Zwei geschulte menschliche Annotatoren, die die Stimmung von 20.000 Callcenter-Äußerungen kennzeichneten, erreichten ein Cohens Kappa von nur 0,605, auf einer Skala, bei der 1,0 perfekte Übereinstimmung und 0 den Zufall bedeutet (ConnexAI-Forschende, IntechOpen 2026). Diese Obergrenze ist wichtig, weil jeder Stimmungswert in einem Sprachanalyse-Dashboard anhand solcher Labels trainiert und bewertet wird. Gleichzeitig verfehlten kommerzielle Spracherkennungssysteme bei 50 echten Callcenter-Gesprächen 16,5% bis 19,2% der Wörter, gegenüber 10,2% bis 11,62% bei einem gängigen Telefon-Benchmark (Szymanski et al., Findings of EMNLP 2020), und 49,8% von 1.104 Unternehmen führen bereits Interaktionsanalyse auf diesen Transkripten aus (Metrigy, AI for Business Success 2025-26). Wir haben Daten von Metrigy, aus den SEC-Einreichungen von NICE und Verint, aus Sprach-Benchmarks von EMNLP und LREC, von OpenAI und aus arXiv, vom NBER, aus der EU-KI-Verordnung und von der Generalversammlung von Illinois sowie aus mehreren weiteren Primärquellen zusammengeführt. Zur Automatisierungsseite derselben Branche (Voicebots und KI-Agenten statt Analyse) siehe unsere Statistiken zur Sprach-KI-Automatisierung im Contact Center.
TL;DR
- 49,8% der Unternehmen nutzen bereits Interaktionsanalyse und weitere 29,9% planen die Einführung (Metrigy, AI for Business Success 2025-26).
- 55% der Contact Center betreiben die Qualitätssicherung noch mit Tabellenkalkulationen, gegenüber 65% ein Jahr zuvor (Scorebuddy und Call Centre Helper, Dezember 2025).
- Wortfehlerrate kommerzieller ASR bei 50 echten Callcenter-Gesprächen: 16,5% bis 19,2% (Szymanski et al., Findings of EMNLP 2020).
- Whisper large-v2 macht 17,6% Wortfehler bei CallHome-Telefongesprächen, aber 2,7% bei vorgelesenen Hörbuch-Aufnahmen (OpenAI, Whisper-Paper 2022).
- Bei echtem Callcenter-Audio mit afrikanischen Akzenten erreichte Whisper-large-v3 eine WER von 24,69% und das beste Modell 13,45% (AfriSpeech-MultiBench, arXiv 2025).
- Menschliche Annotatoren stimmen bei der Stimmung von Callcenter-Äußerungen mit einem Cohens Kappa von 0,605 überein (ConnexAI-Forschende, IntechOpen 2026).
- Zwei Annotatoren, die echte Kundenanrufe bewerteten, stimmten nur mit einem ICC von 0,62 bei der Valenz und 0,52 bei der Aktivierung überein (CusEmo-Studie, arXiv 2023).
- Rein akustische Stimmungsmodelle erreichten bei Telefongesprächen 54,23% gewichtete Genauigkeit, gegenüber 85,76% bei Menschen (Chen et al., LREC 2020).
- Ein KI-Assistent steigerte die Produktivität von Support-Agenten um 14% und die Kundenstimmung um 0,18 Punkte auf einer Skala von -1 bis 1 (NBER Working Paper 31161).
- Das Ableiten der Emotionen von Beschäftigten bei der Arbeit aus der Stimme ist in der EU seit dem 2. Februar 2025 verboten (EU-KI-Verordnung, Verordnung (EU) 2024/1689).
- Illinois legt Schadensersatz von $1.000 bis $5.000 je Verstoß mit biometrischen Identifikatoren wie Stimmabdrücken fest (740 ILCS 14).
1. Verbreitung: Interaktionsanalyse und automatisierte Qualitätssicherung
Die Frage der Verbreitung ist zur Hälfte entschieden. 49,8% von 1.104 Unternehmen nutzen bereits Interaktionsanalyse (Software, die Anrufe, Chats und E-Mails transkribiert und nach Themen, Compliance-Formulierungen und Stimmung durchsucht), und weitere 29,9% planten die Einführung im Laufe des Jahres (Metrigy, AI for Business Success 2025-26). Verändert hat sich die Aufgabenbeschreibung. Die größte Gruppe der Anwender, 46,2%, nennt inzwischen als größten Nutzen den Vergleich der Leistung von KI-Agenten mit der menschlicher Agenten (Metrigy-Analyse, 14. Mai 2025). Die Sprachanalyse wird zur Anzeigetafel der Automatisierung, nicht mehr nur zu einem Coaching-Werkzeug.
