Tavus und wir, entlang der veröffentlichten Unterlagen

Woraus diese Seite gemacht ist

Aus veröffentlichten Unterlagen mit Nummer und Abrufdatum. Nicht aus eigenen Messungen, und dafür gibt es einen vertraglichen Grund.

Eine Seite, die einen Wettbewerber beim Namen nennt, ist vergleichende Werbung. Erlaubt ist sie unter Bedingungen: Verglichen werden dürfen nur Eigenschaften, die objektiv, wesentlich, relevant, nachprüfbar und für die Leistung typisch sind. Nachprüfbar heißt dabei nicht „zutreffend abgeschrieben“, sondern dass ein Dritter die Angabe selbst überprüfen oder überprüfen lassen kann. An dieser Hürde scheitert bei einem Thema wie Antwortgeschwindigkeit fast jede Zahl, und deshalb steht auf dieser Seite keine.

Eigene Messungen liegen dieser Seite nicht zugrunde. Ein ausdrückliches Verbot von Vergleichen, wie es andere Anbieter in ihre Bedingungen schreiben, enthalten die Werke von Tavus nicht. Untersagt ist etwas anderes, und es trifft uns genauso: Nummer 4.2 Buchstabe g der Nutzungsbedingungen verbietet den Zugriff auf den Dienst, um ein ähnliches oder konkurrierendes Angebot aufzubauen. Wortgleich steht das in den Enterprise-Bedingungen, und die Nutzungsrichtlinie nimmt es in Nummer 4.15 noch einmal in den Katalog der untersagten Handlungen auf. Wir betreiben ein Angebot derselben Gattung. Ein Konto, das wir eröffnen, um daraus eine Zahl für die eigene Vermarktung zu gewinnen, fiele darunter.

Was hier ebenfalls nicht steht, ist eine Bewertung der Rechtmäßigkeit fremder Verarbeitung. Ob ein Einsatz der Datenschutz-Grundverordnung entspricht, hängt vom konkreten Verantwortlichen und vom konkreten Zweck ab. Es ist keine Eigenschaft eines Werkzeugs, und niemand kann es einem Werkzeug ansehen.

Zwei Abschnitte fallen gegen uns aus, und sie stehen an ihrer Stelle und nicht im Kleingedruckten. Bei den Prüfnachweisen hat Tavus einen SOC-2-Bericht und wir haben keinen. Beim Mitschnitt landet die Aufnahme bei Tavus im Speicher des Kunden, was eine saubere Bauweise ist. Wer eine Vergleichsseite schreibt, auf der der Verfasser in jeder Zeile gewinnt, hat keine Vergleichsseite geschrieben.

Der Maßstab ist einfach: Was hier über Tavus steht, könnte Tavus selbst nachlesen und wiedererkennen. Was über uns steht, halten wir in derselben Tiefe aus.

Was Latenz bei einem sprechenden Avatar überhaupt misst

Drei verschiedene Strecken tragen denselben Namen. Wer sie durcheinanderbringt, vergleicht Zahlen, die nichts miteinander zu tun haben.

Wenn in einem Angebot eine Millisekundenzahl steht, lohnt die erste Rückfrage nicht dem Wert, sondern der Strecke. Bei einem sprechenden Avatar gibt es mindestens drei, und sie unterscheiden sich um Größenordnungen.

Tavus benennt die mittlere Strecke selbst und nennt sie „utterance-to-utterance“, die Strecke von Äußerung zu Äußerung. Das ist die für ein Gespräch richtige Größe, denn sie beschreibt die Pause, die Ihr Gegenüber tatsächlich erlebt. Die Dokumentation beschreibt die Kette in dieser Reihenfolge: Wahrnehmung, Gesprächsfluss, Spracherkennung, Sprachmodell, Sprachsynthese, Echtzeit-Darstellung, übertragen über WebRTC.

Eine Latenzangabe ohne Angabe der Strecke ist keine Angabe. Sie ist eine Zahl, die sich jeder so zurechtlegen kann, wie es passt.

Was Tavus zur Latenz veröffentlicht, und was nicht

In der Produktdokumentation keine Zahl für die Gesamtstrecke. Eine Zahl auf einer Glossarseite, ohne Messvorschrift.

