Speichert ein KI-Telefonassistent Gespräche? Audio, Transkript und Löschung erklärt

Verarbeiten ist nicht gleich speichern

Damit Telefon-KI zuhören und antworten kann, wird Sprache digital übertragen, in kurzen Abschnitten analysiert und meist in Text umgewandelt. Das ist eine Verarbeitung. Eine dauerhafte Speicherung entsteht erst, wenn Daten nach diesem Arbeitsschritt in einer Datei, Datenbank, Protokollplattform, Analyseoberfläche oder Sicherung weiter verfügbar bleiben.

Der Unterschied ist praktisch wichtig. Auch ein flüchtiger Audiopuffer kann datenschutzrechtlich relevant sein, weil personenbezogene Daten verarbeitet werden. Er ist aber nicht dasselbe wie eine komplette Gesprächsdatei, die später angehört, exportiert oder für Qualitätskontrollen verwendet werden kann. Genauso ist „Audio gelöscht“ keine vollständige Antwort, wenn das wortgetreue Transkript noch Monate in einer Suchoberfläche steht.

Sieben Datenebenen eines KI-Telefonats

Bei der Einführung werden häufig Audioaufnahme und „die Daten“ gleichgesetzt. In einer realen Voice-Architektur liegen jedoch mehrere Objekte mit unterschiedlichen Zwecken und Risiken nebeneinander.

Diese Trennung verhindert zwei typische Fehlentscheidungen. Erstens: Ein Anbieter kann wahrheitsgemäß sagen, keine „Aufnahmen“ zu speichern, während Volltranskripte und Analyseprotokolle erhalten bleiben. Zweitens: Ein Unternehmen kann wertvolle Termin- und Ticketdaten unnötig löschen, nur weil es eigentlich die riskantere Audioebene vermeiden wollte.

Was nach dem Gespräch häufig wirklich gebraucht wird

Für einen Rückruf benötigt ein Team in der Regel kein vollständiges Wortprotokoll. Meist genügen Name oder Referenznummer, erlaubter Kontaktweg, Anliegenkategorie, Dringlichkeitsstufe nach festgelegter Geschäftsregel und ein kurzer Sachverhalt. Für eine Terminbuchung reichen Terminart, Zeitfenster, Standort und bestätigte Kontaktdaten. Datenminimierung bedeutet deshalb nicht „gar nichts speichern“, sondern das fachlich notwendige Ergebnis vom gesamten Gespräch zu trennen.

Aufzeichnung, Transkript und DSGVO: drei getrennte Prüfungen

Eine Gesprächsaufzeichnung berührt nicht nur die DSGVO. § 201 StGB schützt das nichtöffentlich gesprochene Wort. Die Datenschutzkonferenz hält in ihrem Beschluss zu Gesprächsaufzeichnungen eine Aufzeichnung in aller Regel nur mit Einwilligung des externen Gesprächspartners für zulässig. Diese soll vor Beginn aktiv erklärt werden; bloßes Weitertelefonieren nach einem Hinweis reicht danach nicht.

Ein Transkript ist technisch keine Audiodatei. Es bleibt jedoch regelmäßig personenbezogen und kann sogar leichter durchsucht, kopiert und ausgewertet werden. Deshalb braucht auch das Transkript einen bestimmten Zweck, eine tragfähige Rechtsgrundlage, angemessene Zugriffsbeschränkungen und eine Löschregel. Dass keine Stimme abspielbar ist, macht einen vollständigen Gesprächsinhalt nicht automatisch harmlos.

Für sämtliche Ebenen gelten außerdem die Grundsätze aus Artikel 5 DSGVO: Daten müssen zweckgebunden, auf das notwendige Maß beschränkt und nicht länger als nötig identifizierbar gespeichert werden. Nach Artikel 13 gehören unter anderem Zweck, Rechtsgrundlage und Speicherdauer beziehungsweise deren Kriterien in die Information der betroffenen Person.

Keine universelle Löschfrist erfinden

„30 Tage sind DSGVO-konform“ ist keine belastbare Regel. Eine Frist folgt aus dem konkreten Zweck, gesetzlichen Aufbewahrungspflichten, Reklamations- oder Nachweiserfordernissen und dem Risiko der Daten. Ein technisches Fehlerprotokoll kann eine andere Frist benötigen als ein bestätigter Vertragstermin. Genau deshalb sollte jede Datenebene eine eigene Entscheidung erhalten.