Der Prozess der Qualitätssicherung (QA), den die Analyse ersetzen soll, ist noch überraschend manuell. Eine von einem Anbieter gesponserte Umfrage ergab, dass der Rückgriff auf Tabellenkalkulationen für die QA im Jahresvergleich von 65% auf 55% sank und dass 44% der Contact Center starkes Interesse an automatisierter oder Echtzeit-Bewertung äußerten (Scorebuddy und Call Centre Helper, What Contact Centers Are Doing Right Now, Dezember 2025). Die Anbieterbasis ist konzentriert und groß: NICE meldete für 2025 einen Gesamtumsatz von $2.945,4 Millionen, nach $2.735,3 Millionen, mit einem Plus von 12,8% beim Cloud-Umsatz, und zahlte eine gesamte Schlussvergütung von $887,3 Millionen für das Unternehmen für Konversations-KI Cognigy (NICE Form 20-F für das Geschäftsjahr 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Unternehmen, die bereits Interaktionsanalyse nutzen | 49,8% von 1.104 Unternehmen | Metrigy, AI for Business Success 2025-26 |
| Unternehmen, die die Einführung von Interaktionsanalyse im Jahr 2025 planen | 29,9% | Metrigy, AI for Business Success 2025-26 |
| Anwender von Analyse, für die der größte Nutzen im Vergleich der Wirksamkeit von KI-Agenten mit der menschlicher Agenten liegt | 46,2% (die größte Gruppe) | Metrigy-Analyse, Mai 2025 |
| Contact Center, die Tabellenkalkulationen für die Qualitätssicherung nutzen, dieses Jahr im Vergleich zum Vorjahr | 55% gegenüber 65% | Umfrage von Scorebuddy und Call Centre Helper, Dezember 2025 (vom Anbieter gesponsert) |
| Contact Center mit starkem Interesse an automatisierter oder Echtzeit-Qualitätsbewertung | 44% | Umfrage von Scorebuddy und Call Centre Helper, Dezember 2025 (vom Anbieter gesponsert) |
| Kundenorganisationen von NICE und Kunden aus den Fortune 100 | Mehr als 25.000 Organisationen in über 150 Ländern, darunter 85 der Fortune 100 | NICE Form 20-F, Geschäftsjahr 2025 |
| Verint-Kunden aus den Fortune 100 und bediente Länder | Über 80 der Fortune 100, in über 175 Ländern | Verint Form 10-K, Geschäftsjahr zum 31. Januar 2025 |
| Verint-Umsatz aus dem Abonnementgeschäft | Etwa 80% | Verint Form 10-K, Geschäftsjahr zum 31. Januar 2025 |
Hinweis zum Kontext: Zahlen, wonach manuelle QA-Teams nur “1% bis 3%” oder “weniger als 5%” der Anrufe prüfen, sind weit verbreitet, doch jede Version, die wir fanden, führte auf Anbieter-Blogs oder nicht überprüfbare Zitate zurück, weshalb wir sie ausgeschlossen haben. Keine unabhängige öffentliche Umfrage aus 2025 oder 2026 gibt den Anteil der von Menschen geprüften im Vergleich zu maschinell bewerteten Anrufen an. Das Verint Form 10-K weist außerdem aus, dass rund 72% des Umsatzes aus Nord- und Südamerika stammten.
2. Transkriptionsgenauigkeit bei echtem Anruf-Audio
Jeder textbasierte Stimmungswert beginnt mit einem Transkript, und spontanes Schmalband-Audio (8 kHz) aus Telefonaten gehört zu den schwierigsten Alltagsaufnahmen für einen Erkenner. Die Wortfehlerrate (WER) ist der Anteil der Wörter, die das System im Vergleich zu einem menschlichen Transkript ersetzt, auslässt oder einfügt. Drei kommerzielle Systeme erreichten bei 50 echten Callcenter-Gesprächen 16,5% bis 19,2% WER, gegenüber 10,2% bis 11,62% auf dem Telefon-Benchmark Switchboard (Szymanski et al., WER we are and WER we think we are, Findings of EMNLP 2020). Die Autoren merken an, dass die besten veröffentlichten Switchboard-Ergebnisse bei etwa 5% liegen, sodass echte Anrufe eine rund drei- bis viermal so hohe Fehlerrate hatten, wie die prominenten Benchmarks nahelegen (16,5 / 5 = 3,3 und 19,2 / 5 = 3,84). Jüngste verfügbare Daten für kommerzielle Systeme bei privatem Callcenter-Audio: Szymanski et al., 2020; eine öffentliche Wiederholung dieses Tests mit echten Anrufaufnahmen und aktuellen kommerziellen Engines haben wir nicht gefunden.
