0,10 Dollar pro Stunde: Der Preissturz bei KI-Transkription

Am 3. September 2026 hat Microsoft AI ein neues Spracherkennungsmodell veröffentlicht, das in der Branche für Aufsehen gesorgt hat: MAI-Transcribe-2 transkribiert Audioaufnahmen für 0,10 US-Dollar pro Stunde – inklusive Sprecher-Diarisierung, wortgenauen Zeitstempeln und Unterstützung für 60 Sprachen. Für Sie als Unternehmerin oder Unternehmer im Mittelstand klingt das zunächst nach einer technischen Randnotiz. Ist es aber nicht. Denn hinter dem Preisschild steckt eine Frage, die für jedes Unternehmen mit Meetings, Kundentelefonaten oder Beratungsgesprächen relevant ist: Lohnt sich jetzt der automatisierte Umgang mit gesprochener Sprache – und wenn ja, worauf müssen Sie achten, bevor Sie loslegen?

In diesem Artikel ordnen wir ein, was der Preissturz bei der KI-Transkription tatsächlich bedeutet, wo der wirtschaftliche Hebel wirklich liegt und welche rechtlichen Stolpersteine Sie vor dem produktiven Einsatz kennen sollten. Denn ein niedrigerer Preis pro Audiostunde allein macht noch keinen funktionierenden Workflow – entscheidend ist, was Sie mit dem Transkript anschließend tun, und ob Sie es überhaupt rechtssicher anfertigen dürfen.

Was ist eigentlich passiert?

Microsoft AI hat MAI-Transcribe-2 am 3. September 2026 vorgestellt. Das Modell erkennt gesprochene Sprache, trennt automatisch mehrere Sprecher voneinander (Diarisierung), setzt wortgenaue Zeitstempel und lässt sich in unterschiedlichen Transkriptionsstilen konfigurieren. Microsoft positioniert das Modell zudem als deutlich schneller als die Konkurrenz: bis zu 10-mal schneller als OpenAIs GPT-Transcribe, 7-mal schneller als ElevenLabs Scribe v2 und 5-mal schneller als Google Gemini 3. Auf dem herstellereigenen FLEURS-Benchmark über 60 Sprachen erreicht MAI-Transcribe-2 laut Microsoft eine durchschnittliche Wortfehlerrate von 5,2 Prozent.

Wichtig für die Einordnung: Diese Zahlen stammen aus Microsofts eigener Ankündigung und wurden bislang nicht durch eine unabhängige Drittquelle verifiziert. Für belastbare Aussagen zur tatsächlichen Qualität bei deutschsprachigen Fachgesprächen – etwa in der Kanzlei, der Arztpraxis oder im technischen Kundenservice – fehlt bislang eine unabhängige Evaluierung. Das schmälert die Preisrevolution nicht, mahnt aber zu einem nüchternen Blick, bevor Sie Ihre gesamte Nachbearbeitung darauf aufbauen.

Aktuell läuft MAI-Transcribe-2 als "Public Preview" über Azure AI Foundry beziehungsweise den Azure Speech Service. Das bedeutet in der Regel eingeschränkte SLA-Garantien und die Möglichkeit, dass sich Preise oder Funktionen bis zur allgemeinen Verfügbarkeit noch ändern. Für Kanzleien, Arztpraxen oder Kundenservice-Teams mit hohen Vertraulichkeitsanforderungen ist dieser Preview-Status ein Faktor, den Sie bei der Planung berücksichtigen sollten, bevor Sie geschäftskritische Prozesse vollständig darauf aufbauen.

Die Diarisierung – also die automatische Trennung mehrerer Sprecher innerhalb einer Aufnahme – ist dabei praktisch der entscheidende Baustein für Geschäftsanwendungen. Erst wenn ein System zuverlässig zuordnen kann, wer wann was gesagt hat, wird aus einem reinen Texttranskript ein brauchbares Gesprächsprotokoll mit klaren Verantwortlichkeiten, Zusagen und offenen Punkten. Die wortgenauen Zeitstempel wiederum erlauben es, im Nachhinein gezielt an eine bestimmte Stelle im Gespräch zu springen, etwa um eine strittige Aussage zu überprüfen.

