Rund zwei Minuten von der Textbeschreibung zum funktionierenden Telefonagenten: Mit dieser Zahl bewirbt xAI seinen neuen Grok Voice Agent Builder, eine No-Code-Plattform, die seit dem 1. Juli 2026 in der Beta läuft. Wer einen Anrufworkflow einrichten will, beschreibt in einfacher Sprache, wie ein Gespräch ablaufen soll, hängt Dokumente, Werkzeuge und Guardrails an – und der Agent nimmt Anrufe entgegen. Abgerechnet wird zum API-Satz, laut x.ai derzeit 0,05 US-Dollar pro Minute Audio, plus 0,01 US-Dollar für Telefonie auf einer mitgelieferten Nummer. Macht rund 0,06 US-Dollar pro Minute Gespräch.
Die Plattform zielt auf Anrufworkflows mit hohem Volumen: Kundensupport, Vertrieb, Lead-Qualifizierung, Empfang und Terminplanung. Jeder Account bekommt eine kostenlose Telefonnummer für den ersten Testanruf. Über das Protokoll SIP lässt sich auch eine bestehende Nummer eines gängigen Telefonieanbieters anbinden, sodass Betriebe ihre vorhandene Rufnummer behalten können.
Was der Grok Voice Agent Builder konkret kann
Die Agenten greifen auf Wissensdatenbanken zu und durchsuchen Dokumente während des Gesprächs. Angebunden werden können unter anderem Gmail, Google Calendar, Outlook, Notion, OneDrive, Google Drive sowie eigene APIs und externe MCP-Server. Reicht die Kompetenz des Agenten nicht, leitet er an einen Menschen weiter.
Für die Kontrolle nach dem Anruf lässt sich jedes Gespräch aufzeichnen, transkribieren und abspielen; auch welche Werkzeuge der Agent genutzt hat, bleibt sichtbar. Zur Stimme stehen über 80 integrierte Stimmen bereit, dazu Stimmenklone aus etwa zwei Minuten Audiomaterial. Am 7. Juli 2026 kamen laut basenor.com 21 weitere Stimmen über die API hinzu.
Technisch setzt xAI auf einen Speech-to-Speech-Pfad. Übliche Sprach-Stacks koppeln drei getrennte Bausteine – Spracherkennung, Sprachmodell und Sprachausgabe –, oft von verschiedenen Anbietern. Jeder Übergang kostet Zeit und schafft eine neue Fehlerquelle. Für Betriebe bedeutet der gebündelte Ansatz weniger Verzögerung im Gespräch und einen Vertragspartner statt drei Rechnungen. Dafür hängt die gesamte Lösung an einer einzigen Roadmap.
Compliance, Preis und der Wettbewerb
Für Geschäftskunden nennt xAI konfigurierbare Guardrails und Compliance-Funktionen, darunter SOC 2, HIPAA-Eignung und DSGVO-Konformität. Einstellen lässt sich auch, dass der Agent während eines Anrufs keine sensiblen personenbezogenen Daten vorliest. Für europäische Betriebe ist der Verweis auf DSGVO-Konformität relevant, ersetzt aber keine eigene Prüfung des Datenflusses – die Verarbeitung läuft über einen US-Anbieter.
Neu ist das Feld nicht. Die grundlegende Grok Voice Agent API startete bereits im Dezember 2025, Custom-Voice-Support folgte im Mai 2026. Mit dem Builder tritt xAI gegen etablierte Anbieter wie ElevenLabs, Synthflow, Retell AI, PolyAI und Vapi an, die alle Plattformen für Enterprise-Sprachagenten verkaufen. xAI behauptet, das eigene Modell Grok Voice Think Fast 1.0 führe mit 67,3 % die firmeneigene τ-voice-Bench-Tabelle an, vor Gemini 3.1 Flash Live (43,8 %) und GPT Realtime 1.5 (35,3 %). Der Abstand von 23 Punkten stammt aus einem selbst administrierten Test – ein neutraler Fähigkeitsvorsprung ist damit nicht belegt.
Eine praktische Anleitung liefert The Rundown AI mit dem Guide „Build a No-Code Voice Agent for Customer Intake With Grok”, der den Aufbau eines Agenten für die Kundenannahme Schritt für Schritt zeigt.
Unabhängige Einordnungen fallen nüchtern aus. Der Anbieter-Vergleich Evalgent hält die Lösung für passend bei Teams, die schnell einen latenzarmen Telefonagenten ohne eigenen Infrastrukturaufbau wollen – weniger passend, wenn ein eigenes Sprachmodell, eine stark angepasste Pipeline oder eine lange Produktionshistorie gefragt sind. eesel AI grenzt den Anwendungsfall ab: Wer Automatisierung für E-Mail und Chat im Helpdesk sucht, hat eine andere Aufgabe vor sich. Und Let’s Data Science weist darauf hin, dass Produktionszuverlässigkeit und mehrsprachige Leistung im großen Maßstab außerhalb von xAIs eigenen Benchmarks ungetestet sind.
Unsere Einschätzung
Für einen kleinen Betrieb ist die Rechnung verlockend: 0,06 US-Dollar pro Gesprächsminute, keine Plattformgebühr, kein Zusammenschrauben dreier APIs, eine mitgelieferte Nummer. Wer eingehende Anrufe qualifizieren oder Termine annehmen will und heute Anrufe verpasst, kann in kurzer Zeit einen Prototyp testen. Genau dafür senkt der Builder die Einstiegshürde spürbar. Der belegte Nutzen liegt im schnellen Prototyping – nicht im behaupteten Benchmark-Vorsprung, den man bis zu unabhängigen Tests beiseitelassen sollte.
Die Grenze zieht der gebündelte Stack selbst. Speech-to-Speech aus einer Hand heißt: Der eigene Agent wird nur so gut wie xAIs Roadmap, Sprachqualität und Preisgestaltung es zulassen. Wer produktiv auf die Lösung setzt, verlagert einen direkten Kundenkontaktpunkt zu einem US-Anbieter unter Elon Musks Kontrolle – mit allem, was an Preis-, Ausfall- und Governance-Risiko daranhängt. Die DSGVO-Zusage ist notwendig, aber kein Freibrief; die Datenverarbeitung bleibt außerhalb europäischer Souveränität. Für einen abgegrenzten, überwachten Einsatz in der Lead-Qualifizierung lohnt der Test. Als tragende Säule der Kundenkommunikation empfiehlt es sich, europäische Alternativen und Exit-Optionen von Anfang an mitzudenken, statt sich an eine einzige Leine zu binden.