Neuere offene Modelle zeigen dieselbe Lücke. Whisper large-v2 erreichte 2,7% WER auf LibriSpeech test-clean (vorgelesene Hörbücher), aber 17,6% auf CallHome und 13,8% auf Switchboard, beides Sammlungen von Telefongesprächen (OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision, 2022). Der Akzent vergrößert sie weiter: Bei einem kleinen privaten Satz echter Gespräche zwischen Agenten und Kunden mit afrikanischem Akzent reichten die Ergebnisse von 13,45% für das beste Modell bis 88,71% für das schlechteste (AfriSpeech-MultiBench, arXiv November 2025). Unsere Statistiken zu Akzent-Verzerrung und Wortfehlerrate behandeln diese Dimension ausführlich.
| Metrik | Wert | Quelle |
|---|---|---|
| WER von drei kommerziellen ASR-Systemen bei 50 echten Callcenter-Gesprächen (8,5 Stunden Audio, 2,2 Stunden Sprache) | 16,5% bis 19,2% | Szymanski et al., Findings of EMNLP 2020 |
| WER derselben drei Systeme auf dem Telefon-Benchmark HUB’05 Switchboard | 10,2% bis 11,62% | Szymanski et al., Findings of EMNLP 2020 |
| Callcenter-WER nach Geschäftsbereich für das beste System | 13,73% (Versicherung) bis 20,95% (Reisebuchung) | Szymanski et al., Findings of EMNLP 2020 |
| WER bei Kundensprache im Vergleich zu Agentensprache, für das schwächste der drei Systeme | 20,99% gegenüber 17,83% | Szymanski et al., Findings of EMNLP 2020 |
| WER von Whisper large-v2 bei vorgelesenen Hörbüchern (LibriSpeech test-clean) im Vergleich zu CallHome-Telefongesprächen und Switchboard-Telefongesprächen | 2,7% gegenüber 17,6% gegenüber 13,8% | OpenAI, Whisper-Paper 2022 |
| WER von NVIDIA Conformer-CTC large im Vergleich zu wav2vec2-large-960h bei CallHome-Telefongesprächen | 11,3% gegenüber 34,8% | OpenAI, Whisper-Paper 2022 (Vergleichstabelle) |
| WER bei echtem Callcenter-Audio mit afrikanischen Akzenten: bestes Modell im Vergleich zu Whisper-large-v3 und GPT-4o Transcribe | 13,45% gegenüber 24,69% gegenüber 23,20% | AfriSpeech-MultiBench, arXiv November 2025 |
| Anteil eines ASR-transkribierten Callcenter-Evaluierungssatzes (618 Äußerungen) mit Transkriptionsfehlern | 42,6% (263 Stichproben) | ConnexAI-Forschende, IntechOpen 2026 |
Hinweis zu Ausreißern: Die Lücke zwischen Agent und Kunde ist nicht universell. Beim besten der drei kommerziellen Systeme waren die WER für Kunden und Agenten nahezu identisch (16,48% gegenüber 16,49%), die Kundenseite ist also für manche Engines schwieriger, nicht für alle. Auch unterscheiden sich die Fehler in ihrer Art von Benchmark-Fehlern; unsere Statistiken zu Halluzinationen in der Spracherkennung behandeln erfundene Wörter, die ein WER-Wert allein nicht auseinanderhält.
3. Textbasierte Stimmung in Anruf-Transkripten: menschliche Übereinstimmung und Maschinengenauigkeit
Die unbequeme Zahl der Stimmungsanalyse ist die menschliche Basislinie. Zwei Annotatoren, die 20.000 Callcenter-Äußerungen (Breitband, Versicherung und weitere Branchen) kennzeichneten, erreichten ein Cohens Kappa von 0,605 (ConnexAI-Forschende, Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen 2026). Kappa korrigiert die rohe Übereinstimmung um den Zufall: 1,0 ist perfekte Übereinstimmung und 0 das, was der Zufall allein erzeugen würde. Jede Herstellerangabe zur “Stimmungsgenauigkeit” wird an Labels gemessen, die Menschen selbst oft anders bewerten.
Innerhalb dieser Obergrenze schneiden Modelle bei sauberem Text gut ab und stolpern bei der Klasse, auf die es am meisten ankommt. Mit vollständigen Annotationsanweisungen stimmte ein offenes LLM mit 32 Milliarden Parametern in 91% der Fälle mit dem menschlichen Goldstandard bei drei Klassen überein, doch sein Makro-F1 (der Durchschnitt der F1-Werte je Klasse, der das Ignorieren seltener Klassen bestraft) lag bei 0,79. Der eigentliche Stresstest ist die ASR-Ausgabe: Bei maschinell transkribierten Produktivanrufen erreichte derselbe Ansatz ein Makro-F1 von 0,74 bei einzelnen Äußerungen und 0,86, wenn er ein Fenster von sechs Gesprächsbeiträgen sah. Der Kontext half mehr als die Größe: In denselben Tests erzielte ein Qwen3-Modell mit 4 Milliarden Parametern ein Makro-F1 von 0,78, während sein Pendant mit 32 Milliarden Parametern 0,56 erzielte. Im Telefonkorpus Switchboard zeigt die Verteilung der Labels, warum “neutral” die Dashboards dominiert: 52,6% der Segmente waren neutral (Chen et al., A Large Scale Speech Sentiment Corpus, LREC 2020).