So funktioniert Telefon-KI ohne dauerhafte Audioaufnahme

Ein datenarmer Zielzustand lässt sich in fünf Schritten beschreiben:

1. Die Telefonverbindung überträgt kurze Audiopakete an die vereinbarte Sprachverarbeitung.
2. Die Spracherkennung erzeugt nur den Textzustand, den der laufende Dialog benötigt.
3. Die Geschäftslogik fragt ausschließlich freigegebene Informationen ab und bestätigt kritische Werte.
4. Am Ende wird ein kleines strukturiertes Ergebnis an Kalender, CRM oder Ticketsystem übergeben.
5. Flüchtiges Audio, temporärer Dialogzustand und nicht benötigte Rohtexte werden verworfen; lediglich definierte technische Ereignisse bleiben protokolliert.

Dieses Modell ist kein Produktversprechen, sondern ein Architekturziel. Es muss für alle beteiligten Dienste gelten: Telefonie, Streaming, Spracherkennung, Sprachsynthese, Modellanbieter, Orchestrierung, Monitoring und Support. Ein „Zero Retention“-Schalter an nur einer Stelle reicht nicht, wenn eine andere Komponente Prompts oder Audioausschnitte für Debugging speichert.

Aufnahme als getrennte, optionale Funktion

Wenn ein Unternehmen für einen eng begrenzten Prozess wirklich Audio benötigt, sollte die Aufnahme kein unsichtbarer Nebeneffekt des Voice Agents sein. Besser ist eine separat aktivierbare Funktion mit eigenem Berechtigungskonzept, eigenem Einwilligungsablauf, eigener Frist und sichtbarem Status. So kann der normale Termin- oder Serviceprozess ohne Aufnahme weiterlaufen, falls die anrufende Person nicht zustimmt.

Vorlage: die Speicher- und Löschmatrix

Eine gute Matrix enthält keine Sammelzeile „Gesprächsdaten“. Sie ordnet jedes Objekt einem Zweck, einem Start- und Löschereignis sowie einer verantwortlichen Stelle zu.

Die Spalte „Löschregel“ sollte nicht nur eine Zahl enthalten. Nötig sind auch Startpunkt, Ausnahme und Wirkung: Beginnt die Frist mit Gesprächsende, Ticketabschluss oder Widerruf? Wird sofort physisch gelöscht oder zunächst der produktive Zugriff gesperrt? Wann verschwindet die Information aus Backups? Wer genehmigt eine rechtlich erforderliche Sperre?

Falls aufgenommen wird: ein sauberer Gesprächsablauf

Eine Bandansage wie „Dieses Gespräch kann zu Qualitätszwecken aufgezeichnet werden“ mit anschließendem automatischem Start bildet keine aktive Zustimmung ab. Ein belastbarer Ablauf trennt Information, Entscheidung und Beginn:

1. Vor der Aufnahme verständlich sagen, dass aufgenommen wird, für welchen Zweck und wo weitere Datenschutzinformationen erreichbar sind.
2. Eine aktive Entscheidung abfragen, etwa ein klares „Ja“ oder eine eindeutige Tasteneingabe.
3. Bei Ablehnung denselben wesentlichen Service ohne Aufnahme oder eine erreichbare Alternative anbieten.
4. Die Aufnahme technisch erst nach der Zustimmung starten. Die Einwilligungsfrage selbst gehört nicht versehentlich in die Aufnahmedatei.
5. Zeitpunkt, Informationsversion und Entscheidung getrennt vom Gesprächsinhalt nachweisen.
6. Widerruf und Löschbegehren so gestalten, dass die zugehörigen Kopien anhand einer ID gefunden werden.

Ob Einwilligung im konkreten Fall die passende Rechtsgrundlage ist und welche weiteren Anforderungen gelten, sollte juristisch geprüft werden. Der technische Ablauf darf die rechtliche Entscheidung nicht vorwegnehmen.

