KI-Telefonassistent mit GPT-Live-1: Was Anrufe wirklich kosten

Was kostet ein KI-Telefonassistent? Die Stimme ist nur eine Position

GPT-Live-1 ist ein Vollduplex-Sprachmodell. Es kann also zuhören, während es spricht. Anrufende können dadurch unterbrechen, pausieren, eine Angabe korrigieren oder mit einer kurzen Bestätigung reagieren, ohne das Ende eines starren Sprecherwechsels abwarten zu müssen.

Das verändert den Aufbau des Systems. Ein klassischer Sprachagent verkettet häufig Spracherkennung, ein Sprachmodell und Sprachsynthese. Die Anwendung muss Informationen über jede Schnittstelle weiterreichen und festlegen, was geschieht, wenn beide Seiten gleichzeitig reden.

GPT-Live-1 bündelt das Live-Gespräch in einer einzigen Sprachschicht. Das Modell hört zu, spricht, behält das Timing im Blick und entscheidet, wann anspruchsvollere Arbeit an ein Backend abgegeben wird. Dort kann etwa eine Reservierung geprüft, ein Kontodatensatz gelesen, ein Tool aufgerufen oder eine Richtlinie im Detail bewertet werden.

Das Backend bleibt bewusst getrennt. Bei der Responses-Delegation übergibt GPT-Live-1 Aufgaben an ein konfiguriertes OpenAI-Textmodell. Bei der Client-Delegation führt die eigene Anwendung ein beliebiges Modell, einen Agenten oder einen Dienst aus und gibt das Ergebnis zurück. So bleibt die Stimme gleich, während je nach Aufgabe ein günstigeres oder leistungsfähigeres Modell arbeiten kann.

Auch die Telefonverbindung ist ein eigener Baustein. Ein eingehender Anruf kann GPT-Live-1 über einen SIP-Trunk erreichen – also über die von einem Telefonieanbieter bereitgestellte Internetverbindung – oder über eine Anwendung, die das Audio weiterleitet. OpenAI betreibt die Live-Sitzung; Rufnummer und Telefontransport bleiben beim Carrier.

Darin liegt die eigentliche Budgetänderung. Für diesen Weg müssen Spracherkennung und Sprachausgabe nicht mehr als zwei getrennte OpenAI-Modellstufen kalkuliert werden. Dafür gilt es, drei Kostenblöcke sauber auseinanderzuhalten.

Die Rechnung besteht aus drei Kostenblöcken

Die erste Falle ist die Uhr. Die Abrechnung von GPT-Live-1 läuft vom Beginn der aktiven Sitzung bis zu ihrem Ende. Stille zählt. Wartezeit auf ein Tool zählt ebenfalls. Auch ein stummgeschaltetes Mikrofon stoppt die Abrechnung nicht.

Die zweite Falle besteht darin, das Backend für kostenlos zu halten, nur weil es hinter dem Gespräch arbeitet. Das ist es nicht. Bei der Standardpreisgestaltung für kurze Kontexte kostet GPT-5.6 Luna $0.20 je eine Million Input-Tokens und $1.20 je eine Million Output-Tokens. Bei GPT-5.6 Terra sind es $2.00 beziehungsweise $12.00, bei GPT-6 Astra $10.00 beziehungsweise $50.00. Entscheidend ist nicht, welches Modell den niedrigsten Tokenpreis hat. Entscheidend ist, welche Kombination die Aufgabe zuverlässig mit der geringsten gesamten Gesprächsdauer und möglichst wenig Nacharbeit abschließt.

Eine Reservierung zeigt die tatsächliche Rechnung

Als Beispiel dient ein 90 Sekunden langer eingehender Anruf für eine Restaurantreservierung. Das Kostenbeispiel von OpenAI liefert dafür einen klaren Ausgangspunkt:

• Sprache: 90 Sekunden geteilt durch 60, multipliziert mit $0.05, ergeben $0.075.
• Backend: Für dieses Beispiel wird angenommen, dass die gemessene Modell- und Tool-Nutzung insgesamt $0.02 kostet.
• Zwischensumme aus Sprache und Backend: $0.095.
• Telefontransport: Hinzu kommt die Carrier-Gebühr für diesen konkreten Anruf.