Das ist der Befund, der uns beim Prüfen am meisten überrascht hat. Die Übersichtsseite zum Gesprächsrahmen nennt die Messgröße ausdrücklich und lässt die Zahl weg. Sie sagt, man erreiche eine niedrige Latenz von Äußerung zu Äußerung, und beschreibt diese als den vollständigen Umlauf von dem Moment, in dem ein Teilnehmer spricht, bis zu dem, in dem der Agent antwortet. Daneben steht eine Karte mit der Überschrift „World’s lowest latency“. Eine Suche über den vollständigen Volltextabzug der Dokumentation, gut eine Million Zeichen, ergibt für „600“, „sub-600“ und „under 600“ keinen Treffer.

Eine Zahl für die Gesamtstrecke gibt es, und sie steht an genau einer Stelle: auf einer Glossarseite im Marketingbereich. Dort heißt es, die vollständige Kette laufe über WebRTC mit weniger als sechshundert Millisekunden von Äußerung zu Äußerung. Der Bezugspunkt ist damit immerhin sauber benannt. Was fehlt, ist alles, was die Zahl nachprüfbar machen würde: die Messvorschrift, die Serverregion, die Wahl des Sprachmodells, die Netzannahme, die Stichprobe und die Angabe, ob es sich um einen Mittelwert oder um ein Streuungsmaß handelt.

Die übrigen veröffentlichten Zahlen betreffen einzelne Schritte. Sie sind einprägsamer als die Zahl, die fehlt, und werden deshalb gern an ihre Stelle gesetzt. Das ist der häufigste Fehler in Texten über Gesprächs-Avatare.

Wer diese vier Werte addiert, kommt auf etwas unter fünfhundert Millisekunden und liegt damit scheinbar nahe an der Glossarzahl. Die Rechnung ist trotzdem falsch, denn in ihr fehlen Spracherkennung, Sprachmodell, Sprachsynthese, Bildberechnung und Übertragung, also gerade die Schritte, die in jeder solchen Kette am längsten dauern. Zwei der vier Werte laufen zudem nebenher und nicht hintereinander.

Ein Negativbefund ist auch ein Befund, solange die Suchmethode dabei steht. Hier lautet er: In gut einer Million Zeichen Dokumentation steht keine Zahl für die Strecke, die ein Gespräch ausmacht.

Der menschliche Maßstab, und was er nicht hergibt

208 Millisekunden im Mittel, 100 im Median, null am häufigsten. Und 462 Millisekunden Abstand zwischen zwei Sprachen, die beide als unauffällig gelten.

Die einschlägige Arbeit stammt von Tanya Stivers und dreizehn Mitautoren, erschienen 2009 in den Proceedings of the National Academy of Sciences unter dem Titel „Universals and cultural variation in turn-taking in conversation“. Sie wird in Anbietertexten häufig zitiert und dabei fast immer falsch, weshalb wir sie im Volltext gegengelesen haben.

Die Arbeit nennt drei Lagemaße, und sie liegen weit auseinander. Der häufigste Wert liegt bei null Millisekunden, Antwort und Frage stoßen also unmittelbar aneinander. Der sprachübergreifende Median liegt bei plus hundert Millisekunden. Der Mittelwert über den gesamten Datensatz liegt bei 208 Millisekunden. Wer 200 Millisekunden als Median angibt, wie es in vielen Texten steht, verwechselt Mittelwert und Median.

Ebenso wichtig ist, was die Arbeit gemessen hat. Grundlage sind Videoaufnahmen ungezwungener Gespräche in zehn Sprachen von fünf Kontinenten, und der Vergleich ist aus Gründen der Vergleichbarkeit auf Entscheidungsfragen beschränkt, also auf Fragen, die ein Ja oder Nein erwarten. Gemessen wird der Abstand zwischen dem Ende der Frage und dem Beginn der Antwort, wobei negative Werte eine Überlappung bedeuten.

Daraus folgt, dass menschliche Sprecherwechsel im Bereich von null bis wenigen hundert Millisekunden stattfinden und dass diese Größenordnung über sehr verschiedene Sprachen hinweg erstaunlich stabil ist. Es folgt ein brauchbarer Maßstab für die Frage, ob eine Maschine überhaupt im Bereich menschlicher Gesprächsdynamik arbeitet. Nicht daraus folgt, dass ein System mit 208 Millisekunden menschlich wirkt und eines mit sechshundert nicht. Die Arbeit ist keine Messvorschrift für Maschinen, sie enthält keine Schwelle, ab der ein Gespräch als natürlich empfunden wird, und die Streuung zwischen zwei unauffälligen Sprachen ist größer als der Abstand, um den im Anbietermarketing gestritten wird.

