Kurzantwort: Für normale Geschäftsdialoge ist eine wahrgenommene Antwortpause von ungefähr 0,8 bis 1,4 Sekunden ein sinnvoller praktischer Zielkorridor. Das ist kein universeller Standard: Eine kurze Bestätigung darf schneller beginnen, eine echte Kalender- oder CRM-Abfrage kann länger dauern. Bewertet werden sollten immer die vollständige Zeit vom Ende der Anruferaussage bis zum ersten hörbaren Ton der KI, das 95. Perzentil, Unterbrechungsfehler und fachliche Richtigkeit.
Gesprächslatenz ist sofort hörbar. Antwortet die KI zu spät, entsteht eine peinliche Stille: Die anrufende Person sagt „Hallo?“, beginnt erneut oder legt auf. Antwortet sie zu früh, fällt sie ins Wort. Beide Probleme wirken wie schlechte Spracherkennung, obwohl häufig die Turn-Erkennung oder Messmethode die eigentliche Ursache ist.
Deshalb genügt weder ein subjektiver Eindruck noch die schnellste Demo. Eine belastbare Bewertung trennt Netzwerk, Gesprächssteuerung und Antwortpipeline und misst am Ort, an dem die Verzögerung wahrgenommen wird: am Ohr der anrufenden Person.
Welche Reaktionszeit wirklich zählt
Für einen Telefonanruf ist die wichtigste Kennzahl die Zeit zwischen zwei hörbaren Ereignissen:
Wahrgenommene Reaktionszeit = Zeitpunkt des ersten hörbaren KI-Tons − Ende der hörbaren Anruferaussage
Twilio bezeichnet diese Ende-zu-Ende-Größe in seiner technischen Latenzdokumentation als Mouth-to-Ear Turn Gap. Sie umfasst auch die Übertragung durch Telefonnetz und Internet. Die dort getrennt ausgewiesene Platform Turn Gap beginnt und endet dagegen innerhalb der Voice-Agent-Plattform und kann deshalb deutlich besser aussehen als das, was ein echter Anrufer erlebt.
Vier häufig genannte Messwerte – und ihre Grenzen
| Messwert | Beginn und Ende | Wofür er taugt | Was fehlt |
|---|---|---|---|
| STT-Latenz | Audioeingang bis Transkript | Spracherkennung vergleichen | Turn-Erkennung, Antwort, Sprachausgabe |
| LLM TTFT | Anfrage bis erstes Text-Token | Modellreaktion analysieren | Wissenssuche, Telefonnetz, hörbare Ausgabe |
| TTS TTFB | Text bis erstes Audio-Byte | Stimmerzeugung vergleichen | vorherige Stufen und Ausspielung ans Ohr |
| Mouth-to-Ear Turn Gap | Ende Mensch bis erster hörbarer KI-Ton | tatsächliche Gesprächserfahrung | erklärt allein noch nicht die Ursache |
Eine Werbeaussage wie „200 Millisekunden Latenz“ ist daher wertlos, solange Startpunkt, Endpunkt, Perzentil, Telefonweg und Testsituation fehlen.
Netzwerklatenz ist nicht Agentenlatenz
Die ITU-T-Empfehlung G.114 behandelt die Auswirkung einseitiger Übertragungszeit auf Telefongespräche. Diese Netzlaufzeit ist nur ein Teil der wahrgenommenen Pause. Ein Voice Agent addiert Turn-Erkennung, Spracherkennung, Wissens- und Toolzugriffe, Antworterzeugung sowie Sprachausgabe. Ein Anbieter darf den ITU-Netzwert deshalb nicht als Zielwert für die gesamte KI-Antwort darstellen.
Wie schnell sollte die KI antworten?
