Latenz: warum 800 Millisekunden die magische Grenze für KI-Sprachagenten sind

Wenn Menschen einen KI-Sprachagenten als „roboterhaft“ empfinden, liegt das 2026 fast nie an der Stimme — die ist gut. Es liegt fast immer an der Latenz: an der kurzen, aber spürbaren Pause zwischen dem Ende dessen, was der Anrufer sagt, und dem Beginn der Antwort.

Dieser Artikel erklärt, warum diese Pause so entscheidend ist, woraus sie sich zusammensetzt und mit welchen Hebeln man sie unter die magische Grenze drückt.

Die Gesprächspsychologie: warum 200 ms der Maßstab sind

Ein Telefonat ist ein erstaunlich präzise getaktetes Wechselspiel. Die Gesprächsforschung hat über viele Sprachen und Kulturen hinweg gemessen, wie lang die Pause zwischen zwei Sprecherwechseln ist — und das Ergebnis ist verblüffend konstant: Sie liegt im Schnitt bei rund 200 Millisekunden, also einem Fünftel einer Sekunde.

Das ist schneller, als ein Mensch bewusst reagieren kann. Möglich wird es, weil wir beim Zuhören schon vorausplanen, was wir antworten — wir warten nicht, bis der andere fertig ist, sondern setzen unsere Antwort startklar an.

Daraus folgt eine wichtige Erkenntnis: Menschen haben ein fein kalibriertes Gefühl für das Timing eines Gesprächs. Eine Pause, die deutlich länger ist als gewohnt, registrieren wir sofort — nicht bewusst, aber spürbar. Sie sagt uns: Hier stimmt etwas nicht.

Die unheimliche Pause: was bei zu hoher Latenz passiert

Wenn ein KI-Sprachagent zu lange braucht, bis er antwortet, löst das beim Anrufer eine Kette kleiner Irritationen aus:

• Unter ~500 ms — das Gespräch fühlt sich flüssig und natürlich an. Der Anrufer denkt nicht über das Timing nach
• 500–800 ms — noch im akzeptablen Bereich. Eine leichte, aber nicht störende Verzögerung; das Gespräch trägt
• 800–1.200 ms — die Pause wird spürbar. Der Anrufer beginnt zu zweifeln: Hat die KI mich verstanden? Manche reden in die Pause hinein — und bringen den Agenten durcheinander
• Über 1.200 ms — das Gespräch wirkt deutlich hölzern. Hier verrät sich die KI nicht durch ihre Stimme, sondern durch ihren Takt

Besonders tückisch ist der mittlere Bereich: Eine Latenz, die nur manchmal zu hoch ist, lässt den Anrufer in die Pause hineinsprechen — und genau diese Überlappungen sind es, die ein Gespräch zerfasern lassen. Eine gleichmäßig niedrige Latenz ist deshalb wichtiger als ein guter Durchschnitt mit Ausreißern.

Die Latenz-Kette: woraus sich die Reaktionszeit zusammensetzt

Die Gesamt-Latenz eines Sprachagenten ist kein einzelner Wert, sondern eine Summe. Vom letzten Wort des Anrufers bis zum ersten Wort der Antwort durchläuft das System mehrere Stufen:

1. Netzwerk und Telefonie. Das Audiosignal muss vom Anrufer zum System und zurück. Die geografische Entfernung der Server spielt hier eine messbare Rolle
2. Spracherkennung (STT). Das Gesprochene wird in Text umgewandelt
3. Endpointing. Das System muss erkennen, dass der Anrufer fertig gesprochen hat — nicht nur kurz Luft holt
4. Sprachmodell (LLM). Das Modell versteht das Anliegen und formuliert eine Antwort
5. Sprachsynthese (TTS). Der Antworttext wird in hörbare Sprache umgewandelt

Jede Stufe kostet Zeit. Die Kunst liegt darin, dass die Stufen nicht stur nacheinander warten, sondern sich überlappen. Wichtig ist zunächst die Erkenntnis: Latenz entsteht an fünf Stellen, nicht an einer. Wer sie senken will, muss die ganze Kette betrachten.

Endpointing: der unterschätzte Teil

Die unscheinbarste Stufe der Kette ist zugleich eine der wichtigsten: das Endpointing — die Entscheidung, ob der Anrufer wirklich ausgeredet hat.

Das ist ein echtes Dilemma:

• Wartet das System zu kurz, schneidet es dem Anrufer das Wort ab. Wer mitten im Satz eine Denkpause macht, wird unterbrochen — das wirkt unhöflich und zerstört den Gesprächsfluss
• Wartet das System zu lange, addiert es bei jeder einzelnen Antwort unnötige Latenz oben drauf. Eine zu vorsichtige Endpointing-Einstellung macht den ganzen Agenten träge

Gutes Endpointing ist deshalb kein fester Timer, sondern eine kluge Abwägung — es berücksichtigt Satzmelodie, Pausenlänge und Kontext, um den Moment des Ausgeredet-Habens möglichst treffsicher zu erwischen. Ein erheblicher Teil der gefühlten Latenz eines schlecht gebauten Agenten steckt genau hier.

