Keine der 68 im Jahr 2026 untersuchten Studien zu Stimme und Sprache in der psychischen Gesundheit hat Burnout oder emotionale Erschöpfung direkt gemessen (Uy et al., Frontiers in Digital Health 2026). Diese Lücke bestimmt alles Folgende. Was die Forschung tatsächlich zeigt, ist enger gefasst: Die Grundfrequenz (F0, die Grundtonhöhe der Stimme) steigt unter akutem Stress mit einer gepoolten standardisierten Mittelwertdifferenz (SMD) von 0,55, die nach der Korrektur für Publikationsbias auf nicht signifikante 0,17 schrumpft (Veiga et al., Stress and Health 2025). Das stärkste Feldergebnis aus Callcentern, das wir gefunden haben, ist eine AUC von 0,783 für die Vorhersage depressiver Symptome bei 62 japanischen Beschäftigten (Tani et al., Journal of Occupational Health 2025), und in der Europäischen Union ist das Ableiten von Emotionen von Beschäftigten mit KI seit dem 2. Februar 2025 verboten. Zur Arbeitskräfteseite des Problems (Fluktuation, Übergriffe, Kündigungsabsichten) siehe unsere Statistiken zu Burnout und Fluktuation bei Callcenter-Agenten. Wir haben Daten aus JMIR Mental Health, JAMIA, Scientific Reports, dem Journal of Voice, dem Journal of Occupational Health, der Europäischen Kommission, der ungarischen Datenschutzbehörde (NAIH) und dem US-amerikanischen National Institute of Justice zusammengeführt und dabei durchgehend Laborevidenz vom Praxiseinsatz getrennt.
TL;DR
- 0 von 68 Studien zu Stimme und Sprache in der psychischen Gesundheit haben Burnout direkt gemessen, und nur 2 von 68 (3%) validierten an einem unabhängigen Datensatz (Uy et al., Frontiers in Digital Health 2026).
- 0 von 13 Studien zur KI-gestützten Überwachung der psychischen Gesundheit an realen Arbeitsplätzen nutzten Stimm- oder Sprachdaten (Jack et al., PLOS Digital Health 2026).
- Akuter Stress erhöht die F0 mit einer gepoolten SMD von 0,55 (95%-KI 0,30 bis 0,80), nach Trim-and-fill sinkt sie auf 0,17 und ist nicht mehr signifikant (Veiga et al., Stress and Health 2025).
- Die F0 stieg in 15 von 19 Stressstudien signifikant an und ist damit der konsistenteste akustische Marker (Schewski et al., PLOS One 2025).
- Sprachbasierte Depressionserkennung: gepoolte höchste Genauigkeit 0,81 gegenüber niedrigster Genauigkeit 0,66 in 105 Studien (Maran et al., JMIR Mental Health 2025).
- Ein Modell auf Basis von Anrufaudio sagte depressive Symptome bei 62 Callcenter-Mitarbeitenden mit einer AUC von 0,783 voraus (Tani et al., Journal of Occupational Health 2025).
- Callcenter-Mitarbeitende berichten eine Prävalenz von Stimmproblemen im Berufsleben von 33% bis 68% (Nair et al., systematischer Review im Journal of Voice).
- 70,5% von 173 türkischen Callcenter-Mitarbeitenden, die zur Abklärung überwiesen wurden, hatten eine bestätigte Berufskrankheit, am häufigsten Erkrankungen der Stimmlippen (Altundas Hatman und Torun, La Medicina del Lavoro 2022).
- Bußgelder nach der KI-Verordnung für verbotene Praktiken reichen bis zu EUR 35.000.000 oder 7% des weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist (Verordnung (EU) 2024/1689, Artikel 99).
- Die Anrufanalyse-Software einer Bank konnte in 91,96% der Fälle keine Emotion erkennen, und die Bank wurde mit HUF 250.000.000 bestraft (Entscheidung NAIH-85-3/2022).
1. Was Stress mit der Stimme macht: F0, Jitter, Shimmer und Sprechgeschwindigkeit
Die paralinguistische Analyse betrachtet, wie etwas gesagt wird, nicht was gesagt wird. Die vier klassischen Merkmale sind die F0 (Tonhöhe), der Jitter (winzige Schwankung der Tonhöhe von Zyklus zu Zyklus), der Shimmer (Schwankung der Lautstärke von Zyklus zu Zyklus) und die Sprechgeschwindigkeit. Die Laborevidenz stützt eines davon eindeutig: Die Tonhöhe steigt unter akutem Stress. Die F0 stieg in 15 von 19 Studien signifikant an, so ein systematischer Review von 2025 mit 38 Artikeln (Schewski et al., PLOS One 2025), während Jitter und Shimmer größtenteils keinen Zusammenhang zeigten.