0,10 Dollar sind nicht 72 Prozent günstiger als alles andere

Microsoft bewirbt den neuen Preis als 72 Prozent günstiger als das eigene Vorgängermodell MAI-Transcribe-1/1.5, das bei 0,36 US-Dollar pro Stunde lag. Das stimmt – bezieht sich aber nur auf den Vergleich mit dem eigenen Vorgänger. Gegenüber der übrigen Konkurrenz fällt die Ersparnis etwas nüchterner aus, bleibt aber beeindruckend:

• OpenAI Whisper/GPT-4o-Transcribe: rund 0,36 $/Stunde
• OpenAI GPT-Transcribe (seit Juli 2026): rund 0,27 $/Stunde
• Google Gemini 3.5 Transcribe: rund 0,30 $/Stunde (geschätzter Blended-Preis)
• ElevenLabs Scribe v2 (Batch): 0,22 $/Stunde
• Deepgram Nova-3 (Batch): rund 0,26 $/Stunde

Gegenüber ElevenLabs und Deepgram liegt die tatsächliche Ersparnis eher bei 55 bis 62 Prozent – immer noch deutlich, aber nicht die plakative 72-Prozent-Zahl, die in den Schlagzeilen kursiert. Microsofts eigenes Rechenbeispiel zeigt dennoch, welche Dimension bei großem Volumen entsteht: Ein Unternehmen, das 100.000 Audiostunden pro Jahr verarbeitet – etwa ein großes Callcenter – zahlt statt 36.000 US-Dollar nur noch 10.000 US-Dollar jährlich.

Bei der Preisdiskussion lohnt sich zudem ein Blick auf den Unterschied zwischen Batch- und Echtzeit-Verarbeitung. Wer Gespräche erst im Nachhinein transkribiert (Batch), zahlt durchweg weniger als bei einer Live-Transkription während des Gesprächs (Realtime): ElevenLabs Scribe v2 kostet im Batch-Modus 0,22 Dollar pro Stunde, in Echtzeit dagegen 0,39 Dollar. Bei Deepgram Nova-3 liegt der Unterschied zwischen Batch (rund 0,26 Dollar) und Streaming (rund 0,46 Dollar) in einer ähnlichen Größenordnung. Für die meisten Anwendungsfälle im Mittelstand – Meeting-Protokolle, nachträgliche Auswertung von Kundengesprächen – reicht die günstigere Batch-Verarbeitung völlig aus. Nur wenn Sie tatsächlich eine Live-Anzeige während des Telefonats benötigen, etwa für einen Echtzeit-Coaching-Hinweis an Servicemitarbeitende, wird die teurere Echtzeit-Variante überhaupt relevant.

Für den klassischen Mittelstandsbetrieb mit zehn bis 250 Mitarbeitenden ist ein Volumen von 100.000 Audiostunden pro Jahr ohnehin selten relevant. Und genau hier beginnt die eigentlich interessante Frage: Wenn die reinen ASR-Kosten bei realistischem Volumen ohnehin nur wenige Dollar oder Euro im Monat ausmachen, wo liegt dann der eigentliche wirtschaftliche Hebel für Sie als Unternehmer?

Der wahre Hebel liegt nicht in den Cent-Beträgen

Reine ASR-Kosten (Automatic Speech Recognition) lagen schon vor MAI-Transcribe-2 im niedrigen Centbereich pro Minute. Für einen mittelständischen Betrieb mit überschaubarem Gesprächsvolumen sind die Rohkosten der Transkription damit inzwischen praktisch irrelevant geworden. Der Business Case für einen "Transkriptions-Agenten" entsteht nicht durch die API-Kosten – er entsteht durch die Mitarbeiterzeit, die bislang für die Nachbereitung draufgeht.