| Metrik | Wert | Quelle |
|---|---|---|
| Übereinstimmung zwischen zwei menschlichen Annotatoren bei der Stimmung von 20.000 Callcenter-Äußerungen (Cohens Kappa) | 0,605 | ConnexAI-Forschende, IntechOpen 2026 |
| Offenes LLM (Qwen2.5-32B-Instruct) mit vollständigen Anweisungen im Vergleich zum menschlichen Goldstandard, 3 Stimmungsklassen, 8.750 Stichproben | 0,91 Genauigkeit, 0,79 Makro-F1 | ConnexAI-Forschende, IntechOpen 2026 |
| Feinabgestimmtes DistilBERT im Vergleich zu einem SVM-Klassifikator, Makro-F1 bei von Menschen transkribierten Anrufen | 0,90 gegenüber 0,82 | ConnexAI-Forschende, IntechOpen 2026 |
| LLM bei maschinellen (ASR-)Transkripten von Produktivanrufen: einzelne Äußerung im Vergleich zu einem Kontextfenster von sechs Gesprächsbeiträgen, Makro-F1 | 0,74 gegenüber 0,86 | ConnexAI-Forschende, IntechOpen 2026 |
| Durchschnittliche Genauigkeit einzelner menschlicher Annotatoren gegenüber dem Mehrheitslabel, Switchboard-Telefongespräche (49.500 Segmente, 140 Stunden) | Etwa 85% | Chen et al. (Google), LREC 2020 |
Hinweis zum Kontext: Im selben Kapitel war die negative Klasse selbst für den besten Klassifikator die Schwachstelle (das feinabgestimmte DistilBERT erreichte bei negativer Stimmung ein F1 von 0,78 gegenüber 0,94 bei positiver), und der SVM brach bei maschinellen Transkripten ein, mit einem Makro-F1 von 0,25 bei Agentensprache und 0,46 bei Kundensprache. Auch die maschinell transkribierten Produktivanrufe waren verzerrt: 61% neutral, 30% positiv und 9% negativ. Ein Modell, das alles als neutral kennzeichnet, wirkt bei solchen Daten genau, übersieht aber die wütenden 9%.
4. Akustische Emotionserkennung: Was die Stimme beiträgt
Der Tonfall ist das Verkaufsargument der “Emotions-KI”, war aber im Stimmungs-Benchmark für Telefongespräche Switchboard das schwächste Einzelsignal. Ein rein akustisches Modell erreichte bei der Stimmung mit drei Klassen 54,23% gewichtete Genauigkeit, gegenüber 85,76% bei Menschen, und das Hinzufügen von Text hob sie auf 65,65% (Chen et al., LREC 2020, mit den Basislinien von Lu et al. 2019). Die gewichtete Genauigkeit zählt jedes Segment gleich; die ungewichtete Genauigkeit mittelt die drei Klassen, sodass die 39,63% ungewichtete Genauigkeit des akustischen Modells nur etwa 6 Punkte über den 33,3% liegt, die reines Raten erzielen würde (39,63 - 33,33 = 6,3). Jüngste verfügbare Daten für einen öffentlichen Stimmungs-Benchmark für Telefongespräche, der alle drei Eingabearten vergleicht: Switchboard-Stimmungskorpus, LREC 2020.
Echte Kundenservice-Anrufe sind noch schwerer zu kennzeichnen. In einem französischen Callcenter für Geschäftsreisen (die CusEmo-Studie) erreichten zwei Annotatoren, die die Emotion der Kunden kontinuierlich bewerteten, eine Intraklassenkorrelation (ICC, ein Übereinstimmungsmaß von 0 bis 1) von 0,62 für die Valenz (wie positiv oder negativ) und 0,52 für die Aktivierung (wie aktiviert oder ruhig) (End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations, arXiv 2023). Die Übereinstimmung des besten Modells mit diesen Bewertungen (CCC, Konkordanzkorrelationskoeffizient, wobei 1 perfekt ist) lag bei 0,699 für die Valenz und 0,508 für die Aktivierung, nachdem ihm mitgeteilt wurde, wie empathisch der Agent war. Anders gesagt: Die Stimmung des Kunden lässt sich leichter lesen, wenn das Modell auch den Agenten hört. Zu klinischen Anwendungen derselben Technologie siehe unsere Statistiken zur Genauigkeit der Emotionserkennung in der Sprache.