Der Effekt ist real, aber kleiner und weniger stabil, als die Schlagzeilenzahl nahelegt. Eine Metaanalyse von 2025 mit 10 Studien und 583 Teilnehmenden ergab einen gepoolten F0-Anstieg von SMD 0,55, doch nach statistischer Korrektur für fehlende negative Studien sank die Schätzung auf 0,17, mit einem Konfidenzintervall, das die Null überschreitet (Veiga et al., Stress and Health 2025). Das Signal ist zudem bei spontaner Sprache am stärksten, also genau der Sprache, die ein Headset aufnimmt, und bei vorgelesener oder standardisierter Sprache am schwächsten. Ein intraindividuelles Experiment ergab, dass die Stimme auf physiologischen Stress reagiert und nicht allein auf schlechte Stimmung: Die Merkmale veränderten sich bei einem Stresstest, nicht aber bei einer Aufgabe zu sozialer Ausgrenzung (Kappen et al., Scientific Reports 2024).
| Metrik | Wert | Quelle |
|---|---|---|
| Gepoolter F0-Anstieg unter akutem Stress (10 Studien, 583 Teilnehmende) | SMD 0,55 (95%-KI 0,30 bis 0,80), I² = 69,2% | Veiga et al., Stress and Health 2025 |
| Derselbe gepoolte F0-Effekt nach Trim-and-fill-Korrektur für Publikationsbias | SMD 0,17 (95%-KI -0,15 bis 0,49), p = 0,29 | Veiga et al., Stress and Health 2025 |
| F0-Effekt bei spontaner Sprache gegenüber standardisierter (vorgelesener) Sprache | SMD 0,79 gegenüber SMD 0,14 | Veiga et al., Stress and Health 2025 |
| Stressstudien mit signifikantem F0-Anstieg | 15 von 19 | Schewski et al., PLOS One 2025 |
| Prosodische Merkmale gegenüber Stimmqualitätsmerkmalen mit Zusammenhang zu Stress | 52 von 69 gegenüber 18 von 37 Untersuchungen | Schewski et al., PLOS One 2025 |
| Veränderung der Sprechgeschwindigkeit bei einer Stressaufgabe, 66 Teilnehmende | Zunahme, d = 1,03 (95%-KI 0,65 bis 1,42) | Kappen et al., Scientific Reports 2024 |
| Veränderung des Jitters bei derselben Stressaufgabe | Abnahme, d = -0,62 (95%-KI -1,00 bis -0,24) | Kappen et al., Scientific Reports 2024 |
| Veränderung des Shimmers bei derselben Stressaufgabe | Keine signifikante Veränderung, p = 0,201 | Kappen et al., Scientific Reports 2024 |
Kontexthinweis: In der Metaanalyse von Veiga wurden 5 der 10 Studien mit einem schwerwiegenden Gesamtrisiko für Bias bewertet, und die Autoren stellen fest, dass die Evidenz nicht ausreicht, um F0-Parameter für Stress festzulegen. Schewski et al. fanden außerdem kein konsistentes akustisches Muster für Angst oder Furcht.
2. Erkennungsgenauigkeit: Depressions- und Ermüdungsmodelle in Benchmarks
Burnout überschneidet sich mit Depression und Erschöpfung, daher ist die Depressionsliteratur der nächstliegende Stellvertreter dafür, was ein Burnout-Modell leisten könnte. Die Schlagzeilenzahlen wirken stark, hängen aber davon ab, welches Ergebnis jede Arbeit zu berichten wählt. Über 105 Studien hinweg lag die gepoolte beste berichtete Genauigkeit bei 0,81, während die gepoolte schlechteste berichtete Genauigkeit derselben Arbeiten bei 0,66 lag (Maran et al., JMIR Mental Health 2025). Diese Differenz von 15 Punkten ist die Spanne zwischen der besten und der schwächsten Konfiguration einer Arbeit, noch bevor ein Modell auf eine neue Population trifft.