Der Anruf kostet also nicht $0.075, sondern in diesem Beispiel $0.095 zuzüglich Telefontransport. Wird die Reservierung bestätigt, sind das die direkten Laufzeitkosten einer erfolgreich erledigten Reservierung. Scheitert der Agent und muss ein Mensch die Arbeit wiederholen, bleibt der fehlgeschlagene Anruf im Zähler, wenn die Kosten je erfolgreichem Abschluss berechnet werden.

Deshalb ist eine symbolische Carrier-Position ehrlicher als ein frei erfundener Marktpreis in der Gesamtsumme. OpenAI legt diese Gebühr nicht fest; der Transportpreis muss aus der Rechnung des eigenen Anbieters stammen.

Hinzu kommt ein weiterer Zusammenhang: Ein schnelleres Backend kann trotz höherem Tokenpreis günstiger sein, wenn es die Live-Sitzung früher beendet. Eine Minute weniger Sitzungszeit spart $0.05 an Sprachkosten. Ein billigeres Backend kann unterm Strich teurer werden, wenn Anrufende Angaben wiederholen müssen, Tools lange brauchen oder die Reservierung scheitert.

So fügt sich das Modell in einen echten Anrufablauf ein

Ein Restaurantbetrieb kann GPT-Live-1 für eine eingehende Reservierungsnummer einsetzen und die Aufgabe bewusst eng halten. Die Sprachschicht führt das Gespräch. Ein kostengünstiges Backend prüft die Verfügbarkeit und bereitet die Buchung vor. Die Anwendung bestätigt den endgültigen Termin, schreibt die Reservierung und verhindert, dass ein verspätetes Ergebnis den falschen Zeitpunkt bucht.

Die Leitung eines Supportteams kann dasselbe Frontend mit anderen Backend-Regeln verwenden. Einfache Bestellabfragen können an ein auf geringe Kosten optimiertes Modell gehen. Bei strittigen Abbuchungen oder Ausnahmen von einer Richtlinie übernimmt ein leistungsfähigeres Modell oder ein Mensch. Der Vorteil liegt nicht darin, dass ein Sprachmodell jede Aufgabe erledigt. Vielmehr lassen sich die Reasoning-Kosten je nach Aufgabe wählen, während das Gesprächserlebnis einheitlich bleibt.

Für ein Produktteam mit einer bestehenden Kette aus Spracherkennung, Modell und Sprachsynthese stellt sich die Frage anders. GPT-Live-1 kann Code für die Übergaben überflüssig machen und überlappende Sprache leichter beherrschbar machen. Die Migration lohnt sich jedoch nur, wenn das neue System die Aufgabenerfüllung oder die Wartbarkeit so weit verbessert, dass der Umstellungsaufwand gedeckt ist. Der umfassendere Kostenvergleich für KI-Sprachagenten bleibt hilfreich, wenn zwischen Eigenentwicklung und Zukauf entschieden wird.

Ein Team mit einer Browser-App kann WebRTC nutzen und die Kostenposition des Telefonieanbieters vollständig streichen. Die Live-Dauer und die Backend-Arbeit bleiben kostenpflichtig. Reine Textagenten, Batch-Workflows und Anwendungen ohne Sprachbedarf sind von dieser Veröffentlichung nicht betroffen.

