Befragung von 1.006 Personen (Bitkom) ab 16 Jahren, die der Bitkom im Februar 2026 veröffentlicht hat. Für Betriebe mit einem Chat-Assistenten auf der Website ergibt sich daraus eine einfache Frage: Warum darf der Besucher dort ausschließlich tippen? Spracheingabe im Website-Chat bedeutet, dass jemand auf ein Mikrofon-Symbol tippt, sein Anliegen ausspricht und den erkannten Text vor dem Absenden noch einmal prüft. Alles dahinter bleibt, wie es ist. Dieser Beitrag zeigt, wo Sprache im Chat einen echten Vorteil bringt, wie die Technik dahinter arbeitet, welche Qualitätsfallen typisch sind, was rechtlich zu beachten ist und mit welchem Aufwand ein mittelständischer Betrieb rechnen sollte.

Grafik vergrößern

Beschriftungen der Abbildung

• Chat · Ihr Betrieb
• Wie können wir helfen?
• 0:12
• Sprachnachricht · Aufnahme nur auf Klick
• Transkript · vor dem Absenden prüfbar
• Wir brauchen 12 Rollen Dämmung
• für Bauvorhaben BV-2261.
• Nachricht schreiben ...
• Qualitätsnetz
• Eigennamen-Liste
• Rückbestätigung
• Textkorrektur vor dem Absenden
• Löschfrist für Audio festgelegt
• Vom gesprochenen Satz zur Antwort
• 1
• Aufnahme
• Mikrofon startet erst
• auf aktiven Klick.
• 2
• Transkription
• Audio wird auf dem Server
• in Text umgewandelt.
• 3
• Kontrolle
• Der Text erscheint im
• Feld und ist änderbar.
• 4
• Antwort
• Als Text, auf Wunsch
• auch vorgelesen.
• 64%
• haben Sprach-
• assistenten schon
• genutzt (Bitkom)
• 56 %
• nutzen Chatbots direkt
• auf dem Gerät (Bitkom)
• 91 %
• der Service-Verantwortlichen
• unter KI-Druck (Gartner)
• Reine Spracheingabe
• Antwort als Text · geringer Aufwand
• nachrüstbar · gut prüfbar
• Empfehlung für den Einstieg
• Voller Sprachdialog
• gesprochene Antwort · Latenz zählt
• mehr Aufwand · mehr Abbrüche
• sinnvoll bei klarem Anwendungsfall
• Messen: Anteil Sprachnachrichten · Abbruchquote · Erkennungsfehler je 100 Eingaben
• Barrierefreiheit: mehrere Eingabewege parallel (W3C, WCAG 2.2)
• Mikrofon nur auf aktive Nutzeraktion · keine Daueraufnahme · Löschfrist für Audio
• Verarbeitungsort im Projekt festgelegt · KI-Kennzeichnung nach Artikel 50 ab 2. August 2026

Spracheingabe im KI-Chat-Assistenten

Warum Sprache 2026 ein normaler Eingabeweg ist

Die Zahlen zur Sprachnutzung sind kein Nischenbefund mehr. Von den 1.006 Befragten (Bitkom) der aktuellen Bitkom-Erhebung nutzten 861 (Bitkom) ein Smartphone, und in dieser Gruppe haben 64 Prozent (Bitkom) schon einmal einen Sprachassistenten verwendet. Parallel dazu geben 38 Prozent (Bitkom) an, KI-Funktionen auf dem Gerät regelmäßig zu nutzen; bei den unter 30-Jährigen sind es 54 Prozent (Bitkom). Wer heute eine Website öffnet, bringt also eine Gewohnheit mit, die sich außerhalb der Website längst etabliert hat. Das Sprechen mit einem Gerät fühlt sich für einen großen Teil der Besucher nicht mehr wie ein Experiment an, sondern wie eine Abkürzung.

Interessant ist ein zweiter Befund derselben Erhebung: 53 Prozent (Bitkom) wissen nicht im Detail, an welchen Stellen ihres Geräts KI überhaupt arbeitet. Übertragen auf den Website-Chat heißt das, dass Gewohnheit und Verständnis auseinanderfallen. Menschen sprechen selbstverständlich mit Technik, ohne genau zu wissen, was dahinter passiert. Genau deshalb gehören Transparenz und eine saubere Kennzeichnung zu einer Sprachfunktion dazu, und zwar von Anfang an. Wer zunächst grundsätzlich klären möchte, was ein solcher Assistent leistet, findet die Grundlagen in der Übersicht dazu, was ein KI-Chat-Assistent ist.

