KI nimmt das Telefon ab — und die Klinik atmet auf.
Eine Hörgeräte-Klinik in Bayern verlor täglich Stunden mit Routine-Anrufen: Terminvereinbarungen, Verlegungen, Standardfragen zu Hörgeräte-Service. Wir haben einen KI-Sekretariats-Agenten gebaut, der in Llama 3.1 läuft, mit der bestehenden FileMaker-Datenbank spricht und die meisten Anrufe komplett autonom bearbeitet — DSGVO-konform, on-premise, ohne dass Patientendaten das Klinik-Netzwerk verlassen.
Messmethode: Anruf-Backlog über das Telefonsystem der Praxis gemessen, Baseline 4 Wochen vor gegen 8 Wochen nach Einführung. Auf Kundenwunsch anonymisiert (Patientenschutz) — Referenz auf Anfrage unter NDA.
Die Ausgangslage: ein klingelndes Telefon, das niemand abnehmen kann.
Eine bayerische Hörgeräte-Klinik mit zwei Standorten und etwa 4.500 aktiven Patienten betreibt seit über 10 Jahren eine FileMaker-basierte Patientenverwaltung von CODLAB. Funktional läuft alles — aber das Telefon ist der Engpass.
Etwa 120 Anrufe pro Tag, davon 70% Routine: Termin verschieben, Hörgeräte-Reparatur-Status erfragen, Öffnungszeiten, Adresse, Parkmöglichkeiten. Eine einzige Mitarbeiterin am Empfang — wenn sie krank wird, klingelt es ins Leere. Patienten beschweren sich. Termine werden über Anrufbeantworter chaotisch eingeholt.
Was nicht infrage kam: ein Call-Center mit fremden Mitarbeitern (Datenschutz, fachliche Beratung). Auch keine Cloud-Lösung mit OpenAI-Voice, die Patientendaten in die USA transportiert. Die Lösung musste DSGVO-konform, on-premise und in die bestehende FileMaker-DB integriert sein.
Vorher: Anruf-Statistik
# Eine durchschnittliche Woche Mo 125 Anrufe → "angenommen: 82" Di 118 Anrufe → "angenommen: 76" Mi 131 Anrufe → "angenommen: 89" Do 144 Anrufe → "angenommen: 71" Fr 109 Anrufe → "angenommen: 84" # Im Schnitt 35% verloren. # Davon ~70% Routine-Anfragen. # = täglich ~30 Anrufe, die ein # Mensch gar nicht hätte machen müssen.
Architektur · vereinfacht
# Komponenten on-premise ┌─────────────────────────┐ │ SIP-Gateway (Asterisk) │ └──────────┬──────────────┘ ↓ ┌─────────────────────────┐ │ Whisper-large-v3 │ │ ASR · DE/IT/EN │ └──────────┬──────────────┘ ↓ ┌─────────────────────────┐ │ Llama 3.1 70B │ │ via vLLM auf L40S │ └──────────┬──────────────┘ ↓ ┌─────────────────────────┐ │ Django-Bridge │ │ → FileMaker via FDA │ └──────────┬──────────────┘ ↓ ┌─────────────────────────┐ │ Patientendaten │ │ Termin-Slots, History │ └─────────────────────────┘ # Alles auf einem Server # im Klinik-Netzwerk.
Was wir gebaut haben: kein Wrapper. Ein Agent.
Der KI-Sekretariats-Agent ist kein OpenAI-Wrapper und kein Voicebot-as-a-Service. Er ist eine Django-App, die direkt auf dem Klinik-Server läuft, mit drei Hauptkomponenten:
- Spracheingabe: Whisper-large-v3 wandelt das Anruf-Audio lokal in Text um. Unterstützt Deutsch (inkl. bayerischer Färbung), Italienisch und Englisch.
- Sprachverständnis & Dialog: Llama 3.1 70B via vLLM auf einer L40S-GPU. Tool-Calling-Fähig: prüft Termin-Verfügbarkeit, identifiziert Patienten per Name+Geburtsdatum, schlägt Slots vor.
- FileMaker-Bridge: Django-Service, der via FileMaker Data API (FDA) live mit der bestehenden Patientenverwaltung spricht — die gleiche DB, die die Mitarbeiter*innen am Empfang nutzen.
