KI-Gesprächstranskription für Ihr Produkt: Kaufen oder selbst entwickeln?

Kaufen Sie die Transkription selbst. Entwickeln Sie den Teil, für den Ihre Nutzer tatsächlich zahlen: die Zusammenfassung, die extrahierten Entscheidungen und Aktionspunkte sowie die Übergabe in ihr CRM oder ihr Ticketing-Tool. Die Ausnahmen sind real, aber eng begrenzt: Audio in einer Sprache oder mit einem Vokabular, das gehostete Anbieter verhunzen; eine Compliance-Anforderung, die Audio auf Ihren eigenen Servern hält; oder ein Minutenvolumen, das so hoch ist, dass API-Gebühren Ihre Marge auffressen.

Dieser Leitfaden beschreibt die drei Schichten eines Meeting-Notizen-Features, wo in jeder von ihnen Geld und Risiko liegen, und wie Sie eine Entscheidung treffen – ohne ein sechsmonatiges Rechercheprojekt.

Das Feature besteht aus drei Schichten, nicht aus einer

Gründer sagen oft „wir wollen KI-Gesprächsnotizen", als wäre das eine einzige Sache. Es sind drei – und die Antwort auf die Frage „bauen oder kaufen" fällt für jede anders aus.

• Erfassung. Audio aufnehmen. Entweder nimmt ein Bot am Anruf teil, Sie rufen die Aufnahme nach dem Meeting über die Plattform-API ab, oder der Nutzer lädt eine Datei hoch.
• Transkription. Audio mit Zeitstempeln und idealerweise Sprecher-Labels in Text umwandeln.
• Verständnis. Das Transkript in etwas Nützliches überführen: Zusammenfassung, Entscheidungen, Folgeaufgaben, strukturierte Felder – und der Workflow, der sie irgendwohin weiterleitet.

Schicht drei ist Ihr Produkt. Schichten eins und zwei sind Infrastruktur, die ein Dutzend Anbieter verkauft. Behandeln Sie sie auch so, solange Sie keine gegenteiligen Belege haben.

Schicht 1: Erfassung – und warum Sie Bots nach Möglichkeit vermeiden sollten

Ein Bot, der an Zoom-, Meet- oder Teams-Anrufen teilnimmt, ist der sichtbarste Weg zur Audioerfassung. Er ist aber auch der wartungsintensivste. Sie haben es mit Warteräumen zu tun, mit Hosts, die den Bot rauswerfen, mit Plattform-Updates, die Join-Flows verändern, und mit Einwilligungs-Dialogen, die je nach Region variieren.

Bevor Sie sich auf einen Bot festlegen, fragen Sie sich, ob Ihre Nutzer Notizen während des Anrufs oder danach benötigen. Wenn danach ausreicht, gibt es zwei günstigere Alternativen:

• Plattform-Aufnahmen. Zooms Cloud-Aufnahmen und die Google Meet REST API ermöglichen es, Aufnahmen und Transkripte nach dem Meeting mit Nutzererlaubnis abzurufen. Kein Bot, keine Join-Logik.
• Upload. Für Sales-Teams, die Anrufe ohnehin anderswo aufzeichnen, bringt ein Drag-and-Drop-Upload Sie in wenigen Tagen zu einem funktionsfähigen Feature.

Wenn Sie Live-Erfassung wirklich benötigen, verkaufen Anbieter wie Recall.ai die Bot-Schicht als API. Den eigenen Bot mit dem Zoom Meeting SDK zu bauen ist möglich, wird aber zu einem dauerhaften Wartungsposten. Kalkulieren Sie ihn auch als solchen ein.

Schicht 2: Transkription – und die drei Fälle, in denen Eigenentwicklung gewinnt

Für Englisch und die wichtigsten europäischen Sprachen sind gehostete Speech-APIs gut, günstig pro Minute und verbessern sich jedes Quartal. Deepgram und AssemblyAI liefern Wort-Zeitstempel und Sprecher-Diarisierung in einem einzigen Aufruf. Wählen Sie einen Anbieter, kapseln Sie ihn hinter Ihrem eigenen Interface, damit Sie später wechseln können, und kümmern Sie sich um das Wesentliche.