Menschen wechseln im Gespräch sehr schnell die Sprecherrolle. Eine sprachvergleichende PNAS-Studie zum menschlichen Turn-Taking fand über zehn Sprachen hinweg einen häufigsten Übergangsbereich zwischen 0 und 200 Millisekunden und einen Gesamtmittelwert von 208 Millisekunden. Dieser Wert beschreibt menschliche Konversation – nicht die technisch notwendige oder realistisch erreichbare Antwortzeit eines KI-Systems.
Als produktionsnahen Startbenchmark veröffentlichte Twilio im November 2025 für die vollständige Mouth-to-Ear Turn Gap einen Median-Zielwert von 1.115 Millisekunden und eine obere Startgrenze von 1.400 Millisekunden. Das ist ein Anbieterbenchmark, kein Branchenstandard. Aus diesen Quellen und praktischer Gesprächsbewertung ergibt sich folgende Arbeitsklassifikation:
| Wahrgenommene Pause | Praktische Einordnung | Was geprüft werden sollte |
|---|---|---|
| unter 0,6 s | sehr schnell; kann bei kurzen Denkpausen zu aggressiv sein | Fällt die KI Menschen ins Wort? |
| 0,6–0,8 s | sehr reaktionsschnell für einfache Bestätigungen | Ist die Antwort trotzdem vollständig und korrekt? |
| 0,8–1,4 s | sinnvoller Zielkorridor für normale Dialogzüge | Bleibt auch P95 unter Kontrolle? |
| 1,4–2,0 s | deutlich wahrnehmbar, je nach Aufgabe noch akzeptabel | Nur bei komplexeren Fragen oder in jedem Turn? |
| über 2,0 s | im Routinegespräch meist störend | Welche Komponente blockiert, ist eine Zwischenansage sinnvoll? |
Diese Einteilung ist eine Teloro-Redaktionsheuristik, kein normativer Grenzwert. Sie soll Messwerte entscheidbar machen. Eine korrekte Terminbuchung nach 1,7 Sekunden kann besser sein als eine falsche Zusage nach 0,7 Sekunden.
Kontext verändert die akzeptable Pause
- Begrüßung: sollte ohne irritierenden Kaltstart beginnen.
- Kurze Bestätigung: „Ja“ oder „verstanden“ darf schnell folgen.
- Offene Frage: eine kleine Denkpause wirkt natürlicher als sofortiges Dazwischenreden.
- Kalender- oder CRM-Abfrage: längere Dauer ist plausibel, sollte aber knapp angekündigt werden.
- Unterbrechung: wenn der Mensch wieder spricht, muss die KI-Ausgabe rasch stoppen.
- Sensible Entscheidung: fachliche Sicherheit hat Vorrang vor Tempo.
Wo Reaktionszeit entsteht: die vollständige Latenzkette
| Stufe | Aufgabe | Typische Ursache unnötiger Verzögerung | Messsignal |
|---|---|---|---|
| 1. Eingehendes Netz | Audio vom Telefon zur Plattform | Routing, Region, Jitter und Puffer | Ankunft erster/letzter Audioframes |
| 2. Turn-Erkennung | erkennen, ob der Mensch fertig ist | zu lange Stille-Schwelle | Ende Sprache bis End-of-Turn-Ereignis |
| 3. Speech-to-Text | Audio in Text umwandeln | nicht-streamende Erkennung oder instabile Teilergebnisse | finales Transkript |
| 4. Orchestrierung | Regeln, Wissen und Aktionen bestimmen | serielle Toolaufrufe, große Prompts, langsame Suche | Start und Ende jedes Tools |
| 5. Antwortmodell | passende Antwort erzeugen | zu großes Modell oder unnötig lange Ausgabe | erstes und letztes Text-Token |
| 6. Text-to-Speech | Text in Audio wandeln | keine Streaming-Ausgabe oder Kaltstart | erstes Audio-Byte |
| 7. Ausgehendes Netz | Audio zum Anrufer transportieren | Puffer, Codec und Routing | erster hörbarer Ton am Testanschluss |
Gesamtlatenz ist nicht immer die Summe vollständig nacheinander laufender Blöcke. Moderne Systeme streamen Transkript, Text und Audio und überlappen damit Arbeit. Für die Diagnose bleiben Komponentenzeitstempel trotzdem wichtig.