Zwischen dem dänischen und dem japanischen Mittelwert liegen 462 Millisekunden. Beides sind Menschen, und beiden hört man zu.

Warum eine schnelle Antwort noch keine gute ist

Die Werkseinstellung senkt die gemessene Zeit, indem das Modell anfängt, bevor Sie fertig sind. Und ein Regler verschiebt zwei Eigenschaften gegeneinander.

In der Dokumentation zur Sprachmodellschicht steht ein Schalter für spekulatives Schließen, ab Werk eingeschaltet. Die Beschreibung ist offen und ehrlich: Bei eingeschaltetem Schalter beginne das Sprachmodell mit der Verarbeitung der Spracherkennung, bevor die Eingabe des Nutzers endet, was die Reaktionsfähigkeit verbessere. Das ist keine Schummelei, sondern ein üblicher und sinnvoller Kniff. Es erklärt aber, wie eine Zahl unterhalb der menschlichen Reaktionszeit überhaupt zustande kommt, und es zeigt, woran sie hängt.

Denn eine Vorwegnahme kann falsch liegen. Wenn sie falsch liegt, entsteht keine langsamere Antwort. Es entsteht eine Antwort auf eine Frage, die so nicht gestellt wurde. Für den Menschen davor ist das unangenehmer als eine Pause, weil er die Antwort erst prüfen muss, bevor er merkt, dass sie nicht passt.

Noch deutlicher wird der Zielkonflikt bei einem zweiten Regler. Die Dokumentation zum Gesprächsfluss beschreibt einen Wert dafür, wie bereitwillig der Agent das Wort ergreift, und hält dazu ausdrücklich fest, dass er auf zweierlei zugleich wirkt: auf die Antwortlatenz und auf die Wahrscheinlichkeit, in eine natürliche Sprechpause hineinzureden. Beides läuft gegeneinander. Wer die Zahl verbessert, verschlechtert die Gesprächsführung, und umgekehrt.

Für einen Vergleich heißt das: Zwei Systeme mit derselben Latenzzahl können sich völlig unterschiedlich anfühlen, und dasselbe System fühlt sich je nach Einstellung unterschiedlich an. Eine Zahl, die sich durch einen Regler verschieben lässt, taugt nicht als Eigenschaft eines Produkts.

Eine schnelle falsche Antwort ist teurer als eine langsame richtige. Diesen Satz können wir schreiben, ohne über irgendeinen Anbieter etwas zu behaupten.

Was sich am Gesprächsverhalten einstellen lässt

Die am besten dokumentierte Achse, und für ein Gespräch die wichtigere. Mit zwei Einzelheiten, die man vor der Einführung kennen sollte.

Wenn eine Latenzzahl nichts über Gesprächsqualität sagt, stellt sich die Frage, woran man sie sonst festmacht. Die Antwort steht in der Dokumentation zum Gesprächsfluss, und sie ist nachprüfbar, weil sie aus Einstellwerten besteht und nicht aus Versprechen.

Zwei Einzelheiten aus derselben Dokumentation sind für die Einführung in einem Unternehmen wichtiger als die ganze Liste, und beide stehen dort offen. Erstens hört der Agent auch im Schlafzustand mit: Alle Äußerungen werden nach der Beschreibung im Gesprächsprotokoll festgehalten, damit der Zusammenhang beim Aufwecken vollständig ist. Zweitens ist die Begrüßung nicht unterbrechbar. Was während der Begrüßung gesagt wird, erscheint nicht im Protokoll, aber die Dokumentation hält im selben Absatz fest, dass das Mikrofon offen bleibt und das Gesagte in Aufzeichnungen des Gesprächs enthalten ist.

Das ist keine Kritik, sondern eine Eigenschaft, die man kennen muss. Wer einen solchen Agenten an einem Empfangstresen oder in einem Besprechungsraum aufstellt, hat ein offenes Mikrofon in einem Raum, in dem Menschen miteinander reden. In Deutschland führt das zu Anforderungen an Aufklärung und Einwilligung, die bei einem reinen Textdialog nicht in dieser Form entstehen. Paragraf 201 des Strafgesetzbuchs schützt die Vertraulichkeit des nichtöffentlich gesprochenen Worts, und der Schutz hängt nicht daran, ob eine Aufnahme später gespeichert wird.

