Ein Agent, der anruft: Wenn das einzige Interface ein Tastenmenü ist

Fast alles am Mobilfunkvertrag lässt sich über eine Weboberfläche erledigen. Die persönliche Mailboxansage nicht. Wer sie ändern will, ruft die Mailbox an, navigiert per Tastenton durch ein Menü, spricht nach dem Signalton und bestätigt mit einer Ziffer. Keine API, kein Upload, kein Formular — nur ein Interface für menschliche Daumen.

Das klingt nach Handarbeit. Muss es aber nicht sein. Ein Menü, das auf Tastentöne reagiert, ist eine Schnittstelle, auch wenn sie langsam, schlecht dokumentiert und für Menschen gebaut ist. Die eine Frage, die zählt: Lässt sich das Ergebnis zuverlässig prüfen? Überprüfbarkeit schlägt Bedienbarkeit.

Ich habe diesen Ablauf im eigenen Setup gebaut und getestet; die folgenden Beobachtungen stammen aus diesen Läufen.

Wenn der Agent selbst anruft

Die aktuelle Voice-AI-Diskussion betrachtet überwiegend Anrufe in der anderen Richtung: Unternehmen ersetzen ihre Sprachmenüs durch Agenten, die Gespräche annehmen. Statt „Für Rechnungen die 2“ sagt der Anrufer, was er möchte. Auch eine Analyse von Swiftcase zur automatisierten IVR-Navigation vom Januar 2026 beschreibt Agenten vor allem als Nutzer fremder Sprachmenüs.

Genau diese Perspektive lässt sich umdrehen. Manche Menüs wird kein Anbieter modernisieren, weil sie ihren Zweck erfüllen. Die persönliche Mailboxansage ist so ein Fall. Hier braucht es kein besseres Menü, sondern einen Agenten, der anruft und das vorhandene bedient.

Das ist keine Modellfrage. Es ist eine Frage von Ablauf, Rückmeldung und Kontrolle.

Praxisfall: die Urlaubsansage

Eine Abwesenheitsansage für den Urlaub macht den Nutzen sofort sichtbar. Ohne Automatisierung rufst du die Mailbox an, suchst den richtigen Menüpunkt und sprichst nach dem Ton frei ins Telefon. Das Ergebnis ist eine einmalige Aufnahme über die Telefonleitung, möglicherweise mit Raumgeräuschen, Atmern, Versprechern oder schwankendem Pegel. Für einen zweiten Versuch beginnt der Ablauf von vorn.

Mit einem Agenten wird die Ansage zunächst wie ein Text behandelt: schreiben, redigieren, Datum prüfen. Anschließend erzeugt in diesem Setup ElevenLabs eine Audiodatei. Der Agent ruft die Mailbox an, navigiert zum Aufnahmebereich und spielt die vorbereitete Datei als persönliche Begrüßung ein. Nach dem Urlaub kann ein zweiter terminierter Lauf die Standardansage wiederherstellen.

Der praktische Gewinn liegt in der reproduzierbaren Vorlage. Der Text bleibt bearbeitbar, die erzeugte Audiodatei lässt sich vorab prüfen und beim nächsten Urlaub mit neuen Datumsangaben erneut erstellen. Auch der Rückweg gehört zum Ablauf: Eine zeitgebundene Ansage sollte nicht davon abhängen, dass jemand nach der Rückkehr noch an die Mailbox denkt.

Telefonanlage, Tastentöne, Audiodatei

Der technische Aufbau kommt ohne exotische Komponenten aus. Eine lokal betriebene FreeSWITCH-Instanz arbeitet über den Router als Nebenstelle des regulären Anschlusses. Über die Kontrollschnittstelle der Telefonanlage kann der Agent den Anruf aufbauen, Menüziffern senden, eine vorbereitete Audiodatei einspielen und anschließend auflegen.

Für die Navigation zählen DTMF-Ereignisse. Laut RFC 4733 lassen sich Tasteneingaben als eigene Ereignisse im Paketstrom übertragen, statt sie lediglich als hörbare Töne durch den Audiokanal zu schicken; RFC 4733 löste dabei den älteren RFC 2833 ab. Die gedrückte 2 bleibt so ein klar definiertes Ereignis, auch wenn das Sprachsignal komprimiert wird.

Tonwahl und quelloffene Telefonanlagen sind keine neue Technik. Der Agent übernimmt hier vor allem die lästige Choreografie: warten, Ziffer senden, Aufnahme abspielen, Rückmeldung auswerten. Gerade diese unscheinbaren Schritte entscheiden darüber, ob der Ablauf wiederholbar wird.

