Großbritannien nutzt Sprach-KI des 21. Jahrhunderts über eine Telefonleitung aus dem Jahr 1972.

Drei Nummern aus einem Netz, das für Wählscheibentelefone ausgelegt ist

Großbritannien entwickelt erstklassige Sprach-KI und leitet diese im Jahr 2017 über ein Frequenzband, das für eine Kupfervermittlungsstelle konzipiert wurde. Der Pate wurde veröffentlicht. Die Kosten tragen alle Unternehmen und alle Bürger, die in den nächsten zehn Jahren mit einem Computer telefonieren werden.

Ein Netzwerk, das für Bakelit-Handgeräte entwickelt wurde

Der Codec heißt G.711. Es tastet die menschliche Stimme 8.000 Mal pro Sekunde ab und verwirft alles oberhalb von etwa 3,4 kHz. Dieser Standard stammt aus einer Zeit, als der durchschnittliche britische Haushalt nur ein einziges Wählscheibentelefon besaß, das fest in einem Holzkasten an der Wand verkabelt war.

Auch 2026 ist es noch immer der De-facto-Codec des öffentlichen Telefonnetzes und der kleinste gemeinsame Nenner der britischen Telefonie. Laut Openreach wird Ihr Anruf höchstwahrscheinlich in dieses Format transkodiert, sobald er eine Verbindung zu einem Netzbetreiber herstellt – selbst wenn Ihr Softphone, Ihr Headset und Ihr Hörer eigentlich deutlich bessere Formate unterstützen.

Großbritannien macht jetzt etwas wirklich Seltsames. Wir entwickeln erstklassige Sprach-KI (große Sprachmodelle, die in Echtzeit logisch denken, Transkriptionssysteme, die mit Hunderttausenden Stunden hochauflösender Sprache trainiert wurden, neuronale Text-zu-Sprache-Technologie mit fließenden Übergängen) und leiten das Ganze dann über ein Frequenzband, das auf die Bandbreite einer Kupfertelefonzentrale ausgelegt ist.

Die Abschaltung des öffentlichen Telefonnetzes löst das falsche Problem.

Die Reform im Kern ist einfach. Das bestehende Netz versagt tatsächlich: Ofcom verzeichnete 2024 einen Anstieg schwerwiegender PSTN-Störungen um 45 %. Das Problem ist jedoch, was die Umstellung tatsächlich bringt.

Nach mehreren Verzögerungen ist der von der Branche festgelegte Stichtag nun Ende Januar 2027. Openreach hat bestätigt, dass dieser Termin „feststeht“. Der Verkaufsstopp für Altanschlüsse gilt in den meisten Vermittlungsstellen bereits seit 2023, und Preiserhöhungen von zunächst 20 %, dann 40 %, drängen die verbleibenden Kunden bis 2026 aus dem Netz.

Der Ersatz für das PSTN bedeutet keine grundlegende Verbesserung der Sprachqualität. Es handelt sich um denselben Anruf im selben Schmalbandformat (8 kHz), der über IP statt über Kupferleitungen übertragen wird. Die meisten rein IP-basierten Sprachdienste in Großbritannien nutzen standardmäßig weiterhin G.711 (den gleichen Codec von 1972), verpackt in ein SIP-Paket. Die Kabel ändern sich. Der Ton bleibt gleich.

Es gibt Breitbandalternativen. G.722 verdoppelt die Abtastrate auf 16 kHz. EVS geht bis zu 20 kHz und deckt den gesamten Bereich des menschlichen Hörvermögens ab. Opus (verwendet in WhatsApp, Teams und Google Meet) passt sich dynamisch bis zu 48 kHz an. Keine dieser Alternativen ist jedoch standardmäßig auf britischen SIP-Trunks aktiviert. Sobald ein Anruf ein PSTN-Gateway, eine Verbindung oder einen Rufnummernübersetzungsdienst durchläuft, wird er wieder auf G.711 heruntertranskodiert, und die höhere Abtastrate ist dahin.