Ältere Ansätze halten sich weiterhin: Eine Metaanalyse in JAMIA stellte fest, dass manuell entwickelte akustische Merkmale dem durchgängigen Deep Learning überlegen waren (Liu et al., JAMIA 2024). Ermüdung zeigt dasselbe Muster kleiner Stichproben: Eine Studie zu Schlafentzug erreichte bei Vokalaufnahmen bis zu 94%, aber es nahmen nur 15 Männer teil (Frontiers in Cell and Developmental Biology 2022). Wie Emotionsklassifikatoren außerhalb des Labors in einem klinischen Umfeld abschneiden, zeigen unsere Statistiken zur Genauigkeit der Spracherkennung von Emotionen.
| Metrik | Wert | Quelle |
|---|---|---|
| Gepoolte höchste berichtete Genauigkeit, sprachbasierte Depressionserkennung (105 Studien) | 0,81 (95%-KI 0,79 bis 0,83) | Maran et al., JMIR Mental Health 2025 |
| Gepoolte niedrigste berichtete Genauigkeit im selben Review | 0,66 (95%-KI 0,63 bis 0,69) | Maran et al., JMIR Mental Health 2025 |
| Gepoolte höchste berichtete Sensitivität gegenüber Spezifität | 0,84 gegenüber 0,83 | Maran et al., JMIR Mental Health 2025 |
| Eingeschlossene Studien mit hohem Biasrisiko in mindestens einer Domäne | 47,6% (50 von 105) | Maran et al., JMIR Mental Health 2025 |
| Gepoolte Genauigkeit von Deep Learning auf Sprache bei Depression (8 Studien) | 0,87 (95%-KI 0,81 bis 0,93) | Liu et al., JAMIA 2024 |
| Gepoolte Genauigkeit von Modellen mit manuell entwickelten akustischen Merkmalen | 0,89 (95%-KI 0,81 bis 0,97) | Liu et al., JAMIA 2024 |
| Gepoolte F0-Differenz, depressive gegenüber nicht depressiven Sprechenden (6 Studien) | -1,82 Hz, p = 0,56 (nicht signifikant) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
| Ermüdungsklassifikation nach 36 Stunden Wachzustand, mehrere Vokale gegenüber segmentierter Sprache (15 Teilnehmende) | Bis zu 94% gegenüber 76% | Frontiers in Cell and Developmental Biology 2022 |
Kontexthinweis: 52,4% der 105 Depressionsstudien waren Konferenzbeiträge, der am häufigsten verwendete öffentliche Datensatz war DAIC-WOZ (33,3% der Studien), und studienspezifische (manuell erstellte) Datensätze waren insgesamt am häufigsten (53,3%). Der Review von Cantor-Cutiva et al. bewertete nur 1 von 17 Studien als von starker Qualität. Aktuellste verfügbare Daten zur Ermüdung: Frontiers in Cell and Developmental Biology, 2022.
3. Burnout ist das fehlende Label: Die Lücke zwischen Labor und Praxis
Dieser Abschnitt ist für alle am wichtigsten, die eine Funktion zur “Burnout-Vorhersage” kaufen. Ein Scoping Review von 2026 mit 68 Studien zu Stimm-Biomarkern fand keine einzige, die Burnout oder emotionale Erschöpfung gemessen hat, und nur 2 von 68 (3%) testeten an einem unabhängigen Datensatz (Uy et al., Frontiers in Digital Health 2026). Die Autoren folgern, dass die Evidenz die passive oder umgebungsbasierte Beurteilung der psychischen Gesundheit in der Routinepraxis noch nicht trägt.
Die Literatur zum Arbeitsplatz erzählt dieselbe Geschichte aus der Gegenrichtung. Ein Review, der sich auf die KI-gestützte Überwachung der psychischen Gesundheit an realen Arbeitsplätzen beschränkte, behielt 13 Studien, und keine davon nutzte die Stimme (Jack et al., PLOS Digital Health 2026). Eine der wenigen großen Stimmstudien im Feldstil, bei der 4.155 Personen mit ihren eigenen Handys aufnahmen, ergab, dass kein stressbezogenes Merkmal über Geschlecht, Sprache und Aufgabe hinweg geteilt wurde (Topalian et al., Digital Biomarkers 2026). Ein Modell, das an einer Gruppe trainiert wurde, hat also keine Garantie, auf das nächste Team übertragbar zu sein. Dasselbe Validierungsproblem zieht sich auch durch Stimm-Biomarker bei anderen Erkrankungen, wie unsere Statistiken zu Stimm-Biomarkern bei kognitiver Beeinträchtigung zeigen.