Nicht die Transkription selbst kostet Ihr Unternehmen Geld – es ist alles, was danach manuell passiert: Protokoll schreiben, Nachfass-Mail formulieren, CRM pflegen.

Recherchierte Quellen beziffern die Nachbereitung von Meetings auf 15 bis 30 Minuten pro Meetingstunde – teilweise treibt der zusätzliche Aufwand für Agenda, Protokoll und Follow-up die Gesamtzeit um 30 bis 50 Prozent über die reine Meetingdauer hinaus. Eine Doodle-Studie aus dem Jahr 2024 kommt zu dem Ergebnis, dass deutsche Beschäftigte rund 24 Prozent ihrer Arbeitszeit in Meetings verbringen. Eine HR-WORKS-Studie von Februar 2025 nennt im Schnitt 4,4 Meetings pro Woche, von denen die Befragten selbst 2,9 für verzichtbar halten.

Rechnet man das mit einem Orientierungswert weiter, den wir hier ausdrücklich als Beispielrechnung und nicht als belegte Studie kennzeichnen: Bei 50 Meetings pro Jahr, 1,5 Stunden Nachbereitungszeit je Meeting und 60 Euro Personalkosten pro Stunde kommen pro Mitarbeitendem rund 75 Stunden beziehungsweise etwa 4.500 Euro jährlich allein für die Protokollerstellung zusammen. Das ist die Summe, die ein Transkriptions-Agent tatsächlich adressiert – nicht die 0,10 Dollar pro Stunde ASR-Kosten.

Was ein Transkriptions-Agent in der Praxis übernehmen kann

In der Praxis besteht der eigentliche Nutzen darin, den kompletten Nachbearbeitungs-Workflow zu automatisieren: Live- oder Batch-Transkription, automatische Zusammenfassung per Sprachmodell, Erstellung von Nachfass-E-Mails und strukturierter Eintrag ins CRM oder die Praxisverwaltungssoftware – ohne dass jemand mitschreiben muss. Wichtig für die Kalkulation: Diese Gesamtlösung kostet in der Regel deutlich mehr als die reinen 0,10 Dollar ASR-Kosten, weil zusätzlich Tokenkosten für die Zusammenfassung und der Integrationsaufwand hinzukommen.

Zum Vergleich: Fertige SaaS-Transkriptionstools wie Otter.ai oder Fireflies.ai berechnen unabhängig von den reinen API-Kosten 10 bis 30 US-Dollar pro Nutzer und Monat. Otter.ai verlangt für den Pro-Tarif 8,33 bis 16,99 Dollar pro Nutzer und Monat, für Business 19,99 bis 30 Dollar (bei einem Fünf-Sitze-Minimum). Fireflies.ai liegt im Pro-Tarif bei 10 bis 18 Dollar, im Business-Tarif bei 19 bis 29 Dollar und im Enterprise-Tarif ab 39 Dollar pro Nutzer und Monat. Ein Mittelstandsbetrieb, der eine fertige Lösung statt einer eigenen API-Anbindung nutzt, zahlt also spürbar mehr als die reinen Rohkosten – weil Lizenz-, Hosting- und Integrationskosten hinzukommen.

Für ein Beispiel aus dem Kundenservice, ausdrücklich als illustrative Beispielrechnung und nicht als recherchierter Branchendurchschnitt zu verstehen: Ein Team mit zehn Mitarbeitenden und beispielsweise 500 Kundengesprächen pro Monat à sechs Minuten kommt auf rund 50 Audiostunden monatlich. Bei MAI-Transcribe-2 läge die reine Transkriptionskostenlast bei etwa 5 Dollar pro Monat beziehungsweise 60 Dollar pro Jahr. Beim bisherigen Microsoft-Preis von 0,36 Dollar pro Stunde wären es 18 Dollar pro Monat beziehungsweise 216 Dollar pro Jahr gewesen. Der Unterschied ist real – aber im Vergleich zur eingesparten Mitarbeiterzeit für Gesprächsnotizen und CRM-Pflege bleibt er zweitrangig.