Die Codecs, auf die der Rest der Welt umgestiegen ist.

Nichts davon ist rein theoretisch. Alle sind standardisiert, produktiv im Einsatz und werden von allen modernen Endgeräten unterstützt. Großbritannien verhandelt sie lediglich nicht als Standard für das Netzwerk, das das PSTN ersetzen soll.

Was 8 kHz Sie tatsächlich kosten

Die technischen Argumente gegen Schmalbandtelefonie sind nicht ästhetischer Natur. Sie sind mathematischer Natur und brutal für die Maschinen, die nun am anderen Ende jeder Leitung zuhören.

Die menschliche Sprache enthält nützliche akustische Informationen weit oberhalb der von G.711 festgelegten Grenzfrequenz von 3,4 kHz. Die Grundfrequenzen, also die Tonhöhe, anhand derer man beispielsweise seine Mutter am Telefon erkennt, liegen zwischen 85 und 250 Hz. Vokale transportieren die Energie von 350 Hz bis 2 kHz. Soweit, so gut mit dem Festnetz kompatibel.

Die Konsonanten (die Zischlaute, Frikative und stimmlosen Plosive) leben zwischen 1,5 kHz und 4 kHz Diese Laute, deren Energie sich bis 8 kHz und darüber hinaus erstreckt, sind für die Unterscheidung von „fifteen“ und „sixteen“, „Smith“ und „Smyth“ sowie „F“, „S“ und „Th“ verantwortlich. Sie enthalten etwa 5 % der Stimmenergie und tragen zu rund 60 % ihrer Verständlichkeit bei.

Moderne Spracherkennungsmodelle (Whisper, Deepgram Nova, Googles Chirp, die hauseigenen Modelle, die in allen großen Sprach-KI-Plattformen laufen) werden fast ausschließlich mit 16-kHz-Audio trainiert. Whisper benötigt systembedingt 16-kHz-Eingangssignale. Verwendet man 8-kHz-Telefonie, werden verlustbehaftete Daten hochgerechnet und dem Modell eine Frequenzverteilung präsentiert, die es während des Trainings nie gesehen hat.

Die Entwickler von Sprachagenten auf Twilio berichten regelmäßig von einer Genauigkeit von nur 50 % bei ansonsten klarer Sprache, sobald der Anruf auf einen 8-kHz-Codec umgeschaltet wird – obwohl dieselbe Sprache über ein Browser-Mikrofon einwandfrei transkribiert wird. Dieses Problem lässt sich weder durch intelligentere Ansagen noch durch ein größeres Modell lösen. Es ist physikalisch bedingt.

In einer Präsentation leicht zu übersehen. In der Produktion fatal.

Schmalbandige Audioqualität beeinträchtigt die Sprach-KI in mindestens sechs Bereichen: einzeln betrachtet ärgerlich, gemeinsam katastrophal. Die wirtschaftlichen Folgen dieser Ausfälle sind nicht theoretischer Natur; sie zeigen sich jede Minute, bei jedem falsch weitergeleiteten Anruf, in jeder regulierten Branche, die versucht, einen Sprachassistenten im bestehenden Netzwerk einzusetzen.