| Metrik | Wert | Quelle |
|---|---|---|
| Studien zu Stimme und Sprache in der psychischen Gesundheit, die Burnout oder emotionale Erschöpfung gemessen haben | 0 von 68 | Uy et al., Frontiers in Digital Health 2026 |
| Studien, die an einer unabhängigen oder datensatzübergreifenden Stichprobe validiert wurden | 2 von 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Studien mit kontrollierter Elizitation (Laboraufgaben) statt natürlicher Sprache | 54 von 68 (79%) | Uy et al., Frontiers in Digital Health 2026 |
| Stressbezogene Stimmmerkmale, die Frauen und Männer gemeinsam hatten, 679 Erwachsene mit Diabetes bei Aufnahmen zu Hause | Keine (25 Merkmale bei jedem Geschlecht gefunden) | Bour et al., PLOS Digital Health 2026 |
| Studien zur KI-gestützten Überwachung der psychischen Gesundheit an realen Arbeitsplätzen, die Stimme oder Sprache nutzten | 0 von 13 | Jack et al., PLOS Digital Health 2026 |
| Studien zur KI-Überwachung an realen Arbeitsplätzen mit Ziel Burnout gegenüber Ziel Stress | 1 von 13 gegenüber 10 von 13 | Jack et al., PLOS Digital Health 2026 |
| Experimentelle (Labor-)Stressstudien gegenüber Feldstudien | 30 gegenüber 7 Artikel | Schewski et al., PLOS One 2025 |
| Stimmstudie zu momentanem Stress auf persönlichen Geräten: Merkmale, die über Geschlecht, Sprache und Aufgabe hinweg geteilt wurden | Keine (4.155 Teilnehmende) | Topalian et al., Digital Biomarkers 2026 |
Kontexthinweis: Datenerhebung im Feld ist möglich. Die ICASSP-Studie von 2021 von Gaballah et al. begleitete 144 Klinikbeschäftigte über 10 Wochen mit tragbarem Audio und täglich selbst berichtetem Stress, zielte aber auf Stress und nicht auf Burnout (aktuellste verfügbare Daten: IEEE ICASSP, 2021). Die Diabeteskohorte in der obigen Tabelle (Bour et al., PLOS Digital Health 2026) fand ebenfalls kein Merkmal, das Stress und diabetesbezogene Belastung gemeinsam hatten, eine Erinnerung daran, dass “Stress” in einer Studie nicht dasselbe Konstrukt ist wie in der nächsten.
4. Einsätze in Callcentern: Was Feldstudien berichten
Das, was einem echten Einsatz in der Nähe von Burnout am nächsten kommt, stammt aus Japan, wo eine Forschungsgruppe ein kommerzielles Stimmanalysesystem an den tatsächlichen Kundengesprächen von Callcenter-Mitarbeitenden testete. Das Modell sagte depressive Symptome über 12 Wochen mit einer AUC von 0,783 (95%-KI 0,691 bis 0,875) voraus, doch nur 62 von 240 rekrutierten Mitarbeitenden gelangten in die Analyse, das System ist eine proprietäre Blackbox, und die Studie wurde von ihrem Anbieter finanziert (Tani et al., Journal of Occupational Health 2025). Eine begleitende randomisierte Studie setzte dasselbe Werkzeug in Gruppensitzungen ein und fand moderate Verringerungen der Depressionswerte (Tani et al., Journal of Occupational Health 2024).
Zwei neuere koreanische Datensätze zeigen die Alternativen. Eine Tagebuchstudie mit 400 Beschäftigten ergab, dass die von den Agenten verwendeten Wörter depressive Symptome besser abbildeten als ihre eigenen Stimmungsbewertungen, was Sprachanalyse und keine Paralinguistik ist (Kim et al., Psychiatry Investigation 2026). Eine Laborsimulation mit 31 Callcenter-Agenten und Schauspielern, die verärgerte Kunden spielten, berichtete Ergebnisse nur für Audio in Kombination mit Herz-, Haut- und Hirnsensoren, sodass der eigene Beitrag der Stimme unbekannt ist (Lee et al., Scientific Data 2026).