Der kleinste sinnvolle Pilot für einen KI-Telefonassistenten

Beim direkten SIP-Weg sendet der Anbieter einen eingehenden Anruf an OpenAI; der eigene Webhook erhält daraufhin eine Live-Sitzungs-ID. So sieht der dokumentierte Request zur Annahme des Anrufs aus:

curl -X POST "https://api.openai.com/v1/live/sessions/$SESSION_ID/accept" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "session": {
      "type": "live",
      "model": "gpt-live-1",
      "instructions": "You are answering an inbound support call.",
      "audio": { "output": { "voice": "marin" } },
      "delegation": { "type": "client" }
    }
  }'

Der API-Schlüssel bleibt im vertrauenswürdigen Backend. SIP handelt das Audioformat aus, deshalb bleibt audio.format weg. Bei der Client-Delegation liegen Backend-Modell, Tools, Berechtigungen und Nutzungsdaten in der Verantwortung der eigenen Anwendung.

Für einen Piloten mit eingehenden Reservierungsanrufen ist der Ablauf kurz genug, um die Messung übersichtlich zu halten.

Ob Unterbrechungen besser funktionieren, müssen eigene Daten zeigen

GPT-Live-1 ist für überlappende Sprache ausgelegt, doch ein Einführungsbeispiel ist kein belastbares Service-Level-Versprechen. Andrew Hsu, Mitgründer und CTO von Speak, berichtet, dass erste Tests bei Speak die Unterbrechungen während Denkpausen gegenüber den bisherigen Systemen mit starren Sprecherwechseln um fast 80% reduzierten. Dieses Ergebnis stammt aus der Sprachlern-Anwendung von Speak.

Ein Anruf aus einem lauten Restaurant, ein Supportanruf mit vorgelesener Bestellnummer und ein Patient, der vor einem Datum innehält, sind andere Einsatzfälle. Prompting, Telefoncodec, Carrier-Jitter, Tool-Latenz und die eigene Wiedergabesteuerung beeinflussen allesamt, was die anrufende Person erlebt. Eine allgemeingültige Verbesserung bei Unterbrechungen oder Latenz lässt sich daraus nicht seriös in eine Prognose übernehmen.

Auch der Randfall im Produktivbetrieb ist wichtig. Unterbricht eine anrufende Person und ändert Freitag in Donnerstag, stoppt die gesprochene Korrektur nicht automatisch die Backend-Arbeit für Freitag. Die Anwendung muss die alte Aufgabe ändern oder abbrechen, ein verspätetes Ergebnis ignorieren und verhindern, dass ein erneuter Versuch eine zweite Buchung anlegt.

Direktes GPT-Live-SIP unterstützt derzeit eingehende Anrufe. Der Endpunkt zum Erstellen einer Live-Sitzung startet keinen ausgehenden SIP-Anruf. Für ausgehende Kampagnen ist daher weiterhin ein vom Anbieter betriebener Partnerpfad nötig. Teams mit Priorität auf ausgehenden Anrufen sollten diesen Weg prüfen, bevor sie eine Migration planen.

Was am Montag auf die Aufgabenliste gehört

Für eine eingehende Reservierungs- oder Supportwarteschlange empfiehlt sich ein eng begrenzter, instrumentierter Pilot. Sprachsekunden, Backend-Nutzung, Carrier-Gebühren, abgeschlossene Vorgänge, Übergaben und Fehler bei Unterbrechungen gehören in denselben Datensatz. Dabei sollte ein kostenbewusstes Backend gegen das leistungsfähigere Modell antreten, das voraussichtlich nötig ist.

Die Umstellung ist sinnvoll, wenn die Gesamtkosten je erfolgreich abgeschlossenem Anruf unter denen des bisherigen Systems liegen und Anrufende den Agenten korrigieren können, ohne veraltete Aktionen auszulösen. Abwarten ist besser, wenn nur die Schlagzeile mit $0.05 überzeugt oder Carrier und Weg für ausgehende Anrufe noch ungeklärt sind. Für reine Textarbeit und bereits wirtschaftliche, zuverlässige Spracherlebnisse ist die Veröffentlichung ohne Bedeutung.

Weitere verständliche Analysen zu Änderungen, die die Betriebskosten wirklich bewegen, gibt es im Newsletter.