| Metrik | Wert | Quelle |
|---|---|---|
| Gewichtete Genauigkeit, 3-Klassen-Stimmung bei Switchboard-Telefongesprächen: rein akustisches Modell im Vergleich zu Modell mit Akustik und Text, Modell mit Spracherkennungsmerkmalen und menschlichen Hörern | 54,23% gegenüber 65,65% gegenüber 70,10% gegenüber 85,76% | Chen et al. (Google), LREC 2020 |
| Ungewichtete (klassengemittelte) Genauigkeit, dieselben vier Ansätze in derselben Reihenfolge | 39,63% gegenüber 54,59% gegenüber 62,39% gegenüber 84,61% | Chen et al. (Google), LREC 2020 |
| Ursprüngliche CusEmo-Sammlung aus einem französischen Callcenter für Geschäftsreisen | 5.548 Gespräche, 375,39 Stunden | CusEmo-Studie, arXiv 2023 |
| CusEmo-Gespräche mit Kontextannotation; auf Emotion bewertetes Kundenaudio | 469 Gespräche; 13,15 Stunden | CusEmo-Studie, arXiv 2023 |
| Übereinstimmung zwischen zwei Annotatoren bei der Bewertung der Kundenemotion (ICC): Valenz im Vergleich zu Aktivierung | 0,62 gegenüber 0,52 | CusEmo-Studie, arXiv 2023 |
| Übereinstimmung des besten Modells mit menschlichen Bewertungen (CCC) bei Hinzunahme der Agenten-Empathie: Valenz im Vergleich zu Aktivierung | 0,699 gegenüber 0,508 | CusEmo-Studie, arXiv 2023 |
Hinweis zum Kontext: Das CusEmo-Korpus ist nur für den internen Gebrauch bestimmt und wurde nicht veröffentlicht, und nur 469 der 5.548 Gespräche erhielten eine Kontextannotation. Echte Emotionsdaten aus Callcentern sind gerade deshalb knapp, weil die Aufnahmen personenbezogene Daten enthalten, was einer der Gründe ist, warum die meisten veröffentlichten Genauigkeitswerte aus Podcasts, gespielter Sprache oder jahrzehntealten Telefonkorpora stammen.
5. Gemessene Geschäftsergebnisse
Analyseanbieter verkaufen Ergebnisse, und die am besten kontrollierte Evidenz stammt aus Text, nicht aus Sprache. In einer Studie mit 5.179 Kundensupport-Agenten und etwa 3 Millionen Chats steigerte ein KI-Gesprächsassistent die pro Stunde gelösten Fälle im Durchschnitt um 14% und bei unerfahrenen und geringqualifizierten Agenten um 34% (Brynjolfsson, Li und Raymond, Generative AI at Work, NBER Working Paper 31161). Die Studie maß die Kundenstimmung mit einem LLM-basierten Stimmungsklassifikator (SiEBERT, der Text von -1 bis 1 bewertet), was sie zu einer der wenigen großen Feldstudien macht, die automatisierte Stimmung als Ergebnis statt als Eingangsmerkmal verwendet.
Auch die weicheren Kennzahlen bewegten sich: Die Kundenstimmung stieg um 0,18 Punkte (eine halbe Standardabweichung), Anfragen, mit einem Vorgesetzten zu sprechen, sanken um fast 25%, und die Bearbeitungszeit sank um 3,8 Minuten. Die Lösungsquote änderte sich kaum. Käufer scheinen zu glauben, dass die Daten in die Chefetage gehören: Fast 84% der Unternehmen und 96,7% der Erfolgsgruppe von Metrigy sagen, dass Kundeninteraktionsdaten Teil der Leistungs-Dashboards der Geschäftsführung sein sollten (Metrigy-Analyse, Mai 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Produktivitätsgewinn (pro Stunde gelöste Fälle) mit einem KI-Gesprächsassistenten, 5.179 Agenten | 14% im Durchschnitt | NBER Working Paper 31161, Brynjolfsson, Li und Raymond |
| Produktivitätsgewinn für unerfahrene und geringqualifizierte Agenten | 34% | NBER Working Paper 31161 |
| Veränderung der mittleren Kundenstimmung (SiEBERT-Wert von -1 bis 1) | +0,18 Punkte, etwa eine halbe Standardabweichung | NBER Working Paper 31161 |
| Veränderung bei Kundenanfragen, mit einem Vorgesetzten zu sprechen (Basiswert etwa 6 Prozentpunkte) | Fast 25% niedriger | NBER Working Paper 31161 |
| Veränderung der durchschnittlichen Bearbeitungszeit | 3,8 Minuten kürzer, ein Rückgang um 9% | NBER Working Paper 31161 |
| Veränderung der Lösungsquote (Basiswert 82%) | +1,3 Prozentpunkte, nur auf dem 10%-Niveau signifikant | NBER Working Paper 31161 |
| Unternehmen, die Interaktionsdaten auf Dashboards der Geschäftsführung wollen: alle Unternehmen im Vergleich zur erfolgreichsten Gruppe | Fast 84% gegenüber 96,7% | Metrigy-Analyse, Mai 2025 |
Hinweis zu Ausreißern: Die Stimmung der Agenten stieg in der NBER-Studie nur um 0,02 Punkte, etwa 1% einer Standardabweichung, der Gewinn zeigte sich also darin, wie Kunden schrieben, nicht darin, wie Agenten schrieben. Die Studie betrifft Text-Chats in einem Unternehmen; eine vergleichbar große kontrollierte Studie zu den Ergebnissen der Sprachanruf-Analyse haben wir nicht gefunden.