| Metrik | Wert | Quelle |
|---|---|---|
| AUC für die Vorhersage depressiver Symptome (CES-D von 16 oder höher) aus Anrufaudio, 62 Callcenter-Mitarbeitende | 0,783 (95%-KI 0,691 bis 0,875) | Tani et al., Journal of Occupational Health 2025 |
| AUC zur Unterscheidung normaler Anrufe von Anrufen mit hoher Arbeitsbelastung (aggressive Kunden) in einem simulierten Callcenter, Audio kombiniert mit physiologischen Sensoren, 31 Agenten | 0,946 | Lee et al., Scientific Data 2026 |
| Mitarbeitende mit depressiven Symptomen zu Studienbeginn in dieser Kohorte | 30,6% (19 von 62) | Tani et al., Journal of Occupational Health 2025 |
| Veränderung des Depressionswerts nach 12 Wochen gegenüber der Kontrolle: Gruppensitzungen mit Stimmanalyse (5 oder mehr) gegenüber Einzelgesprächen mit der Führungskraft | -2,36 gegenüber -1,47 CES-D-Punkte | Tani et al., Journal of Occupational Health 2024 |
| Koreanische Beschäftigte in Emotionsarbeit mit depressiven Symptomen (PHQ-9 von 5 oder höher), 400 analysiert | 50,8% (203 von 400) | Kim et al., Psychiatry Investigation 2026 |
| AUC des sprachbasierten Stimmungsmodells bis Tag 10 der Stimmtagebücher | 75,1% | Kim et al., Psychiatry Investigation 2026 |
| AUC für wahrgenommenen Stress in einem simulierten Callcenter, Audio kombiniert mit physiologischen Sensoren, 31 Agenten | 0,783 | Lee et al., Scientific Data 2026 |
| Anteil täuschender Antworten, die die Layered Voice Analysis in einer US-Gefängnisvalidierung erkannte, 319 Festgenommene | 21,4% (Spezifität 95,2%) | US National Institute of Justice, Damphousse et al. 2007 |
Kontexthinweis: Das in beiden Tani-Studien verwendete japanische System basiert auf der Layered Voice Analysis (LVA). Ein älterer unabhängiger Test, finanziert vom US National Institute of Justice, ergab, dass die LVA und ein konkurrierender Stimmstress-Analysator “nicht in der Lage waren, Täuschung besser als durch Zufall zu erkennen” (NIJ-Bericht, 2007). Dieser Test maß Lügen und nicht Stimmung, entscheidet also die Depressionsfrage nicht, ist aber ein Grund, unabhängige Validierung zu verlangen (aktuellste verfügbare Daten: NIJ, 2007).
5. Stimmbelastung: Stimmstörungen in der Callcenter-Arbeit und ihr Zusammenhang mit Burnout
Bevor die Stimme ein Sensor ist, ist sie ein Arbeitswerkzeug, und das Werkzeug nutzt sich ab. Ein systematischer Review im Journal of Voice mit 15 Studien bezifferte die Prävalenz von Stimmproblemen im Berufsleben bei Callcenter-Mitarbeitenden auf 33% bis 68%, bei einer Punktprävalenz von 27% (Nair et al., Journal of Voice). Heiserkeit war das häufigste Symptom, gefolgt von Stimmermüdung. Das ist für jedes akustische Modell wichtig: Jitter und Shimmer einer heiseren Person verändern sich aus körperlichen Gründen, die ein Stress- oder Burnout-Klassifikator falsch deuten könnte.
Das klinische Ende des Spektrums ist drastisch. Unter 173 türkischen Callcenter-Mitarbeitenden, die an ein Krankenhaus für Berufskrankheiten überwiesen wurden, hatten 70,5% eine bestätigte Berufskrankheit, und von den später Befragten waren 43,8% entlassen worden (Altundas Hatman und Torun, La Medicina del Lavoro 2022). Forschung zu Lehrkräften, einem weiteren stimmintensiven Beruf, verknüpft Burnout und Stimmstörungen direkt, die beiden Probleme treten also gemeinsam auf. Unsere Statistiken zu akustischer Stimmanalyse und Dysphonie zeigen, wie Kliniken diesen Schaden messen.
| Metrik | Wert | Quelle |
|---|---|---|
| Prävalenz von Stimmproblemen im Berufsleben bei Callcenter-Mitarbeitenden (15 Studien) | 33% bis 68% | Nair et al., systematischer Review im Journal of Voice |
| Punktprävalenz von Stimmproblemen bei Callcenter-Mitarbeitenden | 27% | Nair et al., systematischer Review im Journal of Voice |
| Türkische Callcenter-Beschäftigte, die seit Beginn der Tätigkeit Stimmprobleme angeben (264 befragt) | 57,6% | Demir et al., PeerJ 2025 |
| Dieselben Beschäftigten, die Stress bei der Arbeit angeben | 58,3% | Demir et al., PeerJ 2025 |
| Überwiesene Callcenter-Mitarbeitende mit bestätigter Berufskrankheit (173 Fälle) | 70,5% | Altundas Hatman und Torun, La Medicina del Lavoro 2022 |
| Stimmlippenknötchen bei Mitarbeiterinnen gegenüber Mitarbeitern mit Berufskrankheit | 92,9% gegenüber 62,4% | Altundas Hatman und Torun, La Medicina del Lavoro 2022 |
| Mittlerer Anteil des Arbeitstags mit Phonation, 92 Callcenter-Mitarbeitende | 14,74% (Spanne 4% bis 31%) | Cantarella et al., Journal of Voice 2014 |
| Chance auf eine wahrscheinliche Stimmstörung bei Lehrkräften mit positivem Befund in 2 bis 4 Burnout-Subskalen gegenüber 0 bis 1 | OR 4,01, P = 0,013 | de Brito Mota et al., Journal of Voice 2019 |
Kontexthinweis: In der türkischen PeerJ-Umfrage (Demir et al. 2025) war Stress bei der Arbeit signifikant mit schlechteren Werten im Voice Handicap Index verbunden (p < 0,001). Unter 208 Lehrkräften in der Studie von de Brito Mota hatten 64,4% wahrscheinlich eine Stimmstörung, und in einer galicischen Studie von 2024 mit 90 Lehrkräften zeigten 16% Symptome, die mit Burnout vereinbar waren. Aktuellste verfügbare Daten zur Phonationszeit: Cantarella et al., Journal of Voice, 2014.