Der oft größte Hebel: Wann gilt eine Aussage als beendet?
Ein System kann erst antworten, wenn es glaubt, dass die anrufende Person ihren Turn beendet hat. Eine kurze Pause vor einer Telefonnummer oder Selbstkorrektur darf nicht als Ende missverstanden werden. Eine lange Stille-Schwelle verhindert Unterbrechungen, macht aber jeden Dialog langsamer.
Deshalb sollte Turn-Erkennung nicht mit einem einzigen Idealwert bewertet werden. Sie braucht mindestens diese Fälle:
- normaler Satzabschluss,
- kurze Denkpause mitten im Satz,
- „ähm“ und gedehnte Silben,
- Selbstkorrektur nach einer Pause,
- Hintergrundstimme oder Radio,
- bewusstes Unterbrechen der KI.
Reaktionszeit korrekt messen: ein reproduzierbares Verfahren
1. Am Anruferende aufzeichnen
Die Messaufnahme muss enthalten, was die Testperson tatsächlich hört. Eine interne Plattformaufzeichnung lässt Netz- und Ausspielungsverzögerung aus und eignet sich nur zur Ursachenanalyse.
2. Messpunkte eindeutig definieren
Start ist das Ende des letzten hörbaren Sprachlauts der Testperson, nicht das interne End-of-Turn-Ereignis. Ende ist der Beginn des ersten hörbaren KI-Sprachlauts, nicht das erste vom TTS erzeugte Byte. Ein Signalton, Rauschen oder stummer Audiobuffer zählt nicht als Antwort.
3. Mehrere Kennzahlen berichten
| Kennzahl | Warum sie nötig ist |
|---|---|
| Median (P50) | typisches Gesprächserlebnis ohne Ausreißerverzerrung |
| P95 | Wert, den 95 Prozent der gemessenen Turns nicht überschreiten |
| Maximum | schlimmster beobachteter Stillstand |
| Streuung | zeigt, ob das System konstant oder unberechenbar reagiert |
| False-Cut-Rate | Anteil der Turns, bei denen die KI zu früh einsetzt |
| Barge-in-Stoppzeit | Zeit, bis die KI nach menschlicher Unterbrechung verstummt |
| Aufgaben-Erfolg | verhindert Optimierung zulasten der Richtigkeit |
4. Mindestens 30 normale und 30 schwierige Turns messen
Ein einzelner Demoanruf ist statistisch wertlos. Als pragmatische Mindestbasis empfehlen wir zwei Gruppen mit jeweils 30 Dialogzügen: normale FAQ und Datenerfassung sowie schwierige Turns mit Pause, Korrektur, Wissenssuche, Integration oder Last. Das ist kein wissenschaftlicher Stichprobenstandard, aber groß genug, um Median, P95 und Fehlerbilder sinnvoll zu vergleichen.
5. Kaltstart und Last getrennt ausweisen
Der erste Anruf nach längerer Inaktivität kann langsamer sein als Folgeanrufe. Ebenso kann sich das Verhalten bei mehreren parallelen Gesprächen verändern. Messen Sie deshalb:
- ersten Anruf nach Inaktivität,
- warmen Einzelanruf,
- geplante Parallelität,
- 125 Prozent der geplanten Spitze,
- externe Kalender- oder CRM-Abfrage.
Wie parallele Last bestimmt wird, erklärt der Beitrag Parallele Anrufe mit Telefon-KI berechnen.