Auf der Unternehmensseite wächst der Druck parallel. Eine Gartner-Befragung unter 321 Kundenservice- und Support-Verantwortlichen (Gartner) ergab, dass 91 Prozent (Gartner) von ihnen Druck aus der Geschäftsführung verspüren, KI einzuführen. Dieselbe Erhebung zeigt aber auch, dass nur 20 Prozent (Gartner) tatsächlich wegen KI Personal im Service reduziert haben. Die Botschaft dahinter ist nüchtern: KI-Funktionen werden ergänzt, nicht als Ersatz gedacht. Spracheingabe passt genau in dieses Muster, weil sie einen bestehenden Kanal bequemer macht, statt einen neuen aufzumachen.

Wo Spracheingabe einen echten Vorteil bringt

Sprache ist kein Selbstzweck. Sie lohnt sich dort, wo Tippen unbequem, langsam oder schlicht nicht möglich ist, und sie bringt wenig, wo eine Frage ohnehin in drei Wörtern gestellt wird. Der Anteil mobiler Besuche entscheidet deshalb stärker über den Nutzen als die Branche. Wenn der Assistent an der richtigen Stelle im Layout sitzt und mobil gut erreichbar ist, wird das Mikrofon zur logischen Ergänzung des Eingabefelds statt zu einer weiteren Schaltfläche, die niemand sucht.

Genauso wichtig ist die Gegenprobe. In einem Shop, in dem die häufigste Frage nach dem Verbleib einer Bestellung lautet, spart Sprache kaum Zeit, weil zwei Schaltflächen schneller sind. Und in Umgebungen, in denen Menschen nicht laut sprechen können oder möchten, im Großraumbüro oder in der voll besetzten Bahn, bleibt das Textfeld der bevorzugte Weg. Eine Sprachfunktion sollte deshalb angeboten, aber nicht erzwungen werden: Das Mikrofon steht neben dem Eingabefeld, das Textfeld bleibt der Standard. Diese Reihenfolge klingt banal, entscheidet aber darüber, ob eine Sprachfunktion als Hilfe oder als Zumutung wahrgenommen wird.

Wie Spracheingabe im Browser technisch abläuft

Der Ablauf ist überschaubarer, als er klingt, und er unterscheidet sich in einem entscheidenden Punkt von einem Telefonassistenten: Es gibt keinen offenen Kanal. Der Browser nimmt erst dann auf, wenn jemand aktiv auf das Mikrofon-Symbol tippt, und er hört wieder auf, sobald die Aufnahme beendet wird. Zwischen diesen beiden Klicks liegt alles, was technisch passiert, und danach ist der Sensor wieder still.

• Berechtigung und Start: Der Browser fragt die Mikrofon-Erlaubnis ab. Ohne aktive Nutzeraktion und ohne Freigabe passiert nichts, und ein sichtbarer Aufnahmeindikator zeigt den Zustand während der gesamten Aufnahme an.
• Aufnahme: Das Gesprochene wird als kurzer Audioabschnitt erfasst, üblicherweise wenige Sekunden bis knapp zwei Minuten. Eine sichtbare Pegelanzeige hilft, weil sie belegt, dass tatsächlich etwas ankommt.
• Transkription: Das Audio wird an den Server übertragen und dort in Text umgewandelt. Bei XICBOT gehört dieser Schritt nicht zum Standardbetrieb; wo er läuft, wird im Projekt der Zusatzfunktion festgelegt.
• Kontrolle: Der erkannte Text erscheint im Eingabefeld, statt sofort abgeschickt zu werden. Wer einen Namen oder eine Zahl korrigieren möchte, tut das vor dem Absenden.
• Antwort: Der Assistent antwortet wie gewohnt als Text im Chatverlauf. Optional lässt sich die Antwort zusätzlich vorlesen, etwa wenn der Bildschirm gerade nicht im Blick ist.

Technisch ist das ein Aufsatz auf den bestehenden Chat und kein zweites System. Die Wissensbasis, die Tool-Anbindungen und die Übergabe an einen Menschen bleiben unverändert, weil am Ende der Kette wieder Text steht. Deshalb lässt sich Spracheingabe auch nachträglich ergänzen, wenn der Assistent bereits läuft. Wie die Einbindung in Website und Shop grundsätzlich funktioniert, ist an anderer Stelle beschrieben, und die technische Integration in bestehende Systeme ändert sich durch eine Sprachfunktion nicht.