Zu Rückmeldesignalen, also den kurzen Einwürfen, mit denen Menschen signalisieren, dass sie noch zuhören, haben wir keine Aussage gefunden. Eine Suche über den Volltextabzug nach dem einschlägigen Fachbegriff ergibt keinen Treffer. Daraus folgt nicht, dass es das Verhalten nicht gibt; es folgt nur, dass es nicht dokumentiert ist.

Wo die Gespräche verarbeitet werden

Dreiundzwanzig Unterauftragsverarbeiter, bei jedem einzelnen steht als Ort „United States“. Eine wählbare Region haben wir nicht gefunden.

Diese Liste ist der belastbarste Beleg dieser ganzen Seite, weil sie ohne jedes Werturteil auskommt. Sie ist datiert, vom Anbieter selbst veröffentlicht, vollständig und für jeden nachlesbar. Wir geben sie nach Leistung geordnet wieder, die Ordnung ist unsere, die Einträge und die Ortsangaben sind es nicht.

Eine einzelne Gesprächsminute läuft damit durch mehrere fremde Hände: Sie wird übertragen, in Text überführt, durch ein Sprachmodell geführt, wieder in Sprache gewandelt und als Bild berechnet. Die Liste trägt den Hinweis, dass je nach genutztem Produkt nicht alle Einträge einschlägig sind, was zutreffend und für jede solche Liste üblich ist.

Zur Region: Eine Wahlmöglichkeit oder eine Zusage zur Datenhaltung in der Europäischen Union haben wir in den öffentlichen Unterlagen nicht gefunden. Gesucht haben wir im Volltextabzug der Dokumentation nach den einschlägigen Begriffen; gefunden haben wir dabei einen Vorgabewert für eine US-Region in einem Hilfsskript und die europäischen Sprachen des Spracherkennungsmodells, das Deutsch einschließt. Bemerkenswert ist, dass der eigene Sicherheitsbeitrag des Anbieters Einkäufern rät, schriftliche Zusagen zum Verarbeitungsort zu verlangen, die sowohl die Verarbeitung als auch die Speicherung abdecken.

Ein öffentlicher Auftragsverarbeitungsvertrag ist nicht auffindbar. Die Sitemap führt die Nutzungsbedingungen, die Enterprise-Bedingungen, die Bedingungen für die Website, die Ergänzung für das Verbraucherangebot, die Datenschutzerklärung und die Nutzungsrichtlinie, aber keinen solchen Vertrag. Dass die Liste der Unterauftragsverarbeiter existiert, spricht dafür, dass es ihn gibt; öffentlich ist er nicht. Am Rande: Die Liste selbst steht ebenfalls nicht in der Sitemap. Wer nur der Sitemap folgt, findet das wichtigste Dokument dieses Abschnitts nicht.

Das Verzeichnis des US-Handelsministeriums

Null Treffer bei 7.558 Einträgen. Mit Gegenprobe, damit der Negativbefund etwas wert ist.

Die Datenschutzerklärung in der Fassung vom 12. November 2025 nennt das Data Privacy Framework als eine von mehreren Möglichkeiten, auf die eine Übermittlung gestützt werden kann. Sie behauptet dabei keine eigene Selbstzertifizierung. Genau diese Unterscheidung geht in Vergleichstexten regelmäßig verloren, weil aus der Erwähnung des Rahmens eine Teilnahme daran gelesen wird.

Wir haben deshalb selbst nachgesehen. Abgefragt wurde die Schnittstelle des amtlichen Verzeichnisses am 17. August 2026, mit leerem Statusfilter, damit auch erloschene und zurückgezogene Einträge erfasst werden. Ergebnis: null Treffer bei 7.558 erfassten Einträgen. Damit ein Negativbefund etwas wert ist, braucht er eine Gegenprobe, denn eine Abfrage, die nichts findet, kann auch schlicht kaputt sein. Wir haben im selben Durchlauf nach einem anderen Anbieter gesucht, den wir im Verzeichnis vermutet haben, und genau einen Treffer bekommen. Die Abfrage funktioniert also.