Bauen oder selbst hosten Sie nur, wenn einer dieser Fälle zutrifft:

1. Ihr Audio entspricht nicht dem, womit die Anbieter trainiert haben

Golfstaaten-Arabisch, Code-Switching zwischen Arabisch und Englisch, starkes medizinisches oder juristisches Vokabular oder Call-Center-Audio mit schlechten Mikrofonen verschlechtern die Genauigkeit gehosteter Lösungen erheblich. Wenn Ihre Nutzer Ärzte in Riad sind, die im Dialekt diktieren, ist der englische Benchmark des Anbieters irrelevant. Hier rechnet sich ein fein abgestimmtes Open-Source-Modell. Wir haben die Wirtschaftlichkeit dieses Wegs in was arabische Spracherkennung kostet beleuchtet – die Kurzfassung lautet: Führen Sie eine Evaluation mit fünfzig echten Audio-Dateien durch, bevor Sie dem Genauigkeitsversprechen eines Anbieters glauben.

2. Audio darf Ihre Infrastruktur nicht verlassen

Kunden aus dem Gesundheitswesen und aus Behörden in Saudi-Arabien und den VAE fordern zunehmend, dass Aufnahmen im Land oder On-Premise verbleiben. Eine gehostete US-amerikanische API scheidet dann unabhängig von ihrer Qualität aus. Open-Source-Modelle wie Whisper unter der MIT-Lizenz oder das CPU-freundliche whisper.cpp lassen sich in Ihrer eigenen VPC betreiben. Ergänzen Sie pyannote für die Sprecher-Diarisierung. Rechnen Sie damit, GPU-Kapazitätsplanung, Modell-Updates und ein Evaluations-Harness selbst zu verantworten. Das ist echter Engineering-Aufwand – zahlen Sie ihn nur, wenn der Vertrag es erfordert.

3. Das Volumen macht die Minutengebühr zu Ihrem größten Kostenblock

Wenn jeder Account täglich stundenlange Anrufe aufzeichnet, sind API-Gebühren kein Rundungsfehler mehr. Leiten Sie den Crossover-Punkt aber nicht aus einer Tabellenkalkulation ab. Der Interface-Wrapper, den Sie in der ersten Woche um den Anbieter bauen, ist zugleich Ihr Messpunkt: Protokollieren Sie transkribierte Minuten pro Kunde pro Monat von Tag eins an, damit der Crossover eine Zahl ist, die Sie vom Dashboard ablesen – und nicht eine, über die Sie streiten.

Kalkulieren Sie die Eigenentwicklung danach ehrlich durch. Die Rechnung des Anbieters ist eine Zeile. Ihre hat mindestens vier: GPU-Miete, der Engineer, der die Kapazitätsplanung verantwortet, Modell-Updates wenn ein besseres Open-Source-Checkpoint erscheint, und das Evaluations-Harness, das Ihnen sagt, ob der neue Checkpoint auf Ihrem Audio tatsächlich besser ist. Teams, die die Anbieterrechnung nur mit den GPU-Kosten vergleichen, kommen immer zu dem Schluss, dass sie selbst hosten sollten – und entdecken dann die anderen drei Zeilen. Viele Produkte erreichen den Crossover-Punkt nie. Manche innerhalb eines Jahres nach dem Launch. Das Metering zeigt Ihnen, was auf Sie zutrifft; die Vier-Zeilen-Kalkulation zeigt, ob Sie handeln sollten.

Schicht 3: Verständnis – hier sollten Sie selbst entwickeln

Hier investieren Gründer zu wenig. Das Transkript ist Rohmaterial. Die Zusammenfassung, die extrahierten nächsten Schritte, die Tabelle „Wer schuldet wem was", und die Ein-Klick-Synchronisation mit HubSpot oder einer Support-Queue – das ist es, was der Nutzer screenshotet und teilt. Kein Anbieter kennt den Workflow Ihrer Nutzer. Diese Schicht gehört Ihnen.

Beginnen Sie mit einem strukturierten Aufruf

Die Versuchung besteht darin, eine Kette zu bauen: ein Aufruf zum Bereinigen des Transkripts, einer zum Segmentieren der Themen, einer zum Zusammenfassen jedes Themas, einer zum Extrahieren von Aktionspunkten, einer zum Formatieren. Widerstehen Sie dem, bis Sie Belege haben, dass ein einzelner Aufruf versagt.

Wir haben das in unserer eigenen Outreach-Engine gelernt, die die Website eines Interessenten mit einem selbst gehosteten Crawler und einem lokalen Modell analysiert und dann eine maßgeschneiderte E-Mail pro Unternehmen verfasst. Wir haben eine mehrstufige Pipeline mit einem einzelnen Aufruf verglichen, der die relevanten Fakten extrahiert und die E-Mail in einem Schritt entwirft. Der einzelne Aufruf gewann sowohl bei den Kosten als auch bei der Ausgabequalität. Jeder zusätzliche Schritt erhöhte die Latenz, schuf eine weitere Stelle, an der das Modell abdriften konnte, und erforderte einen weiteren Prompt zu pflegen. Dasselbe Muster gilt für Meeting-Transkripte: Fragen Sie in einem einzigen JSON-Objekt nach Zusammenfassung, Entscheidungen, Aktionspunkten mit Verantwortlichen und CRM-Feldern, validieren Sie das Schema, und teilen Sie es erst auf, wenn ein bestimmtes Feld messbar schwach ist. Den Trade-off haben wir ausführlicher in einzelner Aufruf vs. Agentenketten beschrieben.

