Voice-Agent für SHK-Betriebe 2026: Welche Optionen funktionieren wirklich.

Was ein Voice-Agent 2026 macht (und was nicht)

Ein moderner Voice-Agent für SHK-Workflows kann:

• Anrufe entgegennehmen, mit naturalsprachlicher Stimme antworten
• Nach festgelegtem Frage-Schema klassifizieren: Notfall vs. Anfrage vs. Termin-Wunsch
• Termine in Kalender legen (mit Verfügbarkeits-Check)
• Notfälle per SMS/Push direkt an dich eskalieren
• Standard-Fragen beantworten (Öffnungszeiten, Anfahrtsgebiet, „macht ihr Wärmepumpen?")
• Anruf-Transkript + strukturierte Daten ins CRM oder Spreadsheet schreiben

Was sie nicht können (2026):

• Komplexe Diagnose am Telefon („Was riecht aus der Pumpe?") — das bleibt menschlich
• Preise schätzen ohne Vor-Ort-Besichtigung — sollten sie auch nicht
• Aus Erfahrung sprechen über Sub-Geräte-Spezifika ohne ausführliche Wissensbasis

Heißt: Voice-Agent ist Filter + Erste-Ebene-Service, kein Ersatz für menschliche Expertise. Das ist auch der richtige Modus.

Drei Kategorien — und für wen welche

Kategorie 1: General-Purpose-API-Plattformen.

Plattformen wie OpenAI Realtime API, Google Live Speech, oder Anthropic Voice-Endpoints. Sehr flexibel, niedrigere Setup-Hürde für Custom-Workflows, aber: brauchen technische Integration zu Telefonie-Infrastruktur (Twilio, Vonage etc.).

Pro: maximale Workflow-Flexibilität, schnelle Anbindung an beliebige Tools, modernste Modelle. Contra: Telefonie-Layer ist separat aufzusetzen, Compliance/DSGVO ist Eigen-Verantwortung.

Für wen: Betriebe mit klarem Custom-Workflow, wo Integration zu Bestands-Tools wichtiger ist als Out-of-the-Box.

Kategorie 2: Telefonie-spezifische Voice-Bot-Plattformen.

Anbieter wie VAPI, Retell, Bland oder europäische Pendants. Voice-Bot-as-a-Service: du baust den Bot in einer GUI/SDK, sie kümmern sich um Telefonie + Routing + Latenz.

Pro: schneller Time-to-Live, weniger Engineering-Overhead. Contra: Vendor-Lock-In, oft US-basiert (DPF/SCC-Thema), Pricing-Modell pro Minute.

Für wen: Betriebe die schnell starten wollen und wenig Custom-Integration brauchen.

Kategorie 3: Self-Hosted-Stacks.

Open-Source-Komponenten wie LiveKit oder Asterisk plus eigenes STT (z. B. Deutsche-Telekom Voice Engine, Whisper EU-Hosted) plus eigenes TTS plus LLM-Inference (selbst gehostet oder via EU-API). Maximale Kontrolle.

Pro: vollständige EU-Datenhaltung, kein Vendor-Lock-In, langfristig günstiger ab Volumen X. Contra: höchste Setup-Komplexität, längste Time-to-Live, brauchst Engineering-Ressource oder passenden Implementierer.

Für wen: Betriebe mit hohem Compliance-Bedarf (Krankenhaus-Heizungs-Wartung, behördliche SHK-Aufträge) oder sehr hohem Anruf-Volumen, wo die API-Per-Minute-Kosten teurer werden als Self-Hosting.

Was bei SHK-Workflows extra zählt

Eskalations-Logik für Notfälle. Heizung-Ausfall an einem Februar-Abend ist nicht „Anfrage" — das ist Notfall. Der Voice-Agent muss in 5-10 Sekunden klassifizieren und sofort eine SMS an dich schicken plus dem Anrufer ein konkretes Rückruf-Zeitfenster nennen.

Branchenwissen im Prompt. Der Agent muss verstehen was „Brennwerttherme tropft" heißt vs „Wärmepumpe macht komische Geräusche". Ohne SHK-Vokabular im System-Prompt landen Anrufe falsch klassifiziert.

Termin-Logik mit Realität. Der Agent darf nicht einfach „Donnerstag 14 Uhr" anbieten, wenn da schon Monteur Schmitt am anderen Ende der Stadt eingeplant ist. Kalender-Sync + Routen-Awareness gehört rein.

Sprach-Modell auf Deutsch-mit-Dialekt. Anrufer aus Bayerisch-Schwaben sprechen anders als aus Nürnberg. STT-Modell muss Süddeutsch verstehen, sonst landest du in „bitte wiederholen"-Loops.

Datenschutz-Hinweis am Anfang. Bei Sprach-Aufnahme + LLM-Verarbeitung ist Hinweis-Pflicht. Standardformulierung: „Sie sprechen mit unserer KI-Assistenz. Das Gespräch wird zur Bearbeitung Ihrer Anfrage aufgezeichnet. Möchten Sie lieber einen Rückruf?"

Kosten-Modelle 2026

Drei typische Pricing-Strukturen:

1. Per-Minute-Pricing (typisch Voice-Bot-as-a-Service): ein paar Cent bis niedrige zweistellige Cents pro Minute Voice-Stream. Schnell linear bei viel Anruf-Volumen.
2. API-Verbrauch + Telefonie-Fixkosten (General-Purpose-Plattformen): variable API-Kosten + Twilio/Vonage-Fix. Vorhersagbarer bei mittlerem Volumen.
3. Flat-Hosting + Strom + Marge (Self-Hosted): beste Skalierung ab größerem Volumen, schlechteste Setup-Hürde.

Konkrete Math für deinen Betrieb rechnen wir im Audit — abhängig von Anruf-Volumen, Workflow-Komplexität, Compliance-Bedarf.

Pragmatische Empfehlung 2026

Für die meisten SHK-Betriebe im Sweet-Spot 4–25 MA: Kategorie 2 für den Erst-Launch (schneller live, ausreichend für Standard-SHK-Workflows), nach 6-12 Monaten Wechsel auf Kategorie 1 oder 3 wenn das Volumen es rechtfertigt oder Custom-Anforderungen wachsen.

Für Betriebe mit speziellem Compliance-Bedarf (Krankenhäuser, Behörden-Aufträge, sensible Privatkunden): direkt Kategorie 3, Setup-Aufwand wird durch Compliance-Sicherheit gerechtfertigt.

Was wir machen

Wir sind Plattform-agnostisch. Im Audit vergleichen wir 3-4 konkrete Stack-Optionen für deinen Betrieb, mit echten Preisen + Pro/Contra. Implementation läuft je nach Wahl: bei Kategorie 2 typisch 2-4 Wochen, bei Kategorie 3 6-10 Wochen.

Pricing für Implementation ist Festpreis je Workflow, im Erstgespräch besprochen. Managed Hosting (Monitoring, Optimierung, Failure-Handling) ist optional als Add-On verfügbar — separat abgerechnet.

Wenn du eigenes Vorwissen hast

Du hast schon Voice-Agent-Versuche gemacht und willst direkt zur Implementation? Erzähl uns davon im Erstgespräch. Wenn dein Stack solide ist, sparen wir das Audit. Wenn nicht, finden wir die Lücken.

Wenn du nur grob wissen willst was das alles kosten würde: Bürokram-Audit rechnet dir den Verlust ohne Voice-Agent aus — als Referenz für die Investitions-Entscheidung.