Was daraus folgt, entscheidet Ihr Datenschutzbeauftragter und nicht diese Seite. Wir stellen den Registerbefund hin, nennen Datum und Methode und überlassen Ihnen die Bewertung. Eine Übermittlung in die Vereinigten Staaten ist auf mehrere Wege stützbar, und welcher davon in Ihrem Fall trägt, hängt an Ihrer Verarbeitung.

Ein fehlender Eintrag ist ein Befund, keine Bewertung. Wer daraus eine Rechtsfolge macht, behauptet mehr, als das Register hergibt.

Zwei Vertragswerke, und drei Wörter Unterschied

Wer über die offenen Stufen einkauft, räumt eine unbefristete Lizenz ein. Wer einen Enterprise-Vertrag schließt, nach dem Wortlaut nicht.

Tavus führt zwei Vertragswerke nebeneinander, und sie unterscheiden sich an einer Stelle, die für einen Einkäufer erheblich ist. Beide räumen dem Anbieter eine Lizenz an Kundeninhalten ein, und beide nennen dabei ausdrücklich die Verbesserung der eigenen Produkte als Zweck. Der Unterschied liegt in zwei Beifügungen.

Beide Werke enthalten daneben eine Rückmeldeklausel, die dem Anbieter an Vorschlägen und Verbesserungswünschen eine unbefristete und unwiderrufliche Lizenz einräumt. Das ist branchenüblich und betrifft nicht Ihre Inhalte, sondern Ihre Anregungen. Wir nennen es, weil das Wort „perpetual“ darin ebenfalls vorkommt und man es sonst der falschen Klausel zuordnet.

Eine Löschfrist in Tagen steht in keinem der beiden Werke; beide verweisen auf eine Anfrage beim Support. Die Datenschutzerklärung nennt dagegen eine Frist für biometrische Daten, also für Stimmabdruck und Gesichtsgeometrie: Aufbewahrung bis zur Zweckerfüllung oder bis ein Jahr nach der letzten Interaktion, je nachdem, was früher eintritt, mit Löschung auf Verlangen. Für Gesprächsprotokolle aus verbundenen Google-Konten nennt sie bis zu neunzig Tage.

Für die Entscheidung heißt das: Die Frage, ob mit Ihrem Material trainiert werden darf, hat bei diesem Anbieter keine allgemeine Antwort. Sie hat eine Antwort je Vertrag. Wer beim Einkauf über die offene Stufe beginnt und später in einen Enterprise-Vertrag wechselt, sollte klären, was mit dem geschieht, was in der Zwischenzeit hochgeladen wurde.

Was die Nutzungsrichtlinie dem Kunden verbietet

Nummer 4.16 schließt die Nutzung in Hochrisiko-Anwendungen nach der KI-Verordnung aus. Das trifft einen Teil dessen, wofür solche Systeme angeboten werden.

Dieser Abschnitt ist aus unserer Sicht der wichtigste der ganzen Seite, und er hat mit Latenz nichts zu tun. Die Nutzungsrichtlinie in der Fassung vom 14. April 2026 enthält unter Nummer 4.16 eine Grenze, die in Vergleichstexten praktisch nie auftaucht: Der Kunde darf den Dienst nicht in einer Weise nutzen, die nach anwendbarem KI-Recht einschließlich der Verordnung (EU) 2024/1689 als verboten oder als hochriskant eingestuft ist. Derselbe Absatz ergänzt, es sei Sache des Kunden, seine Pflichten nach diesen Gesetzen selbst zu beurteilen.

Das ist keine Rechtsbewertung, die wir vornehmen, sondern eine vertragliche Zusage, die der Kunde gibt. Sie ist deshalb auch nicht verhandelbar über die Frage, ob man die Einstufung teilt. Wer den Dienst so nutzt, verstößt gegen die Richtlinie, unabhängig davon, wie eine Aufsichtsbehörde die Sache später sieht.

Welche Anwendungen darunter fallen, steht in Anhang III der Verordnung. Für ein mittelständisches Unternehmen sind vor allem drei Bereiche einschlägig, und alle drei sind Anwendungsfälle, für die Gesprächs-Avatare angeboten werden.

