KI-Telefonassistent: selbst hosten vs. IONOS AI Receptionist

Ein KI-Telefonassistent nimmt Anrufe rund um die Uhr an, beantwortet Standardfragen, bucht Termine und schreibt strukturierte Gesprächsnotizen. Für viele kleine Betriebe – Praxen, Handwerk, Kanzleien, Agenturen – ist das der erste realistische KI-Use-Case mit direktem Nutzen. Die Frage ist nur: baut man so etwas selbst auf einem VPS zusammen, oder nimmt man eine fertige Lösung wie den IONOS AI Receptionist? Wir schauen ehrlich auf beide Wege – inklusive der Stellen, an denen Self-Hosting hier wirklich weh tut.

TL;DR - Schnelle Antwort

Kurz: Ein KI-Telefonassistent lässt sich auf zwei Wegen umsetzen: selbst gehostet auf einem VPS oder als fertige SaaS wie der IONOS AI Receptionist. Die Self-Hosting-Variante kombiniert Open-Source-Bausteine wie faster-whisper (Spracherkennung), Ollama (Sprachmodell) und Piper (Sprachausgabe) mit einem SIP-Trunk und kostet ab etwa 15 bis 40 Euro Serverkosten im Monat — bei voller Datenhoheit, aber mit Tagen bis Wochen Einrichtungsaufwand und der harten Anforderung, die gesamte Sprachkette unter einer Sekunde Latenz zu halten, was praktisch eine GPU voraussetzt. Der IONOS AI Receptionist ist dagegen in Minuten startklar, bringt Telefonie, Terminbuchung und Gesprächszusammenfassungen fertig mit und läuft zum planbaren Paketpreis bei einem deutschen Anbieter. Faustregel: Kleine Betriebe ohne IT-Team fahren mit der SaaS schneller und stressfreier; wer hohes Anrufvolumen, strenge Datenschutzanforderungen und technisches Know-how mitbringt, spart mit Self-Hosting langfristig Geld und behält die volle Kontrolle über alle Gesprächsdaten.

Was ein KI-Telefonassistent technisch leisten muss

Ein Sprach-Assistent am Telefon ist kein einzelnes Modell, sondern eine Kette aus mehreren Bausteinen, die in Echtzeit zusammenspielen müssen:

1. Telefonie: Ein SIP-Trunk oder eine Rufnummer, über die Anrufe reinkommen. Klassisch mit Asterisk/FreePBX oder über einen SIP-Provider wie sipgate.
2. Speech-to-Text (STT): Das gesprochene Wort wird transkribiert – z. B. mit Whisper bzw. faster-whisper.
3. Sprachmodell (LLM): Ein LLM versteht die Absicht und formuliert die Antwort – lokal etwa über Ollama.
4. Text-to-Speech (TTS): Die Antwort wird zu natürlicher Sprache – z. B. mit Piper oder Coqui XTTS.
5. Orchestrierung: Ein Layer, der Turn-Taking, Unterbrechungen, Timeouts und die Kalender-/CRM-Anbindung steuert (z. B. Frameworks wie Vocode).

Der entscheidende Punkt: Diese Kette muss schnell genug sein. Sobald zwischen Sprechen und Antwort mehr als rund eine Sekunde vergeht, wirkt das Gespräch unnatürlich, und Anrufer legen auf. Genau hier liegt die eigentliche Schwierigkeit beim Self-Hosting.

Option A: Den Assistenten selbst hosten

Der Stack auf einem VPS

Alle Bausteine sind als Open Source verfügbar und laufen auf einem eigenen Server. Ein realistischer Aufbau:

• VPS mit GPU oder starker CPU: Whisper und ein lokales LLM in Echtzeit brauchen Rechenleistung. Für ernsthafte Latenz führt kaum ein Weg an einer GPU vorbei; CPU-only funktioniert für Tests, wird im echten Gespräch aber schnell zäh.
• Asterisk/FreePBX für die Telefonie oder ein SIP-Trunk eines deutschen Anbieters.
• faster-whisper für die Transkription (deutsches Modell, small oder medium).
• Ollama mit einem kompakten, schnellen Modell für die Antwortlogik.
• Piper für die Sprachausgabe – schlank und lokal lauffähig.

Welche Hardware du dafür brauchst und was die passenden Tarife kosten, siehst du im VPS-Vergleich. Für die reine Sprach- und LLM-Seite helfen unsere Guides zu Whisper und Ollama beim Einstieg.