6. Regulierung und Datenschutz: Regeln zur Emotionserkennung und Stimmabdruck-Recht
Die rechtliche Grenze verläuft danach, wessen Emotionen und woraus sie gelesen werden. Seit dem 2. Februar 2025 verbietet die EU-KI-Verordnung KI-Systeme, die die Emotionen einer Person am Arbeitsplatz ableiten, außer aus medizinischen oder Sicherheitsgründen (Verordnung (EU) 2024/1689, Artikel 5(1)(f) und 113). Die Verordnung definiert Emotionserkennung als Ableitung “auf der Grundlage ihrer biometrischen Daten”, weshalb die Leitlinien der Kommission ein Callcenter, das mittels Spracherkennung die Wut von Beschäftigten verfolgt, als verboten behandeln, ein Callcenter, das die Emotionen von Kunden verfolgt, aber als außerhalb des Verbots und die Ableitung aus geschriebenem Text ebenfalls als außerhalb (Leitlinien der Europäischen Kommission zu verbotenen KI-Praktiken, 4. Februar 2025, Beispiele wie zusammengefasst von CMS, 10. Februar 2025). In der Praxis ist textbasierte Stimmungsanalyse bei Kunden die sicherste Gestaltung in Europa, und die Bewertung des Tonfalls von Agenten die riskanteste.
Erwägungsgrund 44 der Verordnung begründet das Verbot mit ernsten Bedenken hinsichtlich der wissenschaftlichen Grundlage der Emotionserkennung und nennt begrenzte Zuverlässigkeit, mangelnde Spezifität und begrenzte Verallgemeinerbarkeit, dieselben Schwächen, die die Übereinstimmungswerte in den Abschnitten 3 und 4 messen. In den Vereinigten Staaten liegt das größte Risiko im biometrischen Bereich: Illinois zählt einen Stimmabdruck zu den biometrischen Identifikatoren, sodass jedes System, das Stimmabdrücke von Sprechern erstellt (zum Beispiel zur Authentifizierung von Anrufern), unter seine Regeln und deren Schadensersatz je Verstoß fällt (Illinois Biometric Information Privacy Act, 740 ILCS 14).
| Metrik | Wert | Quelle |
|---|---|---|
| Datum, ab dem das EU-Verbot der Ableitung von Emotionen am Arbeitsplatz und in der Bildung (Artikel 5(1)(f)) gilt | 2. Februar 2025 | EU-KI-Verordnung, Verordnung (EU) 2024/1689, Artikel 113 |
| Höchstbetrag der Geldbuße für die Nutzung einer verbotenen KI-Praxis | EUR 35.000.000 oder 7% des gesamten weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist | EU-KI-Verordnung, Artikel 99(3) |
| Status von Emotionserkennungssystemen, die nicht verboten sind (zum Beispiel bei Kunden) | Als Hochrisiko-KI-Systeme aufgeführt | EU-KI-Verordnung, Anhang III, Punkt 1(c) |
| Allgemeines Anwendungsdatum der EU-KI-Verordnung wie veröffentlicht | 2. August 2026 | EU-KI-Verordnung, Artikel 113 |
| Callcenter, das mittels Spracherkennung Emotionen von Beschäftigten wie Wut verfolgt | Verboten | Leitlinien der Europäischen Kommission, Februar 2025 |
| Callcenter, das mittels Spracherkennung Emotionen von Kunden verfolgt | Außerhalb des Verbots am Arbeitsplatz | Leitlinien der Europäischen Kommission, Februar 2025 |
| Pauschalierter Schadensersatz in Illinois je Verstoß mit biometrischen Identifikatoren wie Stimmabdrücken: fahrlässig im Vergleich zu vorsätzlich oder grob fahrlässig | $1.000 gegenüber $5.000 | Illinois BIPA, 740 ILCS 14/20 |
| Inkrafttreten des Illinois BIPA und jüngste Änderung | 3. Oktober 2008; geändert durch Public Act 103-769, in Kraft seit dem 2. August 2024 | Generalversammlung von Illinois |
Hinweis zum Kontext: Die Leitlinien der Kommission sind nicht bindend, und die verbindliche Auslegung obliegt dem Gerichtshof der EU. Der eigene Jahresbericht von NICE warnt, dass die KI-Verordnung “bis August 2026 schrittweise anwendbar” sei und dass Geldbußen bei Nichteinhaltung “erheblich” seien (NICE Form 20-F für das Geschäftsjahr 2025).