20 Fragen, die „Wir speichern nichts“ präzisieren

1. Wird eine abspielbare Audiodatei erzeugt – standardmäßig, optional oder nie?
2. Wie lange bleiben Audiopakete in Arbeitsspeicher, Warteschlangen und Fehlerpuffern?
3. Entsteht ein vollständiges oder partielles Transkript?
4. Wird der Dialogzustand nach Gesprächsende persistiert?
5. Welche Zusammenfassungen und strukturierten Felder werden gespeichert?
6. Enthalten technische Logs Textausschnitte, Prompts, Rufnummern oder Namen?
7. Welche Daten sieht das Supportteam im Normal- und Eskalationsfall?
8. Welche Unterauftragnehmer erhalten Audio oder Text?
9. In welchen Ländern erfolgt Verarbeitung, Speicherung und Supportzugriff?
10. Werden Daten für Modelltraining, Produktverbesserung oder menschliche Bewertung verwendet?
11. Gelten Opt-out- oder Zero-Retention-Einstellungen auch für Unterauftragnehmer?
12. Kann Audioaufnahme pro Mandant, Rufnummer und Anwendungsfall technisch gesperrt werden?
13. Welche Rollen dürfen Aufnahme oder Transkriptspeicherung nachträglich aktivieren?
14. Wie werden Konfigurationsänderungen protokolliert und freigegeben?
15. Welche Frist gilt je Datenobjekt, und wodurch beginnt sie?
16. Wie funktionieren Löschung, Sperrung und Auslaufen aus Backups?
17. Gibt es Exporte, Analyseindizes oder Caches außerhalb der Hauptdatenbank?
18. Wie wird ein Auskunfts- oder Löschbegehren über die Dienstekette bearbeitet?
19. Welche Nachweise liefert der Anbieter für einen konkreten Testanruf?
20. Was ändert sich an diesen Antworten bei einem Versions- oder Anbieterwechsel?

15 Tests für Aufzeichnung, Zugriff und Löschung

Verträge und Dokumentation sind notwendig, zeigen aber nicht, was die laufende Konfiguration tatsächlich tut. Vor dem Go-live und nach wesentlichen Änderungen gehört deshalb ein Test mit künstlichen, eindeutig wiederfindbaren Angaben in den Abnahmeplan.

1. Testanruf ohne Zustimmung: Es entsteht keine abspielbare Datei.
2. Testanruf mit verweigerter Zustimmung: Der fachliche Alternativweg funktioniert.
3. Aufnahme wird erst nach aktiver Zustimmung begonnen.
4. Das Portal zeigt nur Rollen mit dokumentiertem Bedarf Zugriff auf Inhalte.
5. Ein Standard-Supportkonto kann keine Gesprächsinhalte öffnen.
6. Das gespeicherte Geschäftsergebnis enthält nur die freigegebenen Felder.
7. Freie Nebensätze tauchen nicht unbemerkt in CRM-Notizen auf.
8. Rufnummern und Namen erscheinen nicht in technischen Fehlermeldungen.
9. Ein Export enthält keine zuvor ausgeschlossenen Audio- oder Rohtextdaten.
10. Die Gesprächs-ID lässt sich über alle dokumentierten Systeme verfolgen.
11. Eine manuelle Löschung entfernt den produktiven Zugriff in allen Oberflächen.
12. Die automatische Frist wird mit einem verkürzten Testmandanten ausgelöst.
13. Suchindex, Cache und Analyseansicht verlieren den gelöschten Inhalt ebenfalls.
14. Die Behandlung in Sicherungen entspricht dem dokumentierten Zyklus.
15. Eine Konfigurationsänderung an Aufnahme oder Frist erzeugt einen prüfbaren Eintrag.

Vier Kennzahlen für den laufenden Betrieb

Fazit: Nicht die Aufnahmefrage, sondern der Datenendzustand zählt

Ein KI-Telefonassistent kann ohne dauerhafte Gesprächsaufnahme betrieben werden. Das ist aber erst dann belastbar, wenn Audio, Rohtext, Zusammenfassung, Ergebnisfelder, Logs und Kopien getrennt dokumentiert und getestet sind. Der beste Zielzustand ist selten „alles speichern“ oder „nichts speichern“. Er lautet: Das notwendige Geschäftsergebnis bleibt, der übrige Gesprächsinhalt verschwindet nachvollziehbar.