Stärken

• Volle Datenhoheit: Gespräche, Transkripte und Kundendaten verlassen deinen Server nicht. Für Praxen und Kanzleien mit strengen Datenschutzanforderungen ein echtes Argument.
• Keine Pro-Minute-Gebühren am Modell: Die Sprech- und Rechenzeit läuft auf deiner eigenen Hardware. Bei hohem Anrufvolumen kippt die Rechnung irgendwann zugunsten von Self-Hosting.
• Freie Modellwahl: Du entscheidest, welches STT-, LLM- und TTS-Modell läuft, und kannst es auf deinen Anwendungsfall feintunen.
• Kein Lock-in: Kein Anbieter, der Preise anhebt oder Features abschaltet.

Schwächen

• Latenz ist die harte Nuss. Die gesamte Kette in unter einer Sekunde zu halten, ist ohne GPU und ohne Optimierung kaum machbar. Das ist der Punkt, an dem die meisten DIY-Projekte im Praxistest scheitern.
• Telefonie ist eigene Welt. SIP, Codecs, Echo-Cancellation, Rufnummernportierung – das ist Betriebsaufwand, der nichts mit KI zu tun hat.
• Wartung liegt bei dir. Updates, Ausfälle nachts um drei, Modell-Drift: Ein Telefon, das nicht rangeht, ist schlimmer als gar kein Assistent.
• Time-to-Value. Von der Idee bis zum produktiven Assistenten vergehen realistisch Tage bis Wochen.

Option B: IONOS AI Receptionist

Der IONOS AI Receptionist ist eine fertige SaaS: ein 24/7-Sprachassistent, der Anrufe annimmt, Termine im Kalender bucht und automatisch strukturierte Zusammenfassungen erstellt. Telefonie, Sprachmodelle und Latenz-Optimierung sind eingebaut – du konfigurierst das Verhalten, statt die Infrastruktur zu bauen.

Stärken

• In Minuten startklar. Keine SIP-Trunks, keine GPU, keine Modell-Downloads.
• Für Sprache optimierte Latenz. Der aufwändigste Teil – natürliches Turn-Taking im Gespräch – ist bereits gelöst.
• Kein Betrieb. Updates, Verfügbarkeit und Skalierung übernimmt der Anbieter.
• Deutscher Anbieter, deutscher Support. Für KMU, die Wert auf Ansprechpartner und DSGVO-konforme Verträge legen, ein Pluspunkt.

Schwächen

• Laufende Paketkosten statt einmaliger Einrichtung.
• Weniger Kontrolle über Modelle und Datenfluss als bei einer eigenen Lösung.
• Anbieterbindung: Konfiguration und Gesprächslogik leben in der Plattform.

Kostenvergleich

Die Rechnung hängt stark am Anrufvolumen:

• Self-hosted: Ein VPS mit ausreichend Leistung liegt je nach Ausbaustufe grob zwischen 15 und 40 € im Monat (mehr, wenn eine GPU nötig ist), dazu die Kosten für den SIP-Trunk und deine eigene Zeit für Einrichtung und Wartung. Die Grenzkosten pro Anruf sind danach niedrig.
• SaaS (IONOS): Ein planbarer Paketpreis, in dem Telefonie, Modelle und Betrieb stecken. Kein Setup-Aufwand, dafür skaliert die Rechnung mit der Nutzung.

Faustregel: Bei niedrigem bis mittlerem Volumen gewinnt die SaaS über die Gesamtkosten (weil deine Zeit teurer ist als das Abo). Bei hohem, konstantem Volumen und vorhandenem IT-Know-how wird Self-Hosting attraktiv.

Der Button oben ist ein Affiliate-Link. Kaufst du über ihn, erhalten wir eine Provision – für dich ändert sich am Preis nichts. Details in unserer Affiliate-Offenlegung.

Für wen eignet sich was?

• Self-hosten, wenn: du hohes Anrufvolumen hast, Datenschutz geschäftskritisch ist (Gesundheit, Recht), du IT-Kompetenz im Haus hast und die Latenz-Hürde als Projekt reizt.
• IONOS AI Receptionist, wenn: du ein kleiner Betrieb ohne IT-Team bist, schnell live gehen willst und lieber einen planbaren Preis zahlst, als nachts Server zu debuggen.

Ehrlich gesagt: Von allen Self-Hosting-Themen auf RackDiff ist der Echtzeit-Telefonassistent das mit der höchsten Einstiegshürde. Wer nicht ohnehin gern an Infrastruktur schraubt, ist mit der fertigen Lösung meist besser bedient. Wer die Kontrolle braucht, findet im VPS-Vergleich die passende Basis.

Weitere Guides

Ollama auf VPS installieren

Lokale KI mit Open WebUI

Lesen

n8n Self-Hosting Guide

Docker Setup Schritt für Schritt

Lesen