• Halluzinationen. Verlustbehaftete Codecs erzeugen metallisches, blubberndes Rauschen, das KI-Modelle entweder als Hintergrundgeräusch oder als tatsächliche Sprache interpretieren können. Ein Sprecher sagt nichts; das Modell erfindet ein Wort. Jeder Transkriptionsfehler wird dann dem LLM zugeführt, das mit einer fehlerhaften Eingabe umgehen muss.
• Zusammenbruch des Wechselmechanismus. Sprachassistenten erkennen mithilfe hochfrequenter akustischer Signale, wann ein Anrufer aufgehört hat zu sprechen. Fehlen diese Signale, wird die Sprachassistenten-Technologie unzuverlässig: Der Assistent unterbricht den Anrufer, wartet zu lange oder spricht dazwischen.
• Die Sprecheridentifizierung verschlechtert sich. Breitband-Audio ist bei Sprechererkennungssystemen etwa doppelt so effektiv wie Schmalband-Audio, was für Betrugserkennung, Stimmbiometrie und Einwilligungsprüfung von Bedeutung ist.
• Transkodierungsverlust. Ein KI-Agent generiert Opus mit 48 kHz, transkodiert am SIP-Gateway nach G.711, transkodiert beim mobilen Handover erneut nach AMR-WB oder EVS und kommt als mehrfach verschlechterte Annäherung an.
• Diskriminierung aufgrund von Mehrsprachigkeit und Akzent. Die Schmalbandfilterung verschärft die bestehenden Schwächen des Modells bei nicht-muttersprachlichem Englisch, regionalen Dialekten und Tonsprachen. Die hochfrequenten Merkmale, die ähnliche Phoneme unterscheiden, werden genau als erstes verworfen.
• Der wirtschaftliche Ausläufer. Fehlerhafte Transkriptionen führen zu falsch weitergeleiteten IVR-Anrufen, einer Verlängerung der Bearbeitungszeit um 3–5 Minuten, Rückrufquoten von ca. 30 % bei der Umwandlung von Voicemail in Textnachrichten und Fehlalarmraten von ca. 60 % in Stimmungsanalysen. Wenn ein Contact Center eine KI-Ablenkungsrate von 12 % angibt, während der Wettbewerber 35 % nennt, liegt die Ursache sehr oft nicht im Modell, sondern im Codec.

Warum die Lage Großbritanniens besonders schlecht ist

Großbritannien ist nicht das einzige Land, das ein Schmalband-PSTN betreibt. Wir befinden uns jedoch in einer schlechteren Lage als die meisten unserer Vergleichsländer, und zwar aus Gründen, die ausschließlich auf politische Entscheidungen zurückzuführen sind.

Die Umstellung in Großbritannien wurde bereits zweimal verschoben (von Dezember 2025 auf Januar 2027), hauptsächlich aufgrund ungeklärter Fragen zum Schutz gefährdeter Nutzer von Notrufsystemen. Diese Bedenken sind berechtigt. Die 1,8 Millionen Briten, die auf Notrufsysteme über Kupferleitungen angewiesen sind, haben ein Recht auf eine sichere Umstellung.

Die Verzögerung wurde von der Branche jedoch als Vorwand genutzt, um das billigste Upgrade anstelle des richtigen durchzuführen. Der neue digitale Dienst ist lediglich ein gleichwertiger Ersatz der Sprachqualität, keine Verbesserung. Und die regulatorischen Rahmenbedingungen behandeln die Audioqualität im Wesentlichen als eine Frage der Verbraucherpräferenz.

Drei Dinge müssen geschehen, und das Zeitfenster schließt sich.

Die Abschaltung im Jahr 2027 wird als Netzwerktechnikprojekt gemanagt. Sie sollte jedoch als nationale Infrastrukturmodernisierung mit klar definierten Mindestanforderungen an die Sprachqualität angegangen werden, denn die jetzt festgelegten Standards werden die Grundlage für die nächsten dreißig Jahre bilden.