6. Rechtliche und ethische Grenzen: Artikel 5 der KI-Verordnung der EU und das Handeln der Aufsichtsbehörden
Selbst wenn die Wissenschaft morgen ausgereift wäre, ist der rechtliche Spielraum für die Emotionsanalyse von Beschäftigten in Europa bereits geschlossen. Artikel 5 Absatz 1 Buchstabe f der KI-Verordnung verbietet “die Verwendung von KI-Systemen zur Ableitung von Emotionen einer natürlichen Person in den Bereichen Arbeitsplatz und Bildungseinrichtungen”, mit einer Ausnahme nur aus medizinischen oder Sicherheitsgründen, und gilt seit dem 2. Februar 2025 (Verordnung (EU) 2024/1689, Artikel 5). Die Leitlinien der Europäischen Kommission, veröffentlicht am 4. Februar 2025 und nicht bindend, schließen die offensichtliche Lücke: Laut einer Analyse der Leitlinien durch das Future of Privacy Forum erstreckt sich die medizinische Ausnahme “nicht auf die allgemeine Überwachung des Wohlbefindens, wie die Erkennung von Stress oder Burnout” (FPF, 24. März 2026).
Das Verbot zielt auf das Ableiten aus biometrischen Daten wie der Stimme. Die Analyse der Emotionen von Kunden ist nicht erfasst, und das Ableiten von Emotionen aus geschriebenem Text liegt außerhalb des Verbots, sodass ein transkriptbasiertes und ein stimmbasiertes Modell auf entgegengesetzten Seiten der Grenze landen können. Das Datenschutzrecht griff bereits vor der KI-Verordnung: Die ungarische Behörde verhängte ein Bußgeld gegen eine Bank, deren Anrufanalyse-Software den Gemütszustand der Anrufenden bewertete und auch die Stimmen der eigenen Mitarbeitenden überwachte (Entscheidung NAIH-85-3/2022).
| Metrik | Wert | Quelle |
|---|---|---|
| Datum, ab dem das Verbot der Emotionsableitung am Arbeitsplatz in der EU gilt | 2. Februar 2025 | Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 5 |
| Höchstbetrag des Bußgelds für eine verbotene KI-Praxis | EUR 35.000.000 oder 7% des gesamten weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist | Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 99 Absatz 3 |
| Veröffentlichung der Kommissionsleitlinien zu verbotenen Praktiken (nicht bindend) | 4. Februar 2025, Seite zuletzt aktualisiert am 31. Juli 2025 | Europäische Kommission, Leitlinien zu verbotenen KI-Praktiken 2025 |
| Erkennung von Stress oder Burnout von der medizinischen Ausnahme erfasst | Nein, die allgemeine Überwachung des Wohlbefindens ist ausgenommen | Leitlinien der Europäischen Kommission, analysiert vom Future of Privacy Forum 2026 |
| Bußgeld gegen eine ungarische Bank für KI-Emotionsanalyse von Anrufaufzeichnungen | HUF 250.000.000 | Entscheidung NAIH-85-3/2022 |
| Anteil der Fälle, in denen die Software der Bank keine Emotion erkennen konnte | 91,96% | Entscheidung NAIH-85-3/2022 |
| Aufbewahrung der Anruf-Audiodateien in der Stimmanalyse-Software | 45 Tage | Entscheidung NAIH-85-3/2022 |
| Frist, um die Einhaltung nachzuweisen oder die Emotionsanalyse einzustellen | 60 Tage nach Rechtskraft der Entscheidung | Entscheidung NAIH-85-3/2022 |
Kontexthinweis: Die Seite zu den Leitlinien der Europäischen Kommission besagt, dass die verbindliche Auslegung dem Gerichtshof der Europäischen Union vorbehalten ist. Die NAIH-Entscheidung stellte außerdem fest, dass die Software “die Emotionen eines Mitarbeiters und nicht die der anrufenden Partei” erkennen konnte, also genau die Art der Emotionsableitung am Arbeitsplatz, die Artikel 5 Absatz 1 Buchstabe f nun verbietet.