Blindflug mit Rückkanal

Der schwierige Teil beginnt dort, wo ein Sprachmenü keinen maschinenlesbaren Zustand liefert. Es gibt keinen Statuscode für „Aufnahmebereit“, keine Quittung für die empfangene Ziffer und kein Ereignis für das Ende einer Ansage. Der Agent hört nur denselben Audiostrom wie ein Mensch am Telefon.

Damit verschiebt sich der Prüfmaßstab. Ein leistungsfähigeres Modell hilft wenig, wenn das Zielsystem keinerlei verwertbare Rückmeldung liefert. Für einen belastbaren Ablauf muss erkennbar sein, ob die erwartete Phase erreicht wurde und ob das Ergebnis stimmt.

Die Mailbox bietet dafür einen wichtigen Rückkanal: Vor dem Speichern spielt sie die aufgenommene Ansage noch einmal ab. Der Agent kann diese Wiedergabe erfassen und gegen ein festgelegtes Kriterium prüfen. Das macht aus einer Folge von Tastendrücken einen kontrollierbaren Prozess.

Das Abnahmekriterium muss messbar sein.

„Klingt gut“ reicht für einen unbeaufsichtigten Lauf nicht. Brauchbar wird die Prüfung erst mit einem definierten Merkmal und einem Toleranzfenster, etwa für Dauer, Signalanteil oder die Übereinstimmung mit der erwarteten Aufnahme. Fehlt der Messwert oder liegt er außerhalb des Fensters, gilt der Lauf als gescheitert — nicht als „vermutlich in Ordnung“.

Zwei Sicherheitsnetze vor der Bestätigung

Ein solcher Ablauf braucht zunächst einen Trockenlauf. Er spielt Navigation, Wartezeiten, Tastentöne und Audioeinspielung vollständig durch, lässt aber die finale Bestätigung aus. Da jeder Versuch ein echter Anruf in ein echtes Zielsystem ist, gehört dieser Modus zur Grundausstattung.

Vor dem Bestätigen sollte der Agent außerdem das gewählte Ziel maskiert ausgeben. Das schützt besonders dann vor Fehlbedienung, wenn mehrere Anschlüsse dieselbe Zugangskennung oder einen ähnlichen Ablauf verwenden. Eine falsche Mailbox fällt sonst womöglich erst beim nächsten eingehenden Anruf auf.

Beide Sicherungen lösen unterschiedliche Probleme: Der Trockenlauf prüft den Ablauf, die Zielausgabe prüft den Empfänger. Erst zusammen begrenzen sie die Wirkung eines Fehlers.

Die Mindestregel für unbeaufsichtigte Abläufe

Wer den Aufbau nachbildet, muss mit drei Einschränkungen rechnen. Die Zeitsteuerung hängt von der lokalen Telefonieumgebung und dem jeweiligen Mailboxmenü ab. Auch ein Trockenlauf erzeugt einen echten Anruf. Und die Rückspielung prüft nur, was die Mailbox gespeichert hat; eine zusätzliche Kontrolle durch einen eingehenden Testanruf bleibt für die vollständige Sicht des Anrufers sinnvoll.

Für wen lohnt der Aufwand? Wer die Ansage einmal im Jahr ändert, ist mit vier Minuten am Telefon schneller. Interessant wird der Aufbau erst, wenn der Vorgang wiederkehrt, terminiert laufen soll oder mehrere Anschlüsse betrifft — dann zahlt sich die prüfbare Vorlage aus.

Der größere Nutzen des Experiments liegt ohnehin nicht in der Urlaubsansage. Es schärft den Blick für Schnittstellen, die nicht wie APIs aussehen: Sprachmenüs, Terminalmasken, Portale ohne Programmierschnittstelle oder Geräte mit Infrarotfernbedienung. Viele davon lassen sich automatisieren. Verlässlich aber nicht alle.

Die Grenze verläuft zwischen Systemen mit überprüfbarem Ergebnis und Systemen ohne belastbaren Rückkanal. Ein Agent darf ein fremdes Menü unbeaufsichtigt bedienen, wenn er Ziel, Ablauf und Resultat prüfen kann und bei Abweichungen ohne Bestätigung abbricht. Fehlt eine dieser Prüfungen, bleibt nur ein kontrolliertes Experiment unter Aufsicht.

Sonst baut man eine Maschine, die hofft.