Die Teloro-Latenzmatrix: zwölf Pflichtszenarien
| Nr. | Szenario | Was gemessen wird | Zusätzlicher Fehler |
|---|---|---|---|
| 1 | einfache Öffnungszeitenfrage | Basis-Turn-Gap | unnötig lange Antwort |
| 2 | kurzes „Ja“ als Bestätigung | schneller Standardturn | Ja/Nein verwechselt |
| 3 | Name und Rufnummer in einem Satz | STT plus Bestätigung | Datenfehler |
| 4 | Denkpause mitten im Satz | Turn-Erkennung | KI fällt ins Wort |
| 5 | Selbstkorrektur nach kurzer Pause | End-of-Turn-Entscheidung | alte Angabe bleibt aktiv |
| 6 | Anrufer unterbricht lange KI-Antwort | Barge-in-Stoppzeit | KI spricht weiter |
| 7 | Frage mit Wissenssuche | Retrieval-Latenz | unbelegte Antwort |
| 8 | Kalenderabfrage | Tool-Latenz Ende-zu-Ende | falscher freier Termin |
| 9 | Kalender nicht erreichbar | Timeout und Fallback | falsche Buchungsbestätigung |
| 10 | moderates Hintergrundgeräusch | STT- und Turn-Stabilität | False Cut |
| 11 | fünf parallele Gespräche | P50/P95 unter Last | Gespräche beeinflussen sich |
| 12 | Live-Weiterleitung | Zeit bis Klingeln und Übernahme | Kontext geht verloren |
Latenz verbessern, ohne Qualität zu zerstören
Optimierung beginnt bei Messdaten, nicht beim pauschalen Austausch des Sprachmodells.
Turn-Erkennung nach Gesprächssituation steuern
Kurze Ja/Nein-Fragen und lange Adressangaben brauchen unterschiedliche Geduld. Wenn das System kontextabhängige End-of-Turn-Regeln unterstützt, kann es bei erwarteten Nummern oder Buchstabieren längere Zwischenpausen tolerieren und bei einer eindeutigen Bestätigung schneller reagieren.
Antwort und Audio streamen
Die KI muss nicht auf den vollständigen Text warten, bevor sie zu sprechen beginnt. Streaming senkt die Zeit bis zum ersten hörbaren Wort. Die Ausgabe darf jedoch erst starten, wenn der Anfang stabil ist; sonst entstehen Satzabbrüche oder Korrekturen mitten in der Sprachausgabe.
Wissen und Tools gezielt aufrufen
Nicht jede Öffnungszeitenfrage braucht CRM, Kalender und umfangreiche Dokumentensuche. Klare Routingregeln verhindern unnötige serielle Abfragen. Häufige stabile Fakten können schnell aus einer begrenzten Wissensbasis beantwortet werden; transaktionale Daten bleiben im zuständigen System.
Gesprochene Antworten kürzen
Kurze Antworten senken nicht die Zeit bis zum ersten Ton, verbessern aber den gesamten Gesprächsfluss. Telefontexte sollten mit der Antwort beginnen und Details nur auf Nachfrage liefern. Hinweise dafür enthält der Beitrag Wissensbasis für KI-Telefonassistenten erstellen.
Längere echte Abfragen transparent machen
Wenn ein Kalender mehrere Sekunden benötigt, ist eine knappe Zwischenansage sinnvoll: „Ich prüfe die freien Zeiten.“ Sie darf nicht als Dauerfüller in jedem Turn erscheinen. Außerdem braucht jeder Toolaufruf ein Timeout und einen sicheren Ersatzprozess.
Nicht auf Kosten der Richtigkeit optimieren
Aktuelle Voice-Agent-Forschung bewertet Reaktionszeit nicht isoliert. EVA-Bench verbindet Aufgabenrichtigkeit mit Gesprächsverlauf, Kürze und Turn-Taking; SPEARBench betrachtet unter anderem Latenz, Unterbrechungen, Sprachqualität und Robustheit gemeinsam. Das entspricht der Praxis: Eine schnelle falsche Buchung ist kein gutes Gespräch.