Reine Spracheingabe oder voller Sprachdialog

In Anfragen und Ausschreibungen werden zwei sehr unterschiedliche Dinge oft in einen Topf geworfen. Reine Spracheingabe heißt: sprechen statt tippen, Antwort als Text. Voller Sprachdialog heißt: sprechen und eine gesprochene Antwort hören, im Idealfall mit Unterbrechen und natürlichem Rhythmus. Der Unterschied im Aufwand ist erheblich, und er entscheidet häufig darüber, ob ein Vorhaben in wenigen Wochen oder erst nach Monaten live geht.

Für die meisten mittelständischen Websites ist die reine Spracheingabe der bessere erste Schritt. Sie liefert den größten Teil des Nutzens, kostet einen Bruchteil des Aufwands und lässt sich messen, bevor größere Entscheidungen fallen. Ein voller Sprachdialog lohnt sich dort, wo Hände und Blick tatsächlich gebunden sind, etwa in Werkstatt, Lager oder Außendienst, und wo sich der Aufwand über wiederkehrende Abläufe rechnet. Wer beides gleichzeitig einführen möchte, verlängert das Projekt spürbar, ohne den Nutzen im gleichen Maß zu erhöhen.

Qualitätsfallen: Dialekt, Fachbegriffe, Bestellnummern

Sprachtechnik ist heute gut, aber sie ist nicht neutral. Sie ist auf Standardsprache trainiert und gerät genau dort ins Rutschen, wo es für einen Betrieb interessant wird: bei Eigennamen, Artikelbezeichnungen und Zahlen. Ein Dialekt, ein verschlucktes Wortende oder eine laute Umgebung verschieben das Ergebnis zusätzlich. Wer das ignoriert, bekommt Anfragen, die formal sauber aussehen, inhaltlich aber am Thema vorbeigehen, und merkt es erst, wenn ein Angebot auf der falschen Artikelnummer beruht.

• Dialekt und Sprechtempo: Regionale Färbung, hohes Tempo und abgeschnittene Wortenden führen zu Lücken. Kurze Sätze werden zuverlässiger erkannt als lange Schachtelsätze.
• Fachbegriffe und Produktnamen: Materialbezeichnungen, Typenschlüssel und Eigennamen sind selten Teil des allgemeinen Sprachschatzes und landen sonst als lautähnliches Alltagswort im Transkript.
• Zahlen, Maße und Bestellnummern: Kombinationen aus Buchstaben und Ziffern sind die häufigste Fehlerquelle, weil sie sich nicht aus dem Satzzusammenhang erschließen lassen.
• Umgebungslärm: Baustelle, Werkstatt, Straßenverkehr und Freisprechanlagen senken die Erkennungsqualität spürbar, und zwar unabhängig davon, wie deutlich jemand spricht.
• Mehrere Sprecher: Wenn im Hintergrund gesprochen wird, mischen sich Fragmente in das Transkript und erzeugen Sätze, die niemand so gesagt hat.

Gegen jede dieser Fallen gibt es ein konkretes Mittel, und keines davon ist aufwendig. Ein Wörterbuch mit Eigennamen, Produktlinien und Abkürzungen des Betriebs verbessert die Erkennung genau an den Stellen, die zählen. Eine Rückbestätigung bei Zahlen, Nummern und Terminen lässt den Assistenten das Verstandene wiederholen, bevor er handelt. Und weil der erkannte Text vor dem Absenden im Feld steht, korrigiert im Zweifel der Mensch selbst. Diese drei Maßnahmen zusammen fangen einen großen Teil der typischen Fehler ab. Wie belastbare Inhalte dahinter entstehen, beschreibt der Beitrag zum Aufbau einer Wissensbasis; dass ein Assistent bei Unsicherheit lieber nachfragt als rät, ist im Text zum Vermeiden von Halluzinationen ausgeführt.