Zusammenfassung: Genauigkeit der Stimmungserkennung in der Callcenter-Sprachanalyse in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Unternehmen, die bereits Interaktionsanalyse nutzen, im Vergleich zu denen, die 2025 die Einführung planen | 49,8% gegenüber 29,9% (von 1.104) | Metrigy, AI for Business Success 2025-26 |
| Contact Center, die für die Qualitätssicherung noch Tabellenkalkulationen nutzen | 55% (nach 65%) | Scorebuddy und Call Centre Helper, Dezember 2025 |
| Gesamtumsatz von NICE 2025 | $2.945,4 Millionen | NICE Form 20-F, Geschäftsjahr 2025 |
| WER kommerzieller ASR bei 50 echten Callcenter-Gesprächen | 16,5% bis 19,2% | Szymanski et al., Findings of EMNLP 2020 |
| Dieselben Systeme auf dem Telefon-Benchmark Switchboard | 10,2% bis 11,62% | Szymanski et al., Findings of EMNLP 2020 |
| WER von Whisper large-v2: vorgelesene Hörbücher im Vergleich zu CallHome-Telefongesprächen | 2,7% gegenüber 17,6% | OpenAI, Whisper-Paper 2022 |
| WER bei Callcenter-Audio mit afrikanischen Akzenten: bestes Modell im Vergleich zu Whisper-large-v3 | 13,45% gegenüber 24,69% | AfriSpeech-MultiBench, arXiv 2025 |
| Übereinstimmung zwischen Menschen bei der Stimmung von Callcenter-Äußerungen (Cohens Kappa) | 0,605 | ConnexAI-Forschende, IntechOpen 2026 |
| Makro-F1 der LLM-Stimmungserkennung bei ASR-Transkripten: einzelne Äußerung im Vergleich zu Kontext aus sechs Gesprächsbeiträgen | 0,74 gegenüber 0,86 | ConnexAI-Forschende, IntechOpen 2026 |
| Gewichtete Genauigkeit bei der Stimmung in Telefongesprächen: rein akustisch im Vergleich zu Akustik und Text und zu Menschen | 54,23% gegenüber 65,65% gegenüber 85,76% | Chen et al. (Google), LREC 2020 |
| Übereinstimmung der Annotatoren bei Valenz im Vergleich zu Aktivierung der Kunden in echten Anrufen (ICC) | 0,62 gegenüber 0,52 | CusEmo-Studie, arXiv 2023 |
| Produktivitätsgewinn durch KI-Gesprächsassistenten, alle Agenten im Vergleich zu unerfahrenen | 14% gegenüber 34% | NBER Working Paper 31161 |
| Veränderung der Kundenstimmung (Skala von -1 bis 1) und der Anfragen nach einem Vorgesetzten mit KI-Unterstützung | +0,18 Punkte; fast 25% weniger Anfragen | NBER Working Paper 31161 |
| Das EU-Verbot der Ableitung von Emotionen am Arbeitsplatz gilt ab | 2. Februar 2025 | EU-KI-Verordnung, Artikel 113 |
| Callcenter, das mittels Spracherkennung Emotionen von Beschäftigten im Vergleich zu denen von Kunden verfolgt | Verboten gegenüber außerhalb des Verbots am Arbeitsplatz | Leitlinien der Europäischen Kommission, Februar 2025 |
| Höchstbetrag der EU-Geldbuße für verbotene KI-Praktiken | EUR 35.000.000 oder 7% des weltweiten Umsatzes | EU-KI-Verordnung, Artikel 99(3) |
| Schadensersatz in Illinois je biometrischem Verstoß, fahrlässig im Vergleich zu vorsätzlich | $1.000 gegenüber $5.000 | Illinois BIPA, 740 ILCS 14 |
Methodik und Quellen
- Metrigy, The Value of Interaction Analytics (AI for Business Success 2025-26, 1.104 Unternehmen) und Metrigy-Analyse derselben Studie, 14. Mai 2025: Verbreitung, geplante Einführung, wichtigste Anwendungsfälle, Haltung zu Dashboards.
- Scorebuddy und Call Centre Helper, What Contact Centers Are Doing Right Now, 11. Dezember 2025: Umfrage zu QA-Werkzeugen, vom Anbieter gesponsert; die Stichprobengröße wird in der Mitteilung nicht genannt.