Die frühere Fassung dieser Seite hat genau in diese Lücke hinein geworben. Sie behauptete, ab August 2026 gälten für konversationale Avatare die Vorgaben für Hochrisiko-Systeme, und verkaufte ein lückenloses Prüfprotokoll als Erfüllung dieser Pflicht. Beides war falsch, und wir haben es gestrichen. Richtig ist: Die Protokollierungspflicht steht in Artikel 12 und gehört zu Kapitel III Abschnitt 2, gilt also nur für Hochrisiko-Systeme. Und die Anwendung dieses Abschnitts ist durch die Änderungsverordnung vom 8. Juli 2026 auf den 2. Dezember 2027 verschoben worden. Seit dem 2. August 2026 gilt Artikel 50, und der verlangt Offenlegung, keine Prüfprotokolle.

Eine Pflicht zu erfinden, um ein eigenes Merkmal zu verkaufen, ist genau die Art von Aussage, die auf einer Seite über Regeltreue am wenigsten zu suchen hat.

Wer offenlegen muss, dass die Person nicht echt ist

Die Funktion stellt der Anbieter, die Pflicht trägt der Betreiber. Und die Werkseinstellung greift auf einem der beiden Wege nicht.

Artikel 50 Absatz 1 der KI-Verordnung verlangt, dass Menschen erfahren, wenn sie mit einem KI-System sprechen. Die Pflicht trifft den Betreiber, also Sie, und nicht den Anbieter des Werkzeugs. Tavus sagt das selbst und unmissverständlich: Die Einführungsseite zur KI-Verordnung beginnt mit dem Satz, der Einsatz von Gesprächs-KI in der Europäischen Union liege in der Verantwortung des Kunden. Die Nutzungsrichtlinie wiederholt es als Kundenpflicht, Endnutzern deutlich und an gut sichtbarer Stelle offenzulegen, dass sie mit KI und nicht mit einem Menschen sprechen.

Die Funktionen dafür sind dokumentiert und vorbelegt. Es gibt eine gesprochene und eine eingeblendete Offenlegung mit Vorgabetexten, dazu einen Schalter mit den Stellungen „immer“, „automatisch“ und „aus“, wobei „automatisch“ die Werkseinstellung ist. Genau hier liegt die Einzelheit, die man kennen muss.

Die Stellung „automatisch“ löst den Hinweis nur aus, wenn beim Anlegen des Gesprächs die Regionsangabe auf Europa gesetzt ist. Und die Dokumentation hält ausdrücklich fest, dass Tavus auf dem Weg über die Schnittstelle den Standort des Anrufers nicht ermittelt; der Wert muss übergeben werden. Auf den vom Anbieter selbst betriebenen Oberflächen kann die Region aus der Adresse des Besuchers gesetzt werden, auf dem Weg über die eigene Anwendung nicht.

Das ist kein Mangel, den man dem Anbieter vorhalten müsste. Es ist eine dokumentierte Verteilung der Verantwortung, und sie ist sauber aufgeschrieben. Für Sie hat sie trotzdem eine Folge: Ein Häkchen in einer Vergleichstabelle bei „Offenlegung vorhanden“ sagt nichts darüber, ob die Offenlegung in Ihrem Aufbau tatsächlich erscheint. Das ist eine Zeile in Ihrem Code, nicht eine Eigenschaft des Produkts.

Zu Absatz 2, also zur maschinenlesbaren Kennzeichnung erzeugter Inhalte, ist der Befund negativ, und wir nennen die Methode dazu. Eine Suche über den Volltextabzug der Dokumentation nach den einschlägigen Begriffen für Herkunftsnachweise ergibt keinen Treffer. Das Wort „Wasserzeichen“ kommt ausschließlich auf der Preisseite vor, und dort in der Gegenrichtung, nämlich als Merkmal der bezahlten Stufen, die es entfernen. Ein sichtbares Wasserzeichen des Anbieters ist eine Markenkennzeichnung und kein Herkunftsnachweis. Für uns selbst haben wir an dieser Stelle ebenfalls nichts vorzuweisen.

Der Mitschnitt, und wo er landet

In Ihrem eigenen Speicher. Eine Bauweise, die wir für richtig halten, mit zwei Fristen und einem offenen Punkt.

Hier fällt der Vergleich zugunsten des Anbieters aus, und das gehört gesagt. Aufzeichnungen landen nach der Dokumentation im Speicher des Kunden, in Amazon S3, Google Cloud Storage oder Azure Blob Storage, über eine Vertrauensbeziehung und ohne dass ein Zugangsgeheimnis an den Anbieter übergeben wird. Wer die Aufnahmen später löschen will, muss dafür niemanden fragen.