Warum 800 ms die magische Grenze sind

Warum gerade 800 Millisekunden? Der Wert ist keine harte physikalische Konstante, sondern eine Erfahrungsgröße — aber eine gut begründete.

Der natürliche menschliche Sprecherwechsel liegt bei rund 200 ms. Diesen Wert erreicht eine KI über die gesamte Kette hinweg derzeit nicht zuverlässig. Aber: Menschen tolerieren Abweichungen vom Ideal in einem gewissen Rahmen, ohne dass das Gespräch leidet — eine Antwort, die etwas später kommt als bei einem blitzschnellen Menschen, akzeptieren wir als normalen Gesprächsrhythmus.

Diese Toleranzgrenze liegt erfahrungsgemäß im Bereich von rund 800 Millisekunden. Bleibt der Agent darunter, empfindet der Anrufer das Gespräch als flüssig — die Verzögerung fällt nicht weiter auf. Überschreitet er sie regelmäßig, beginnt das Gespräch hölzern zu wirken.

800 ms ist deshalb die sinnvolle Zielmarke: ambitioniert genug, dass das Gespräch natürlich bleibt, und realistisch genug, dass ein gut gebautes System sie zuverlässig einhält. Sie ist kein Marketing-Wert, sondern eine technische Selbstverpflichtung.

Die technischen Hebel

Die Latenz unter die Grenze zu drücken, gelingt über mehrere Hebel, die zusammenwirken:

• Streaming statt Warten. Die Stufen der Kette arbeiten nicht nacheinander, sondern überlappt: Die Spracherkennung liefert Text schon, während der Anrufer noch spricht; das Sprachmodell beginnt zu formulieren, bevor die Erkennung ganz fertig ist; die Synthese startet, sobald der erste Satzteil steht. Diese Überlappung ist der größte einzelne Hebel
• Die richtige Modellgröße. Nicht jedes Sprachmodell muss riesig sein. Für die eng definierten Aufgaben eines Telefonassistenten reicht oft ein schnelleres, schlankeres Modell — und schneller heißt hier: niedrigere Latenz
• Geografische Nähe der Server. Je kürzer der Weg des Audiosignals, desto weniger Netz-Latenz. Hier hat der Serverstandort EU einen doppelten Nutzen: Er ist nicht nur DSGVO-freundlich, sondern für Anrufer aus dem DACH-Raum auch schneller als ein Server jenseits des Atlantiks. Compliance und Latenz zeigen ausnahmsweise in dieselbe Richtung
• Sauberes Endpointing. Eine gut abgestimmte Erkennung des Gesprächsendes spart bei jeder Antwort wertvolle Millisekunden, ohne den Anrufer abzuschneiden
• Kurze, klare Antworten. Eine Antwort, die nicht ausufert, ist schneller synthetisiert und gesprochen — ein gut geschriebener Prompt wirkt auch auf die gefühlte Latenz

Was Latenz für die Anbieterwahl bedeutet

Aus all dem folgt eine sehr praktische Konsequenz: Testen Sie die Latenz, nicht nur die Stimme.

Bei einer Demo achten die meisten Menschen instinktiv auf den Klang — und der ist 2026 bei allen ernstzunehmenden Anbietern gut. Der unterscheidende Faktor liegt woanders: im Takt. Führen Sie im Demo-Gespräch bewusst einen schnellen Wechsel herbei, machen Sie eine kurze Denkpause mitten im Satz, unterbrechen Sie den Agenten einmal. Sie merken sofort, ob das System flüssig reagiert oder ob es hakt.

Eine ehrliche Einordnung gehört aber dazu: Latenz ist nicht alles. Ein blitzschneller Agent, der nicht sauber an einen Menschen eskaliert, ist schlechter als ein etwas langsamerer, der es tut. Latenz ist das Erste, was man bemerkt — aber Eskalation, Compliance und Branchen-Konfiguration entscheiden, ob der Agent wirklich taugt. Worauf es insgesamt ankommt, zeigt die Anbieter-Auswahl-Checkliste.

Häufige Fragen

Quellen: Gesprächsforschung zum Sprecherwechsel (Turn-Taking-Studien über mehrere Sprachen), technische Benchmarks zur Latenz von Spracherkennung, Sprachmodell und Sprachsynthese 2024–2026. Die vollständige Quellensammlung finden Sie im Compliance-Bereich.