- NICE Ltd, Form 20-F für das am 31. Dezember 2025 endende Geschäftsjahr (SEC EDGAR): Umsatz, Cloud-Wachstum, Kundenbasis, Cognigy-Vergütung, Risikofaktor KI-Verordnung.
- Verint Systems, Form 10-K für das am 31. Januar 2025 endende Geschäftsjahr (SEC EDGAR): Kundenbasis, Länder, Abonnementanteil, regionaler Umsatz.
- Szymanski et al., WER we are and WER we think we are, Findings of EMNLP 2020: kommerzielle ASR bei 50 echten Callcenter-Gesprächen.
- Radford et al. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, 2022: Whisper-WER auf LibriSpeech, CallHome und Switchboard.
- Ashungafac et al. (Intron Health), AfriSpeech-MultiBench, arXiv November 2025: WER im Callcenter-Bereich für 18 ASR-Systeme.
- Jordan, Fonseka, Stacey und Sitvaev (ConnexAI), Enhancing Call Centre Sentiment Analysis with Large Language Models, IntechOpen, 20. Juni 2026: menschliche Übereinstimmung, Stimmungsgenauigkeit von LLM und Klassifikatoren, ASR-Robustheit. Die Autoren arbeiten für einen KI-Anbieter für Contact Center.
- Chen et al. (Google), A Large Scale Speech Sentiment Corpus, LREC 2020 (LDC2020T14): Switchboard-Stimmungslabels, menschliche Genauigkeit, akustische und textbasierte Basislinien.
- End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations (CusEmo), arXiv 2023: Emotionskorpus aus einem echten Callcenter und Modellergebnisse.
- Brynjolfsson, Li und Raymond, Generative AI at Work, NBER Working Paper 31161: Ergebnisse zu Produktivität, Stimmung, Eskalation und Fluktuation.
- Verordnung (EU) 2024/1689 (EU-KI-Verordnung), EUR-Lex: Artikel 3(39), Artikel 5(1)(f), Artikel 99(3), Artikel 113, Anhang III, Erwägungsgrund 44.
- Europäische Kommission, Leitlinien zu verbotenen KI-Praktiken, 4. Februar 2025 und CMS-Zusammenfassung der Callcenter-Beispiele, 10. Februar 2025.
- Generalversammlung von Illinois, Biometric Information Privacy Act, 740 ILCS 14: Definition des Stimmabdrucks und pauschalierter Schadensersatz.
- Daten-Hinweis: Die kommerzielle Callcenter-WER-Studie (2020), das Whisper-Paper (2022), die Switchboard-Stimmungsbasislinien (2020) und die CusEmo-Studie (2023) sind die jeweils aktuellsten verfügbaren öffentlichen Daten für ihre Messungen; einen neueren öffentlichen Test kommerzieller Engines mit echten Anrufaufnahmen haben wir nicht gefunden, und die in diesen Arbeiten verwendeten Callcenter-Datensätze sind privat. Das IntechOpen-Kapitel ist an einigen Stellen in sich widersprüchlich (seine Zusammenfassung nennt 3.000 Stimmungsbeobachtungen, während der Haupttext 8.750 verwendet, und es gibt in der Zusammenfassung ein ASR-F1 von “etwa 0,76” an, gegenüber einem Makro-F1 von 0,74 und einer Genauigkeit von 0,76 im Haupttext); wir haben die Tabellen des Haupttextes verwendet. Der Text der CusEmo-Arbeit nennt 0,657 und 0,434 für eine Konfiguration, die ihre Tabelle mit 0,667 und 0,499 ausweist. Der Callcenter-Satz von AfriSpeech-MultiBench hat nur 16 Stichproben (0,80 Stunden), und die Arbeit nennt sowohl 18 als auch 19 bewertete Systeme. Die NBER-Ergebnisse stammen aus Text-Chats bei einem einzelnen Unternehmen, nicht aus Sprachanrufen. Metrigy beschreibt dasselbe Verbreitungsergebnis an einer Stelle als 49,8% und an anderer als “nur die Hälfte”. Weit verbreitete Behauptungen, manuelle QA decke 1% bis 3% der Anrufe ab, ließen sich nicht auf eine unabhängige Umfrage zurückführen und wurden ausgeschlossen. Der Zeitplan der EU-KI-Verordnung wird so zitiert, wie er im Amtsblatt veröffentlicht wurde; prüfen Sie spätere Änderungen, bevor Sie sich für die Hochrisiko-Pflichten auf das Datum 2. August 2026 verlassen.
Zuletzt aktualisiert: 27. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn Metrigy seine nächste Studie AI for Business Success veröffentlicht und NICE seinen nächsten jährlichen Form 20-F einreicht.