Zusammenfassung: Paralinguistische Stimmanalyse und Burnout-Prognose bei Agenten in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Studien zu Stimme und Sprache in der psychischen Gesundheit, die Burnout direkt gemessen haben | 0 von 68 | Uy et al., Frontiers in Digital Health 2026 |
| Studien zur KI-gestützten Überwachung der psychischen Gesundheit an realen Arbeitsplätzen mit Stimme | 0 von 13 | Jack et al., PLOS Digital Health 2026 |
| Gepoolter F0-Anstieg unter akutem Stress | SMD 0,55 (95%-KI 0,30 bis 0,80) | Veiga et al., Stress and Health 2025 |
| Gepoolter F0-Anstieg nach Korrektur für Publikationsbias | SMD 0,17, nicht signifikant | Veiga et al., Stress and Health 2025 |
| Stressstudien mit signifikantem F0-Anstieg | 15 von 19 | Schewski et al., PLOS One 2025 |
| Effekt auf die Sprechgeschwindigkeit bei einer Laborstressaufgabe | d = 1,03 | Kappen et al., Scientific Reports 2024 |
| Depressionserkennung, gepoolte höchste gegenüber niedrigster berichteter Genauigkeit | 0,81 gegenüber 0,66 | Maran et al., JMIR Mental Health 2025 |
| Depressionserkennung mit Deep Learning, gepoolte Genauigkeit | 0,87 | Liu et al., JAMIA 2024 |
| Modelle mit manuell entwickelten akustischen Merkmalen, gepoolte Genauigkeit | 0,89 | Liu et al., JAMIA 2024 |
| AUC des Anrufaudio-Modells für depressive Symptome, 62 Callcenter-Mitarbeitende | 0,783 | Tani et al., Journal of Occupational Health 2025 |
| Beschäftigte in Emotionsarbeit mit depressiven Symptomen (Korea) | 50,8% | Kim et al., Psychiatry Investigation 2026 |
| Prävalenz von Stimmproblemen im Berufsleben bei Callcenter-Mitarbeitenden | 33% bis 68% | Nair et al., systematischer Review im Journal of Voice |
| Türkische Callcenter-Beschäftigte mit Stimmproblemen seit Beginn der Tätigkeit | 57,6% | Demir et al., PeerJ 2025 |
| Überwiesene Mitarbeitende mit bestätigter Berufskrankheit | 70,5% | Altundas Hatman und Torun, La Medicina del Lavoro 2022 |
| Höchstbetrag des Bußgelds nach der KI-Verordnung für verbotene Praktiken | EUR 35.000.000 oder 7% des Umsatzes | Verordnung (EU) 2024/1689, Artikel 99 |
| Bußgeld gegen eine ungarische Bank für Emotionsanalyse von Anrufen | HUF 250.000.000 | Entscheidung NAIH-85-3/2022 |
Methodik und Quellen
- Uy, Shaaban und Arnaout: Stimme und Sprache als digitale Biomarker der psychischen Gesundheit, Frontiers in Digital Health 2026
- Jack et al.: Überwachung der psychischen Gesundheit am Arbeitsplatz mit künstlicher Intelligenz, PLOS Digital Health 2026
- Veiga et al.: Die Grundfrequenz der Stimme als potenzieller Stress-Biomarker, Stress and Health 2025
- Schewski et al.: Messung negativer Emotionen und von Stress anhand akustischer Korrelate in der Sprache, PLOS One 2025
- Kappen et al.: Akustische und prosodische Sprachmerkmale spiegeln physiologischen Stress wider, Scientific Reports 2024
- Topalian et al.: Stimmsignaturen momentanen psychischen Stresses in realen Umgebungen, Digital Biomarkers 2026
- Bour et al.: Stimmveränderungen im Zusammenhang mit Stress und Belastung bei Menschen mit Diabetes, PLOS Digital Health 2026
- Maran et al.: Leistung der automatischen Sprachanalyse bei der Erkennung von Depressionen, JMIR Mental Health 2025
- Liu et al.: Diagnostische Genauigkeit von Deep Learning mit Sprachproben bei Depression, JAMIA 2024
- Cantor-Cutiva et al.: Die Rolle der Stimmakustik bei der Beurteilung von Depression, Depression and Anxiety 2026
- Ein schnelles, nicht-invasives Verfahren zur Ermüdungserkennung auf Basis von Stimminformationen, Frontiers in Cell and Developmental Biology 2022
- Gaballah et al.: Kontextbewusste Stresserkennung in der Sprache von Klinikbeschäftigten mit Bi-LSTM-Klassifikatoren, IEEE ICASSP 2021
