Grok Voice 3.0 geht ans Telefon, wenn du unterm Auto liegst

Du liegst unter einem Auto oder hast gerade die Hände voller Kleister. Hinten klingelt das Telefon. Bis du dran bist, ist der Anrufer weg. Ob er es morgen noch mal versucht? Oder ruft er gleich den nächsten Betrieb auf der Liste an?

Deshalb bin ich bei einer Meldung vom 14. Oktober 2026 hängen geblieben. Das KI-Unternehmen xAI hat Grok Voice 3.0 vorgestellt, eine KI, die Anrufe annimmt und mit eigener Stimme antwortet. Ob das für einen kleinen Betrieb schon taugt, hängt vor allem an zwei Dingen: am Preis und am Aufwand.

Was genau ist neu?

xAI ist das Unternehmen hinter der KI Grok. Es nennt Grok Voice 3.0 „das intelligenteste Sprachmodell der Welt“. Solche Sätze schreibt jeder Hersteller gern über sein eigenes Produkt, ich lese sie deshalb mit Abstand. Interessanter finde ich die Testergebnisse, auf die sich xAI beruft: Im unabhängigen Vergleich von Artificial Analysis liegt Grok Voice 3.0 im sogenannten Speech-to-Speech-Index auf Platz 1, mit 86,9 Punkten (Stand 13. Oktober 2026).

Laut xAI antwortet das Modell in unter einer Sekunde. Am Telefon entscheidet genau das: Wer nach jeder Frage drei Sekunden Stille hört, legt auf. Außerdem soll das Modell damit klarkommen, wenn man ihm ins Wort fällt oder mitten im Satz neu anfängt, so wie wir eben telefonieren. In einem Test dafür kommt es laut xAI auf 97 Prozent.

Wo das schon läuft

Laut xAI nehmen die Callcenter von Starlink, dem Satelliten-Internet von SpaceX, jeden Tag rund 20.000 Kundenanrufe mit Grok Voice an, in mehreren Sprachen. Etwa 70 Prozent davon werden gelöst, ohne dass ein Mensch eingreifen muss. Jedes vierte Verkaufsgespräch endet laut xAI mit einem Kauf, noch bevor aufgelegt wird.

Klar, Starlink ist nicht die Bäckerei in Wattenscheid. Aber die Zahlen zeigen mir, dass Telefon-KI bei großen Firmen längst Alltag ist. Ob das funktioniert, frage ich mich deshalb nicht mehr. Eher, ab wann es sich für kleine Betriebe rechnet.

Was kostet das?

Grok Voice 3.0 gibt es über die sogenannte Voice Agent API. Der Preis liegt bei 0,08 US-Dollar pro Minute, also 4,80 US-Dollar pro Stunde. Das ist derselbe Preis wie beim Vorgänger Grok Voice 2.0.

Ich hab das mal für einen kleinen Betrieb durchgerechnet. Die Zahlen sind ein Beispiel, kein Messwert: 300 Anrufe im Monat, im Schnitt drei Minuten lang. Macht 900 Minuten. Bei 0,08 US-Dollar pro Minute sind das 72 US-Dollar für die reine Gesprächszeit der KI.

Dazu kommen die Telefonanbindung und die Einrichtung. Und irgendwer muss nachpflegen, wenn sich deine Öffnungszeiten ändern. Die 72 Dollar sind also ein Posten, nicht die Gesamtrechnung.

Spricht die KI Deutsch?

Ja. Laut der technischen Dokumentation von xAI unterstützt die Sprach-Schnittstelle mehr als 20 Sprachen, Deutsch ist ausdrücklich dabei. Die KI erkennt automatisch, welche Sprache jemand spricht, und antwortet in derselben Sprache. Denk an eine Änderungsschneiderei in Gelsenkirchen, deren Kundschaft mal Deutsch und mal Türkisch spricht. Für die zählt das.

Zwei Kleinigkeiten mag ich daran. Man kann der KI eine Liste mit Begriffen mitgeben, die sie sicher verstehen soll, zum Beispiel „Hattinger Straße“ oder den Namen deines Spezialprodukts. Und man kann festlegen, wie sie deinen Firmennamen ausspricht. Wer schon mal gehört hat, wie ein Navi „Castrop-Rauxel“ betont, weiß, warum das zählt.

Ein Vormittag in der Physiopraxis, mit Telefon-KI

Laut Dokumentation kann ein Sprach-Assistent mit Grok Voice während des Gesprächs in anderen Programmen arbeiten, zum Beispiel in einem Kalender oder Buchungssystem. Er lässt sich über übliche Telefontechnik an echte Telefonnummern anschließen.

Nimm als Beispiel eine Physiopraxis in Langendreer. Die ist ausgedacht, aber du erkennst das Muster bestimmt wieder:

• Während der Behandlung geht niemand ans Telefon. Die KI nimmt ab und notiert, wer anruft und warum.
• Fragt jemand nach den Öffnungszeiten oder dem Weg vom Parkplatz, kommt die Antwort sofort.
• Ist der Kalender angebunden, schlägt sie freie Termine vor oder verschiebt einen.
• Klingt etwas dringend, leitet sie direkt an einen Menschen weiter.
• Alles andere landet als Rückrufwunsch bei dir, mit Name und Nummer.

Rund läuft das nur, wenn jemand den Assistenten sorgfältig einrichtet und mit echten Anrufen testet.

Brauche ich dafür einen Programmierer?

Ja. Da mache ich dir nichts vor. Grok Voice 3.0 ist ein Baukasten für Entwickler, keine App zum Herunterladen. xAI stellt Beispiel-Anwendungen bereit, unter anderem einen anrufbaren Telefon-Assistenten über den Telefondienst Twilio. Trotzdem muss jemand die Teile zusammenstecken und das Ganze gründlich testen, bevor der erste echte Kunde anruft.

Lohnt sich das für dich? Wenn bei dir jede Woche Anrufe ins Leere laufen und du jemanden hast, der das einrichtet: ja, als kleiner Test. Wenn du kaum Anrufe verpasst, lass es und spar dir das Geld.

Worauf ich achten würde

1. Sag offen, dass eine KI spricht. Die Technik bietet dafür eine feste Ansage, die jedes Mal wortgleich abgespielt wird, zum Beispiel: „Sie sprechen mit dem digitalen Assistenten von Malerbetrieb Müller.“ Das ist fair. Und ich glaube, Anrufer sind gnädiger, wenn mal etwas hakt und sie wissen, mit wem sie reden.
2. Kläre den Datenschutz. Am Telefon fallen Namen und persönliche Anliegen. Kläre vorher, wo diese Daten verarbeitet werden und was das für deine Datenschutzerklärung bedeutet. Hol dir im Zweifel rechtlichen Rat.
3. Bau einen Notausgang ein. Die KI braucht eine klare Regel, wann sie an einen Menschen übergibt. Bei Beschwerden zum Beispiel, oder wenn jemand ausdrücklich mit dir sprechen will.
4. Fang klein an. Starte mit einem einzigen Fall, etwa „Anrufe nach Feierabend“. Hör dir die ersten zwanzig Gespräche selbst an und verbessere die Anweisungen Schritt für Schritt.
5. Verlass dich nicht nur auf Testergebnisse. Platz 1 in einem Vergleich ist nett. Entscheidend ist, ob die KI versteht, was Herr Kowalski meint, wenn er sagt: „Dat Dingen tropft wieder.“

Bei dir klingelt es öfter ins Leere? Schreib mir über while.chat. Wir schauen gemeinsam, welche Anrufe bei dir liegen bleiben und ob sich ein kleiner Test lohnt. Ohne Fachchinesisch.