Recht und Vertrauen: Mikrofon, Audio, Kennzeichnung

Das Mikrofon ist ein sensibler Sensor, und Besucher reagieren entsprechend vorsichtig. Die technische Grundregel ist deshalb einfach: Aufnahme erst nach einer aktiven Nutzeraktion, sichtbarer Zustand während der Aufnahme, jederzeit abbrechbar und keine Daueraufnahme im Hintergrund. Der Browser fragt die Berechtigung ohnehin ab, aber die Gestaltung entscheidet darüber, ob die Freigabe auch erteilt wird. Ein Mikrofon-Symbol ohne erklärenden Hinweis wird deutlich seltener angetippt als eines mit einem kurzen Satz daneben.

Datenschutzrechtlich sind Sprachaufnahmen personenbezogene Daten, weil die Stimme eine Person identifizierbar machen kann. Daraus folgen drei Punkte, die vor dem Livegang geklärt sein sollten: wo verarbeitet wird, wie lange das Audio aufbewahrt wird und wer es zu sehen bekommt. Bei XICBOT ist Spracheingabe eine Zusatzfunktion außerhalb des Standardbetriebs; diese drei Punkte werden im Projekt dafür festgelegt. Die Grundlagen dazu stehen auf der Seite zu Datenschutz und Hosting, die datenschutzrechtliche Einordnung eines Chat-Assistenten im Beitrag zur DSGVO im KI-Chat. Eine Löschfrist gehört in das Verarbeitungsverzeichnis, nicht in eine mündliche Absprache.

Dazu kommt die Kennzeichnungspflicht. Nach Artikel 50 der Verordnung (EU) 2024/1689 müssen KI-Systeme, die direkt mit Menschen interagieren, so gestaltet sein, dass die Betroffenen erkennen, dass sie es mit einer KI zu tun haben; die Transparenzpflichten werden ab dem 2. August 2026 (Europäische Kommission) anwendbar. Wird die Antwort zusätzlich vorgelesen, entsteht künstlich erzeugtes Audio, was die Transparenzanforderungen eher verschärft als entspannt. Verstöße gegen Artikel 50 können nach Artikel 99 mit Bußgeldern von bis zu 15 Millionen Euro (Verordnung (EU) 2024/1689) oder 3 Prozent (Verordnung (EU) 2024/1689) des weltweiten Jahresumsatzes geahndet werden. Was das im Detail bedeutet, ist im Beitrag zur Kennzeichnungspflicht nach der KI-Verordnung ausgeführt.

Barrierefreiheit als willkommener Nebeneffekt

Ein zweiter Eingabeweg ist mehr als Komfort. Die Web Content Accessibility Guidelines des W3C, aktuell in der Fassung WCAG 2.2 (W3C), gehen davon aus, dass Menschen unterschiedliche Eingabemethoden nutzen und zwischen ihnen wechseln. Das Erfolgskriterium 2.5.6 zu gleichzeitig verfügbaren Eingabemechanismen verlangt auf der Stufe AAA, dass Inhalte die vom System angebotenen Eingabewege nicht ohne zwingenden Grund einschränken (W3C). Wer neben Tastatur und Zeigegerät auch Sprache anbietet, arbeitet genau in diese Richtung.

Relevant ist außerdem ein Kriterium, das man auf den ersten Blick nicht mit Sprache verbindet: 2.5.3 Label in Name (W3C) auf Stufe A verlangt, dass der zugängliche Name eines Bedienelements den sichtbaren Text enthält. Genau davon leben Menschen, die ihren Rechner per Sprachbefehl steuern, denn sie sagen, was sie sehen. Ein Mikrofon-Button, dessen sichtbare Beschriftung von seinem technischen Namen abweicht, ist für diese Gruppe nicht ansprechbar. Die Fassung WCAG 2.2 ergänzt die Vorgängerversion um neun (W3C) zusätzliche Erfolgskriterien und ist seit Oktober 2023 Empfehlung des W3C.

Ein Punkt bleibt dabei zentral: Sprache ersetzt die Tastaturbedienung nicht, sie ergänzt sie. Ein Chat, der sich ausschließlich per Mikrofon bedienen ließe, würde neue Barrieren aufbauen, etwa für gehörlose Menschen oder für alle, die nicht sprechen können oder möchten. Die Anforderungen an einen barrierefreien KI-Assistenten nach BFSG gelten unverändert weiter, und Spracheingabe kommt als zusätzlicher Weg dazu, nicht an deren Stelle.