- Sprachausgabe: XTTS-v2 für eine natürliche, ruhige weibliche Stimme — bewusst gewählt, weil Patient*innen einer Hörgeräte-Klinik eine klare, langsame Aussprache schätzen.
- Eskalation: Bei Notfall-Schlüsselwörtern, medizinischer Beratung oder Unklarheit übergibt der Agent sofort an die Empfangs-Mitarbeiterin — kein blindes Auto-Booking.
Drei Herausforderungen, die uns wirklich graue Haare gebracht haben.
1. Patient-Identifikation mit Hörbeeinträchtigung. Ältere Patient*innen einer Hörgeräte-Klinik haben oft Probleme mit Sprachverständnis — das gilt auch für Selbst-Auskünfte. Wir mussten den Agent so trainieren, dass er behutsam mehrfach nachfragt, ohne Patienten zu frustrieren. Lösung: ein „Confidence-Threshold" — bei unter 85% Sicherheit wird das Gespräch sofort an einen Menschen weitergegeben.
2. FileMaker via Data API ist langsam. Die FDA hat Latenzen von 200–800ms pro Aufruf. Für ein Telefongespräch ist das eine Ewigkeit. Wir haben einen aggressiven Read-Through-Cache in Redis aufgebaut, der Termin-Slots der nächsten 14 Tage vor-lädt und nur bei Buchung tatsächlich schreibt.
3. „Halluzinationen" sind in der Medizin nicht akzeptabel. Llama 3.1 ist gut, aber kein Arzt. Bei jeder Frage, die in Richtung Diagnose, Medikamente oder Hörverlust-Beratung ging, mussten wir den Agent dazu zwingen, ehrlich zu sagen „das muss ich an einen Audiologen weitergeben" — nicht selbst zu antworten. Realisiert über strikte System-Prompts + Tool-Constraints.
Ergebnisse nach 4 Monaten Produktivbetrieb
Grenzen & ehrliche Einordnung
- Einzelne Klinik (n=1) — kein repräsentativer Studienwert, sondern ein realer Produktiv-Fall. Andere Praxen, anderes Anrufprofil.
- Die −60% gelten für Routine-Anrufe (Termine, Standardfragen). Medizinische Beratung, Notfälle und Unklarheiten eskaliert der Agent bewusst an Menschen.
- Kein Medizinprodukt: keine Diagnose, keine Beratung — reine Terminorganisation und Triage.
- Zahlen aus dem Telefonsystem der Praxis gemessen, anonymisiert (Patientenschutz); Referenz auf Anfrage unter NDA.
- Edge-Cases (starker Dialekt, laute Umgebung) bleiben — sie werden über den Eskalationspfad aufgefangen, nicht „wegtrainiert“.
Was wir bei diesem Projekt gelernt haben
- On-Premise ist nicht teurer als Cloud — wenn man richtig dimensioniert. Eine L40S für ~9.000 € einmalig vs. ein OpenAI-Voice-API-Abo bei diesem Anrufvolumen: nach 14 Monaten ist die Hardware abbezahlt.
- Für eng umrissene Dialog-Agenten kann ein lokales Llama 3.1 70B mit GPT-4 mithalten. Mit klinikspezifischem System-Prompt und Few-Shot-Beispielen wurde der Agent in unserem Eval-Set präzise genug — in diesem engen Anwendungsfall, nicht als generelle Modell-Aussage.
- Sprachsynthese muss zur Zielgruppe passen. XTTS-v2 mit einer ruhigen, etwas tieferen weiblichen Stimme funktioniert in einer Hörgeräte-Klinik besser als die schnellere, energetische Default-Stimme der Cloud-Anbieter.
- Eskalations-Pfade sind wichtiger als Conversational Brilliance. 70% der Anrufe sind Routine — der Agent muss darin gut sein. Bei den restlichen 30% darf er ruhig schnell sagen „ich gebe an einen Menschen weiter". Versuchen, ALLES zu lösen, ist falsch.
Auch Ihre Praxis verliert täglich Anrufe?
30 Minuten am Telefon. Wir analysieren Ihre konkrete Situation und sagen ehrlich, ob ein KI-Sekretariat für Sie passt — und wenn ja, mit welcher Architektur und welchem Budget.