Vertrieb Übertragen & Automatisieren Pilot
2,3 s bis zur Antwort: die KI als Teilnehmer im Videomeeting
Ein KI-Assistent tritt der Videokonferenz als eigener Teilnehmer bei, mit Stimme und Bild. Er hört nur auf den Gastgeber, antwortet auf seinen Namen in 2,3 bis 3,1 Sekunden und erledigt Rechercheaufgaben im Hintergrund. Gemessen im Testmeeting; die erste echte Sitzung steht aus.
Der Fall auf einen Blick
Das Problem
In Live-Sitzungen eines Begleitprogramms soll die KI nicht erklärt, sondern erlebt werden — und ein Mensch, der nebenbei tippt, bricht das Gespräch.
Was der Fall macht
Lässt einen KI-Assistenten als eigenen Teilnehmer einer Videokonferenz beitreten, der auf Zuruf des Gastgebers antwortet, sich Notizen merkt und Aufgaben im Hintergrund erledigt.
Was er bewirkt
Vom Satzende des Gastgebers bis zum ersten Ton der Antwort bei den Teilnehmern vergehen 2,3 bis 3,1 Sekunden — gemessen im Testmeeting am 12.10.2026.
So funktioniert es
1 von 5 Arbeitsschritten erledigt ein Sprachmodell. Den Rest machen ein normales Programm und ein Mensch.
- 1 Mensch Gastgeber spricht Ein Mensch nennt den Namen des Assistenten und stellt seine Frage; alle anderen Stimmen im Meeting bleiben unbeachtet.
- 2 Programm Hören und prüfen Ein Programm erkennt das Satzende, verschriftlicht lokal in unter einer Sekunde und prüft, ob die Anrede vorkommt.
- 3 Sprachmodell Antworten Die KI formuliert die Antwort, strömend Satz für Satz, und nimmt Rechercheaufgaben in den Hintergrund.
- 4 Programm Sprechen und zeigen Ein Programm spricht mit lokaler Stimme ins Meeting und zeigt den Satz als Untertitel im Bild des Teilnehmers.
- 5 Programm Bilanz Nach dem Meeting bekommt der Gastgeber Notizen, Rechercheergebnisse und Messwerte als Nachricht.
- normales Programm
- Sprachmodell (KI)
- Mensch
Die Zahlen dahinter
Was das für Ihren Betrieb heißt
Wenn Sie in Kundengesprächen oder Schulungen zeigen wollen, was KI kann, ist ein Teilnehmer, der mitredet, überzeugender als jede Folie — vorausgesetzt, er antwortet schnell genug, um ein Gespräch nicht zu bremsen.
Das Muster taugt für Schulungen, Kundenpräsentationen und interne Runden, in denen jemand Fakten nachschlagen oder Protokoll führen müsste. Voraussetzung: ein Rechner mit dem Mikrofon des Gastgebers, lokale Spracherkennung und Stimme, und ein Modellzugang, der in zwei Sekunden den ersten Satz liefert.
Erster Schritt: ein Testmeeting, nie der eigene Besprechungsraum — bei uns blieben fünf Geister-Teilnehmer zurück, weil „Verlassen“ nicht wirkte. Fallstrick: Die eingebaute Spracherkennung des Browsers wäre schneller, schickt aber den Ton an einen fremden Dienst. Sie wurde verworfen.
Die Ausgangslage
Zweimal je Woche läuft eine Live-Sitzung mit Betrieben, die gerade anfangen, KI im Alltag einzusetzen. Der Überraschungseffekt sollte nicht aus Folien kommen, sondern daraus, dass ein KI-Teilnehmer im Raum ist, Fragen beantwortet, sich Dinge merkt und nebenbei recherchiert.
Drei Hürden: Die Konferenzsoftware lässt automatisierte Browser nicht hinein. Eine Antwort, die fünf Sekunden braucht, zerstört jedes Gespräch. Und der Ton der Teilnehmer darf nicht an fremde Dienste gehen.
Die Lösung im Einzelnen
Ein eigener Teilnehmer, kein Plugin. Ein echter Browser ohne Automatisierungskennung tritt dem Meeting bei; Mikrofon und Kamera werden durch eine Tonleitung und ein gezeichnetes Bild ersetzt (pulsierende Ringe, Zustand „hört zu / denkt / spricht“, gesprochener Satz als Untertitel).