- Tani et al.: Frühmodell zur Erkennung depressiver Symptome mittels Stimm-Emotionsanalyse bei Callcenter-Mitarbeitenden, Journal of Occupational Health 2025
- Tani et al.: Organisationale Intervention mit Layered Voice Analysis, randomisierte kontrollierte Studie, Journal of Occupational Health 2024
- Kim et al.: Alltagssprache als objektiver Indikator depressiver affektiver Zustände bei Beschäftigten in Emotionsarbeit, Psychiatry Investigation 2026
- Lee et al.: Ein multimodaler Datensatz zur Beurteilung von Emotion, Stress und emotionaler Arbeitsbelastung in einem zwischenmenschlichen Arbeitsszenario, Scientific Data 2026
- Damphousse et al., US National Institute of Justice: Bewertung der Validität von Stimmstress-Analysewerkzeugen in einer Gefängnisumgebung, 2007
- Nair et al.: Prävalenz von Stimmproblemen, selbst berichteten Stimmsymptomen und damit verbundenen Risikofaktoren bei Callcenter-Mitarbeitenden, Journal of Voice
- Demir et al.: Selbst berichtete Stimmprobleme bei Callcenter-Beschäftigten, PeerJ 2025
- Altundas Hatman und Torun: Berufskrankheiten bei Callcenter-Mitarbeitenden mit Bedarf an Stimmrehabilitation, La Medicina del Lavoro 2022
- Cantarella et al.: Ambulante Phonationsüberwachung an einer Stichprobe von 92 Callcenter-Mitarbeitenden, Journal of Voice 2014
- de Brito Mota et al.: Stimmstörung und Burnout-Syndrom bei Lehrkräften, Journal of Voice 2019; Garcia-Real et al.: Stimmprobleme und Burnout-Syndrom bei Lehrkräften außerhalb der Universität in Galicien, Folia Phoniatrica et Logopaedica 2024
- Verordnung (EU) 2024/1689 (KI-Verordnung): Artikel 5 und Artikel 99
- Europäische Kommission: Leitlinien zu verbotenen Praktiken der künstlichen Intelligenz, 2025
- Future of Privacy Forum: Rote Linien der EU-KI-Verordnung, Emotionserkennung am Arbeitsplatz, 2026
- Ungarische Nationale Behörde für Datenschutz und Informationsfreiheit (NAIH): Entscheidung NAIH-85-3/2022 zur KI-basierten Sprachsignalverarbeitung
- Daten-Hinweis: Keine begutachtete Studie, die wir gefunden haben, berichtet eine AUC für die stimmbasierte Burnout-Erkennung gegen ein validiertes Burnout-Inventar, daher beziehen sich alle Genauigkeitswerte in dieser Zusammenstellung auf Stress, Ermüdung oder Depression und nicht auf Burnout selbst. Beide Tani-et-al.-Studien wurden von ES Japan finanziert, dem Anbieter des Stimmanalysesystems, mit Unternehmensmitarbeitenden als Koautoren, und das Vorhersagemodell von 2025 wurde nur innerhalb seiner eigenen Kohorte validiert. Die Studie von Kim et al. analysierte transkribierte Wörter, keine akustischen Merkmale. Die NIJ-Zahlen messen Täuschung und nicht Stimmung und stammen aus dem Jahr 2007. Interne Widersprüche in den Quellen selbst: Altundas Hatman und Torun geben im Text 62,4% für Stimmlippenknötchen bei Männern an und in Tabelle 4 68,4%; die Zusammenfassung der Ermüdungsstudie (94% einheitliche Stimme, 81% lange Sprache) stimmt nicht vollständig mit ihrem Ergebnisteil überein (88% bis 94% für Vokale, 76% für segmentierte Sprache); Jack et al. nennen sowohl 8 von 11 als auch 7 von 11 Studien mit über 75% Genauigkeit, weshalb wir diesen Wert nicht verwendet haben. Der Review von Nair et al. erschien 2021 online und 2024 im Druck im Journal of Voice. Der Verbotstext der KI-Verordnung wird nach der Wiedergabe des Amtsblatt-Textes auf artificialintelligenceact.eu zitiert.
Zuletzt aktualisiert: 27. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, sobald der nächste systematische Review zu Stimm-Biomarkern für die psychische Gesundheit am Arbeitsplatz in PubMed Central indexiert wird.