Rechnen Sie diese Beispielrechnung weiter: Wenn jedes der 500 Gespräche im Anschluss auch nur fünf Minuten manuelle Nachbereitung erspart – kurze Notiz ins CRM, Stichpunkte für den nächsten Anruf, gegebenenfalls eine Zusammenfassung für den Vorgesetzten –, kommen Sie bei einem angenommenen Stundensatz von 35 Euro pro Servicemitarbeiter auf etwas mehr als 1.450 Euro eingesparter Personalzeit pro Monat. Dem stehen 5 Dollar reine ASR-Kosten gegenüber, plus die zusätzlichen Kosten für Zusammenfassung und Integration, die je nach eingesetztem Sprachmodell und Umfang variieren. Selbst wenn diese Zusatzkosten die reinen Transkriptionskosten um ein Vielfaches übersteigen, bleibt die Rechnung in den allermeisten Konstellationen deutlich positiv – vorausgesetzt, der Workflow läuft zuverlässig und die rechtlichen Voraussetzungen sind erfüllt. Auch das ist ausdrücklich eine Modellrechnung mit illustrativen Annahmen und kein belegter Branchenwert, sie zeigt aber die Größenordnung, um die es tatsächlich geht.

Ähnlich sieht die Rechnung bei Beratungsunternehmen, Kanzleien und Praxen aus: Wer ohnehin täglich mehrere Telefonate oder Beratungsgespräche führt, für die bislang von Hand mitgeschrieben oder im Anschluss ein Gedächtnisprotokoll erstellt wird, gewinnt durch eine automatisierte Transkription vor allem eines zurück – ungeteilte Aufmerksamkeit während des Gesprächs, weil niemand mehr gleichzeitig zuhören und mitschreiben muss.

Der eigentliche Flaschenhals: DSGVO und Einwilligung

Bevor Sie über Kosten sprechen, müssen Sie über Rechtsgrundlagen sprechen. Für Kundengespräche gilt unabhängig vom eingesetzten Modell: Die Aufzeichnung und Transkription von Telefonaten ist nur mit einer aktiven, informierten Einwilligung des Kunden zulässig. Bloßes Weitersprechen, nachdem ein Hinweis erfolgt ist, reicht laut den recherchierten Rechtsquellen dafür nicht aus. Der Kunde muss zudem über den Zweck der Aufzeichnung, die Speicherdauer und den eingesetzten Auftragsverarbeiter – in diesem Fall Microsoft beziehungsweise Azure – informiert werden. Und es muss eine Alternative ohne Transkription angeboten werden.

Hinzu kommt eine technische Ebene: Für eine DSGVO-konforme Verarbeitung in der EU ist bei MAI-Transcribe-2 ein explizites "Data Zone Deployment" in der Region West Europe oder Sweden Central sowie ein Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO mit Microsoft nötig. Standard-Deployments können Daten hingegen in beliebigen Azure-Regionen verarbeiten – ein Detail, das in der Eile eines Pilotprojekts leicht übersehen wird. Ob eine deutsche Region wie Germany West Central unterstützt wird oder ausschließlich West Europe beziehungsweise Sweden Central infrage kommen, war zum Zeitpunkt der Recherche nicht abschließend zu klären. Vor dem Einsatz mit personenbezogenen, Gesundheits- oder Mandantendaten sollten Sie das aktuell bei Microsoft beziehungsweise Ihrem Azure-Ansprechpartner prüfen lassen.

Für Kanzleien, Praxen und Kundenservice-Teams ist damit nicht die Technologie der begrenzende Faktor, sondern die saubere Einwilligungs- und Informationskette. Das sollte in jedem Projekt vor der ersten Kostenrechnung geklärt sein – idealerweise mit anwaltlicher Prüfung, da die hier zusammengefassten Vorgaben aus Rechtsratgeber-Quellen stammen und keine aktuelle Gerichtsentscheidung oder Aufsichtsbehörden-Richtlinie aus 2026 ersetzen.