Er hört nur den Gastgeber. Das Ohr ist dessen Mikrofon am eigenen Rechner — ein Teilnehmer, der den Namen ruft, löst nichts aus. Nach 0,6 Sekunden Pause gilt der Satz als beendet; die Spracherkennung läuft lokal in 0,56 bis 0,70 Sekunden. Nur Sätze mit der Anrede gehen weiter.
Antwort in Teilen. Das Sprachmodell liefert den ersten Satz nach 1,7 bis 2,4 Sekunden; eine lokale Stimme spricht ihn, während der Rest noch entsteht. Ein leiser Doppelton bestätigt sofort, dass die Anrede verstanden wurde. Vom Satzende bis zum ersten Ton beim Gegenüber: 2,3 bis 3,1 Sekunden, die Vorstellung 4,4.
Aufgaben im Hintergrund. „Recherchier mal …“ wird kurz zugesagt, im Hintergrund bearbeitet, mit zwei Sätzen gemeldet und als Volltext per Nachricht nachgereicht. Notizen kommen am Ende mit der Bilanz. Zu den festen Terminen tritt der Assistent von selbst bei, sobald der Gastgeber im Raum ist, und geht, wenn er drei Minuten fehlt.
- 4,4 s„Assistent, stell dich kurz vor.“Antwort mit Stimme und Untertitel; Vorstellung ist der längste Fall, weil der ganze Satz vor dem ersten Ton stehen muss.beantwortet
- —„Das machen wir dann nächste Woche so.“Kein Name genannt: Der Satz wird verschriftlicht, geprüft und verworfen. Keine Reaktion.ignoriert, wie vorgesehen
- 2,6 s„Assistent, recherchier mal, was die Förderstelle dazu sagt.“Kurze Zusage, Arbeit im Hintergrund, zwei Sätze in der nächsten Pause, Volltext als Nachricht an den Gastgeber.zugesagt und nachgereicht
Beispiel erfunden, Zeiten in der Größenordnung des Selbsttests. Der mittlere Eintrag ist der wichtigste: Ein Assistent, der auf alles reagiert, ist im Meeting unbrauchbar.
Was wir dabei gelernt haben
- Ein unsichtbarer Browser wird als Bot abgewiesen. Erst ein echter Browser ohne Automatisierungskennung und mit eigenem Profil trat zuverlässig bei.
- Im Meeting wirkte kein automatisierter Klick — weder über das Testwerkzeug noch über echte Mausbefehle. Erst ein Klick aus der Seite selbst heraus bediente die Schaltflächen.
- Die Modellgröße der Spracherkennung entscheidet allein über die Zeit. Bei kurzen Sätzen rechnet das Modell immer dieselbe Strecke: das kleine 0,6 bis 1,0 s, das mittlere auf einem belegten Rechner 2,4 bis 8,4 s.
- Der empfohlene Sprachdienst antwortete nur noch mit „verboten“. Eine lokale Stimme ersetzt ihn; ein bezahlter Dienst bleibt aus, bis jemand ihn freigibt.
- Die erste Hörmessung schien Ton in den Pausen zu zeigen. Es war ein Dauerkanal der Konferenzsoftware; erst die Messung je Kanal trennte die Stimme des Assistenten sauber.
- Die Lastbremse für lange Rechenläufe wurde bewusst nicht benutzt — sie hätte jede Antwort verlangsamt. Stattdessen feste vier Rechenkerne.
Rund eine Stunde an toten Klicks.
Aus dem Projektjournal, über die Schaltflächen der Konferenzsoftware, die auf keinen automatisierten Klick reagierten
Woraus die Antwortzeit besteht Tabelle
| Glied | Zeit | Wo |
|---|---|---|
| Satzende erkennen | 0,6 s Pause | lokal |
| Spracherkennung | 0,56–0,70 s | lokal |
| Erster Satz der Antwort | 1,7–2,4 s | Sprachmodell, strömend |
| Stimme | ~0,3 s je Sekunde Sprache | lokal |
| Übertragung ins Meeting | 0,33–0,35 s | Konferenzsoftware |
| Satzende bis erster Ton | 2,3–3,1 s | beim Teilnehmer gemessen |
Quelle: Selbsttest im Testmeeting, 12.10.2026
Der Ablauf als Diagramm Schaubild
Haben Sie so einen Fall im Betrieb?
Schreiben Sie mir in zwei Sätzen, welche Aufgabe bei Ihnen am meisten Zeit frisst. Sie bekommen eine ehrliche Einschätzung — samt Aufwand und samt der Antwort „lohnt sich nicht“, wenn es so ist.