Gestalten Sie den Review-Schritt, nicht nur die Generierung

Nutzer werden automatisch generierten Aktionspunkten nicht vertrauen, die direkt in ihr CRM geschrieben werden. Zeigen Sie den Entwurf, lassen Sie sie jeden Punkt bestätigen oder bearbeiten, und synchronisieren Sie ihn dann. Diese Review-Oberfläche ist unspektakulär – und sie ist der Unterschied zwischen einem Feature, das Nutzer aktiviert lassen, und einem, das sie nach einer Woche abschalten. Behalten Sie die Transkript-Zeitstempel, damit jeder extrahierte Punkt auf den Moment verweist, in dem er gesagt wurde. Diese Rückverfolgbarkeit ist es, die einem Sales Manager ermöglicht, der Zusammenfassung zu vertrauen.

Messen Sie, bevor Sie optimieren

Legen Sie früh einen kleinen Evaluationsdatensatz an: zwanzig bis fünfzig echte Meetings mit einer von Menschen geschriebenen „idealen" Zusammenfassung und Aktionsliste. Bewerten Sie jede Prompt-Änderung daran. Ohne das ist jede Prompt-Anpassung ein Ratespiel und jedes Modell-Upgrade ein Glücksspiel.

Eine Entscheidungstabelle für diese Woche

• Englischsprachiges SaaS, Notizen nach dem Anruf, moderates Volumen: gehostete Transcription-API, Plattform-Aufnahmen oder Upload für die Erfassung, eigene Single-Call-Verständnisschicht. Schnellster Weg zum Umsatz.
• Live-Notizen während des Anrufs: Bot-as-a-Service-Anbieter hinzufügen. Den Bot nicht selbst schreiben, außer der Bot ist Ihr Produkt.
• Arabisch, medizinische, juristische oder rauschbehaftete Audiodaten: Gehostete Anbieter zunächst auf Ihren echten Audiodaten evaluieren. Wenn die Genauigkeit nicht akzeptabel ist, ein Open-Source-Modell feinabstimmen und selbst hosten.
• Regulierte Kunden mit Anforderungen an die Datenhaltung: Transkription und LLM von Beginn an in der jeweiligen Region selbst hosten. Das nachzurüsten ist schmerzhaft.
• Sehr hohes Minutenvolumen: Gehostet beginnen, Kosten pro Minute messen und die Migration zu einem selbst gehosteten System planen, sobald der Crossover absehbar ist.

Was es kostet, diese Entscheidung falsch zu treffen

Die teuren Fehler sind symmetrisch – und beide entstehen dadurch, dass man die günstigen Checks oben überspringt.

Das erste Team baut einen eigenen Zoom-Bot und einen selbst gehosteten Whisper-Stack für ein englischsprachiges Sales-Produkt. Monate fließen in Warteraum-Behandlung, herausgeworfene Bots und Join-Flows, die bei Plattform-Updates brechen. Nichts davon ist im Teil des Produkts sichtbar, den der Kunde sieht: der Zusammenfassung und dem HubSpot-Sync. Eine gehostete API und Plattform-Aufnahmen hätten dasselbe nutzerseitige Feature in Wochen geliefert.

Das zweite Team hängt eine gehostete US-Transcription-API an ein Produkt, das auf saudi-arabische Healthcare-Kunden abzielt. Die Demo funktioniert. Dann fragt die Einkaufsabteilung, wo die Audiodaten gespeichert werden. Die Antwort lautet: eine US-Region. Der Deal stockt, während das Engineering unter Zeitdruck Transkription und LLM im Land neu aufbaut. Die Pipeline war hinter einem Interface gekapselt, sodass der Austausch machbar ist – aber Diarisierung, Evaluations-Harness und GPU-Kapazitätsplanung treffen alle gleichzeitig ein, statt planmäßig.

Beides ist vermeidbar: durch die Evaluation mit fünfzig echten Audio-Dateien und ein offenes Gespräch – vor der Architekturentscheidung –, wo die Daten Ihrer Kunden liegen müssen.

Wenn Sie ein Meeting-Notizen- oder Call-Intelligence-Feature planen und eine zweite Meinung dazu möchten, welche Schichten Sie kaufen und welche Sie selbst entwickeln sollten, sprechen Sie uns an.