Zwölf Fragen an Anbieter
- Welche Ende-zu-Ende-Latenz wird tatsächlich gemessen?
- Beginnt die Messung am Anruferende oder erst innerhalb der Plattform?
- Wird der Median, P95 oder nur der beste Einzelwert genannt?
- Beziehen sich Werte auf Telefonnetz, WebRTC oder lokale Testaudio-Dateien?
- Wie verändert sich die Latenz unter der gebuchten Parallelität?
- Wie wird ein Gesprächsende erkannt und lässt sich das Verhalten anpassen?
- Wie schnell stoppt die KI, wenn der Anrufer sie unterbricht?
- Welche Zeiten entstehen bei Wissens-, Kalender- und CRM-Abfragen?
- Welche Timeouts und Fallbacks gelten bei langsamen Zielsystemen?
- Werden Komponentenzeitstempel und P95 im Dashboard sichtbar?
- Kann ein eigener Telefonanruf vom Mobil- und Festnetz gemessen werden?
- Bleibt die Aufgaben-Erfolgsquote während der Latenzoptimierung unverändert?
Häufige Fragen zu Reaktionszeit und Latenz
Wie schnell sollte ein KI-Telefonassistent antworten?
Für normale Geschäftsdialoge ist eine wahrgenommene Reaktionszeit von ungefähr 0,8 bis 1,4 Sekunden ein sinnvoller praktischer Zielkorridor. Kurze Bestätigungen dürfen schneller sein, komplexe Systemabfragen können länger dauern.
Wie misst man die Reaktionszeit korrekt?
Auf der Seite der anrufenden Person: vom Ende ihrer hörbaren Äußerung bis zum ersten hörbaren Sprachlaut der KI. Damit werden Telefonnetz, Turn-Erkennung, Spracherkennung, Antwort, Sprachausgabe und Rückweg erfasst.
Reicht der Durchschnitt?
Nein. Berichten Sie mindestens Median, P95, Maximum, Streuung, Unterbrechungsfehler und Aufgaben-Erfolg. Ein guter Mittelwert kann einzelne sehr lange Pausen verdecken.
Warum antwortet Telefon-KI manchmal spät?
Verzögerung kann in Telefonnetz, Turn-Erkennung, Speech-to-Text, Wissenssuche, Sprachmodell, Kalender oder CRM, Text-to-Speech und Audio-Puffern entstehen. Mehrere kleine Wartezeiten addieren sich.
Kann die KI zu schnell antworten?
Ja. Wird eine kurze Denkpause als Gesprächsende erkannt, fällt sie ins Wort. Niedrige Latenz ohne zuverlässige Turn-Erkennung verschlechtert das Gespräch.
Was ist wichtiger: Geschwindigkeit oder richtige Antwort?
Die richtige und sicher ausgeführte Antwort hat Vorrang. Bei einer legitimen längeren Abfrage sollte die KI knapp ankündigen, dass sie prüft, statt vorschnell ein falsches Ergebnis zu nennen.
Fazit: Messen, was der Anrufer hört
Die relevante Reaktionszeit beginnt nicht beim Sprachmodell und endet nicht beim ersten Audio-Byte. Sie beginnt am Ende der menschlichen Aussage und endet mit der hörbaren KI-Antwort. Nur diese Ende-zu-Ende-Messung zeigt das tatsächliche Gesprächserlebnis.
Ein sinnvoller Zielkorridor, Median und P95, Turn-Fehler, Lastverhalten und Aufgaben-Erfolg gehören in dieselbe Bewertung. So wird aus „klingt schnell“ eine reproduzierbare Qualitätsentscheidung.
In einer Teloro-Demo testen wir nicht nur die Stimme: Wir spielen normale, schwierige und parallele Gesprächszüge durch und bewerten Antwortzeit, Unterbrechungen und Ergebnis gemeinsam.
Reaktionszeit live testen