In der praktischen Umsetzung bedeutet das meist einen kurzen, aber verpflichtenden Ansage-Text vor jedem aufgezeichneten Kundengespräch: Hinweis auf die Aufzeichnung, Zweck, eingesetzten Auftragsverarbeiter und die Möglichkeit, das Gespräch ohne Aufzeichnung fortzusetzen. Erst nach einer aktiven Bestätigung – etwa durch Tastendruck oder ein ausdrückliches "Ja, einverstanden" – darf die Transkription starten. Wird dieser Schritt übersprungen oder nur beiläufig erwähnt, ist die gesamte nachgelagerte Automatisierung rechtlich angreifbar, unabhängig davon, wie günstig oder genau das eingesetzte Modell ist.

Was Sie aus dem Preissturz für Ihre Strategie mitnehmen sollten

Ein Punkt, der in der Berichterstattung oft untergeht: Der 0,10-Dollar-Preis ist laut Microsoft ein zeitlich befristeter Einführungspreis, gültig bis zum 31. Dezember 2026. Danach ist mit einer Preisanpassung zu rechnen. Wer jetzt ein Pilotprojekt kalkuliert, sollte diesen Umstand einpreisen und keine dauerhafte Preisgarantie unterstellen.

Gleichzeitig setzt der Preissturz die etablierten Anbieter – Deepgram, ElevenLabs, OpenAI, Google – spürbar unter Druck. Mittelfristig sind daher weitere Preissenkungen bei konkurrierenden Produkten wahrscheinlich. Für Sie als Mittelständler bedeutet das: Binden Sie sich nicht langfristig an einen einzelnen Anbieter, sondern bauen Sie Ihre Lösung so, dass Sie von wettbewerbsbedingt fallenden Preisen profitieren können, ohne die gesamte Integration neu aufsetzen zu müssen.

Zusammengefasst heißt das: Die ASR-Kosten selbst sind für die meisten Mittelstandsbetriebe inzwischen zu vernachlässigen. Der eigentliche Business Case liegt im Wegfall manueller Nachbearbeitung – Protokoll, Nachfass, CRM-Pflege –, die ein Vielfaches der reinen Gesprächszeit kostet. Und der eigentliche Flaschenhals ist nicht die Technik, sondern die rechtssichere Einwilligung und die passende EU-Datenregion. Wer diese drei Punkte in dieser Reihenfolge angeht, kann den Preissturz bei der KI-Transkription tatsächlich in einen spürbaren Zeitgewinn übersetzen.

Praktisch bedeutet das für Ihre nächsten Schritte: Prüfen Sie zunächst, wie viele Meetings und Kundengespräche in Ihrem Betrieb tatsächlich regelmäßig nachbereitet werden müssen, und wie viel Mitarbeiterzeit dafür aktuell draufgeht – meist reicht dafür schon eine Woche ehrliche Selbstbeobachtung im Team. Klären Sie parallel mit Ihrer Rechtsabteilung oder einem spezialisierten Anwalt, welche Einwilligungsprozesse Sie für Ihre konkreten Gesprächssituationen benötigen, und ob eine EU-Data-Zone-Konfiguration für Ihren Anwendungsfall erforderlich ist. Erst wenn diese beiden Fragen beantwortet sind, lohnt sich die Detailentscheidung zwischen einer fertigen SaaS-Lösung, einer eigenen API-Integration auf Basis von MAI-Transcribe-2 oder einem anderen Anbieter. Angesichts der Geschwindigkeit, mit der sich die Preise und Fähigkeiten in diesem Markt aktuell verändern, ist es ratsam, die Entscheidung so zu treffen, dass sich das zugrunde liegende Transkriptionsmodell später austauschen lässt, ohne dass Sie Ihren gesamten Workflow neu aufbauen müssen.