Betrieben wird die Aufzeichnung nicht vom Anbieter selbst, sondern über den Dienstleister für die Echtzeitübertragung; die Dokumentation nennt dafür sogar die fremde Kontonummer beim Rechenzentrumsbetreiber, was eine ungewöhnlich offene Angabe ist. Bei fehlgeschlagener Auslieferung bleibt die Aufnahme rund dreißig Tage als Rückholfenster in der Aufzeichnungsinfrastruktur liegen.

Transkripte laufen über eine Rückrufadresse, die Sie hinterlegen. Nach Gesprächsende schickt der Dienst ein Ereignis mit dem vollständigen Protokoll, inzwischen mit Zeitstempeln je Redebeitrag, und während des Gesprächs gibt es einen laufenden Strom einzelner Äußerungen. Wie lange der Anbieter Protokolle selbst aufbewahrt, haben wir nicht gefunden.

Für die Einführung im eigenen Haus ist der praktische Punkt ein anderer, und er wird über der Frage nach dem Speicherort gern übersehen. Bei einem Sprachdialog entsteht ein Tonsignal, das zwischengespeichert und von Dritten verarbeitet wird, hier von einem benannten Dienstleister für Spracherkennung mit Sitz in den Vereinigten Staaten. Zusammen mit der Eigenschaft, dass das Mikrofon während der Begrüßung und im Schlafzustand offen bleibt, ergibt das eine Lage, die man vor dem ersten Einsatz mit der Datenschutzbeauftragten und, wo es einen gibt, mit dem Betriebsrat bespricht. Nicht danach.

Wie abgerechnet wird, und warum hier keine Beträge stehen

Gesprächsminuten, gleichzeitige Sitzungen und Avatarplätze. Kein Preis je Nutzer, und deshalb auch keine Hochrechnung nach Kopfzahl.

Die frühere Fassung dieser Seite nannte an vier Stellen rund neunundneunzig US-Dollar je Nutzer und Monat und rechnete daraus bei fünfzig Mitarbeitenden etwa sechzigtausend Euro im Jahr. Auf der Preisseite steht dieser Betrag nicht, und einen Preis je Nutzer gibt es dort überhaupt nicht. Die Hochrechnung beschreibt damit nicht ein ungenaues Modell, sondern ein anderes.

Wir nennen an dieser Stelle bewusst keine Beträge, und der Grund gehört dazu, weil er selbst eine Auskunft ist. Die Preisseite führte am Abrufdatum zwei vollständige, einander widersprechende Stufentabellen im Quelltext, einmal mit vier und einmal mit sechs Stufen, mit unterschiedlichen Beträgen und einmal „30+“, einmal „42+ Sprachen“. Beide liegen in der beim Laden geöffneten Registerkarte, keine ist ausgeblendet. Wahrscheinlich läuft ein Umbau oder ein Test. Welche Fassung ausgeliefert wird, konnten wir nicht feststellen, und eine Zahl, bei der wir das nicht können, schreiben wir nicht hin.

Was in beiden Fassungen übereinstimmt, ist die Abrechnungseinheit, und die ist für eine Planung ohnehin wichtiger als der Betrag, weil sie sich langsamer ändert.

• Abgerechnet werden Gesprächsminuten aus einem Inklusivvolumen, Überschreitung nach Verbrauch.
• Jedes Gespräch wird mit mindestens dreißig Sekunden belastet, auch wenn es kürzer ist. Bei vielen kurzen Auskünften ist das der Posten, der die Rechnung bestimmt.
• Je Stufe gilt eine Obergrenze für gleichzeitige Sitzungen. Sie entscheidet darüber, wie viele Menschen zur selben Zeit sprechen können, und nicht das Minutenvolumen.
• Je Stufe ist eine Anzahl eigener Avatare enthalten, darüber hinaus fällt eine einmalige Pauschale je zusätzlichem Avatar an.
• Die Wahrnehmungsschicht wird gesondert je Minute berechnet.
• Gesprächsaufzeichnungen und der Wegfall der Gesprächszeitbegrenzung sind an eine höhere Stufe gebunden. Für einen Einsatz mit Dokumentationspflicht ist das entscheidender als der Grundpreis.