Was Sie nach dem Start messen sollten

Ob sich eine Sprachfunktion lohnt, lässt sich nach wenigen Wochen beantworten, wenn die richtigen Kennzahlen von Anfang an mitlaufen. Wichtig ist, nicht nur die Nutzung zu zählen, sondern auch die Qualität. Eine hohe Zahl an Sprachnachrichten bei gleichzeitig vielen Korrekturen ist ein Warnsignal und kein Erfolg, weil sie zeigt, dass die Erkennung dem Vokabular des Betriebs hinterherläuft.

• Anteil der Nachrichten, die über das Mikrofon statt über die Tastatur entstehen, getrennt nach mobil und Desktop.
• Abbruchquote der Aufnahme: Wie oft wird gestartet und ohne Absenden wieder verworfen?
• Durchschnittliche Länge der Anliegen im Vergleich zu getippten Nachrichten, gemessen in Wörtern.
• Korrekturrate: Anteil der Transkripte, die vor dem Absenden im Feld noch geändert werden.
• Erkennungsfehler je 100 Sprachnachrichten, ausgewertet an einer Stichprobe echter Verläufe.
• Lösungsquote und Übergabequote an einen Mitarbeiter, jeweils im Vergleich zwischen gesprochenen und getippten Anfragen.

Diese Werte fallen im Chatverlauf ohnehin an und lassen sich in der Gesprächsanalyse auswerten. Wichtig bleibt eine Stichprobe von Hand: Zwei Stunden, in denen jemand fünfzig Verläufe liest, zeigen mehr über die Erkennungsqualität als jede aggregierte Kennzahl, weil sich Fehlerarten erst im Wortlaut zeigen. Wie sich aus Chatverläufen systematisch Verbesserungen ableiten lassen, beschreibt der Beitrag zum Auswerten und Optimieren von Chats.

Aufwand und Einführung im Mittelstand

Für einen bestehenden Assistenten ist Spracheingabe ein überschaubares Vorhaben, weil sie am Anfang der Kette ansetzt und alles dahinter unverändert lässt. Der Aufwand verteilt sich typischerweise auf vier Blöcke, die sich teilweise parallel erledigen lassen und von denen nur einer wirklich Fachwissen aus dem Betrieb braucht.

• Technische Einbindung: Mikrofon-Button, Aufnahme, Berechtigungsdialog, Zustandsanzeige und die Übergabe des Transkripts in das Eingabefeld.
• Fachliche Anpassung: Wörterbuch mit Eigennamen, Produktbezeichnungen, Abkürzungen und Ortsnamen des Betriebs, dazu Regeln für die Rückbestätigung bei Zahlen.
• Recht und Text: Ergänzung der Datenschutzerklärung, Hinweis im Chat, Festlegung der Löschfrist für Audio und Eintrag in das Verarbeitungsverzeichnis.
• Test und Feinschliff: Aufnahmen aus realistischen Umgebungen, also Baustelle, Werkstatt, Auto und Büro, statt ausschließlich am ruhigen Schreibtisch.

Der größte Fehler in diesem Ablauf ist ein zu kurzer vierter Block. Eine Sprachfunktion, die nur im Büro getestet wurde, wirkt im Alltag deutlich schwächer, als sie in der Abnahme gewirkt hat. Sinnvoll ist deshalb ein begrenzter Start: Sprache zunächst nur mobil anbieten, vier Wochen messen, dann entscheiden, ob sie auf allen Geräten ausgerollt wird. Wie eine strukturierte Abnahme mit Testfällen aussieht, zeigt der Beitrag zum Livegang eines KI-Assistenten.

Spracheingabe ist bei XICBOT keine Standardschaltfläche, sondern eine individuelle Zusatzfunktion des bestehenden Assistenten. Sie wird auf die Begriffe des Betriebs trainiert und lässt sich nachträglich ergänzen, ohne den laufenden Chat neu aufzusetzen. Dasselbe Prinzip gilt für verwandte Erweiterungen: Wie ein Assistent mit hochgeladenen Fotos umgeht, beschreibt der Beitrag zum Bild-Upload im KI-Chat, und wie sich derselbe Ansatz nach innen richten lässt, der Text zum internen KI-Assistenten für Mitarbeiter. Gerade intern spielt Sprache ihre Stärken aus, weil im Lager und in der Werkstatt selten jemand tippen möchte. Ob Spracheingabe auf Ihrer Website sinnvoll ist und was sie in Ihrem Fall braucht, klären wir gern über die Kontaktseite.

Häufige Fragen