1. Breitband als All-IP-Standard festlegen. Ofcom sollte vorschreiben, dass jeder als PSTN-Ersatz vermarktete IP-basierte Sprachdienst G.722 oder einen besseren Codec als bevorzugten Codec aushandeln muss, wobei G.711 nur als Ausweichlösung für ältere Verbindungen zulässig sein sollte. Alle modernen SIP-Endgeräte unterstützen diesen Codec bereits. Das Hindernis ist die Trägheit des Marktes, nicht technische Schwierigkeiten.
2. Einen Fahrplan für Superbreitband erstellen. EVS ist bereits standardisiert, weltweit in Mobilfunknetzen im Einsatz und stellt den natürlichen Endpunkt für Sprachqualität über IP dar. Großbritannien sollte sich zum Ziel setzen (2030 ist erreichbar), EVS zum Standard-Codec für alle neuen Geschäftstelefoniedienste zu machen.
3. Behandeln Sie die Audioübertragung in der Telefonie als kritische Infrastruktur. Wenn eine Triage-Hotline des NHS, ein 101-Service oder eine Hotline für Sozialleistungen durch einen Codec aus dem Jahr 1972 ausgebremst wird, der moderne Sprach-KI daran hindert, die Anrufer zu verstehen, dann ist das die gleiche Art von Infrastrukturausfall wie der Ausfall einer Feueralarmleitung, nur langsamer und weitreichender.

Eine Obergrenze für den gesamten britischen Sprach-KI-Sektor

Die Audioqualität, die ein Sprachmodell erreicht, wird am Netzwerkrand und nicht auf Anwendungsebene festgelegt. Alle Sprach-KI-Produkte, die im britischen Telefonnetz eingesetzt werden, unterliegen denselben Beschränkungen; deren Überwindung ist eine Frage der nationalen Infrastruktur, nicht der Anbieter.

Unabhängig davon, welche Sprach-KI am anderen Ende der Leitung zum Einsatz kommt (Cloudax, ein Sprachagent eines Hyperscalers, eine andere spezialisierte Plattform oder das KI-Modul eines etablierten Contact-Center-Anbieters), verwendet jede von ihnen dieselben Audiodaten. Der Anbieter entscheidet, welche Daten den Codec passieren; die Anwendungsschicht übernimmt den Rest.

Das macht dieses Problem besonders lösbar. Ein britisches Breitbandnetz würde die Leistungsfähigkeit aller KI-Spracherkennungssysteme im Land gleichzeitig deutlich verbessern, ohne dass auf Anwendungsebene eine Koordination erforderlich wäre. Dasselbe Spracherkennungsmodell, das mit G.711 eine Genauigkeit von 88 % erreicht, läuft mit G.722 routinemäßig mit über 95 % – und das kostenlos, sobald das Netz die Anrufqualität nicht mehr reduziert.

Die Sprachqualität ist eine Eigenschaft des Netzwerks. Es hängt davon ab, was die Netzbetreiber anbieten, was die Regulierungsbehörden vorschreiben und welche Standardeinstellungen in den britischen PSTN-Migrationsplänen festgelegt sind. Die Entscheidungen, die 2026 getroffen werden, legen die Obergrenze für die nächste Generation fest: für jedes in Großbritannien entwickelte KI-Sprachgerät, jede öffentliche Einrichtung, die ein solches Gerät erwirbt, und jeden Bürger, der damit kommuniziert.

Raus aus dem Kupferzeitalter des 20. Jahrhunderts. Hinein ins IP-Zeitalter des 20. Jahrhunderts.

Die Abschaltung des öffentlichen Telefonnetzes (PSTN) hätte eine Chance sein sollen, Großbritannien ins 21. Jahrhundert der Sprachtechnologie zu führen. Stattdessen bietet sie uns die Möglichkeit, das Kupfernetz des 20. Jahrhunderts hinter uns zu lassen und ins IP-Zeitalter des 20. Jahrhunderts einzutreten – bei unveränderter Audioqualität. Das reicht nicht. Es hat nie gereicht.

Da Sprach-KI zur primären Schnittstelle zwischen Bürgern, öffentlichen Diensten und den Unternehmen wird, auf die sie angewiesen sind, werden die Kosten, so zu tun, als ob es anders wäre, in missverstandenen Anrufern, gescheiterter Automatisierung, Produktivitätsverlusten und einem Land gemessen werden, das eine Weltklasse-KI entwickelt und sie dann im letzten Moment lahmgelegt hat.