Getrennt davon führt der Anbieter ein Verbraucherangebot mit eigenen Stufen. Dessen ergänzende Bedingungen vom 29. Juli 2026 stellen es ausdrücklich auf die persönliche, nicht gewerbliche Nutzung und bezeichnen es als Erprobungsangebot ohne Gewährleistung, Unterstützung und Freistellung. Für einen betrieblichen Vergleich ist es ohne Belang, und seine Preise dürfen nicht mit den Entwicklerstufen vermischt werden. Genau das passiert in Vergleichstexten häufig, weil beide Tabellen auf derselben Seite liegen.

Prüfnachweise, und wo wir nichts vorzuweisen haben

SOC 2 Type 2 und HIPAA auf der einen Seite. Auf unserer kein Zertifikat, und die frühere Fassung dieser Seite hat das anders dargestellt.

Das Trust Center des Anbieters, im Quelltext mit dem Stand 8. Mai 2026, weist drei Marken aus: SOC 2 Type 2, HIPAA und DSGVO. Genannt werden außerdem jährliche Eindringtests und vierteljährliche Schwachstellenprüfungen. Eine Zertifizierung nach ISO/IEC 27001 ist dort nicht ausgewiesen. Prüfer und Prüfumfang des SOC-2-Berichts sind nicht öffentlich; der Bericht steht hinter einer Anforderung, und der eigene Sicherheitsbeitrag rät Einkäufern, ihn zu verlangen.

Zur Genauigkeit gehört, dass „DSGVO“ keine Zertifizierung im Sinne von Artikel 42 der Verordnung ist. In Trust Centern steht die Marke üblicherweise für eine Selbstauskunft. Wer die drei Marken in einer Zeile nebeneinandersetzt, zieht diesen Unterschied durch die Tabellenform ein, und deshalb steht er hier im Text.

Nun zu uns, und das ist der unangenehme Teil. Die frühere Fassung dieser Seite behauptete eine Zertifizierung nach ISO 27001, an einer Stelle sogar in der Formulierung, die Architektur sei nach ISO 27001 zertifiziert. Sie behauptete ein Architektur-Review nach BSI-Grundschutz, eine vollständige Konformität mit der Datenschutz-Grundverordnung und ein Hosting in deutschen Rechenzentren. Für keine dieser vier Aussagen haben wir ein Dokument.

Was bleibt, ist eine Aussage über unsere Struktur statt über unsere Abzeichen. Der Verarbeitungsort hängt bei uns am Auftrag, teils in der Europäischen Union, teils außerhalb. Wer eine reine Verarbeitung in der Europäischen Union braucht, sagt das vor der Beauftragung, dann steht es im Vertrag und wir benennen die beteiligten Unterauftragsverarbeiter mit Sitz und Leistung. Das ist weniger schmückend als ein Zertifikat und für Ihre Prüfung mehr wert, weil Sie es nachlesen können.

Eine Vergleichsseite, auf der der Verfasser in jeder Zeile besser aussieht, ist keine Vergleichsseite. Sie ist eine Anzeige mit einem fremden Namen darin.

Was aus der früheren Fassung dieser Seite verschwunden ist

Sechs Zahlen, eine erfundene Gesetzespflicht, vier eigene Zusagen und eine Rechtsbewertung. Wir schreiben hin, was wir gestrichen haben.

Diese Seite stand seit Juni 2026 in einer Fassung online, die einer Prüfung nicht standhält. Wir nennen die Stellen einzeln, weil eine stille Überarbeitung dem Leser die Möglichkeit nimmt, unsere heutigen Aussagen an unseren früheren zu messen.

Dazu kommen die vier eigenen Aussagen aus dem vorigen Abschnitt. Elf Streichungen auf einer Seite mit rund achtzehnhundert Wörtern sind viel, und der Befund ist unangenehm. Er hat aber eine einfache Ursache: Die Seite war aus Behauptungen gebaut, die niemand nachgesehen hat, und jede einzelne davon klang gut. Genau das ist das Muster, vor dem eine solche Seite eigentlich warnen soll.

Was wir stattdessen tun, steht im ersten Abschnitt: Hinter jeder Angabe steht ein Dokument mit Nummer und Abrufdatum, und wo wir nichts gefunden haben, steht das dort samt Suchmethode. Angaben über einen Wettbewerber müssen zum Zeitpunkt der Nutzung stimmen; eine ursprünglich richtige Angabe wird durch eine Änderung beim Anbieter irreführend. Wir sehen die Preisangaben deshalb monatlich nach und die Vertrags- und Registerangaben zum Quartal.

Häufige Fragen zum Vergleich mit Tavus