Wer heute eine Sitzung aufnehmen und in Text verwandeln will, hat die Wahl zwischen Dutzenden Werkzeugen. Die Spracherkennung ist gut geworden, und sie wird jedes Jahr besser. Genau deshalb ist sie nicht mehr das, worüber man sprechen sollte.
Interessant wird es davor und danach. Davor: unter welchen Bedingungen eine Aufnahme entsteht. Danach: was aus dem Gesprochenen wird. Beides entscheidet darüber, ob am Ende ein brauchbares Protokoll vorliegt oder eine lange Textdatei, die niemand liest.
Schweizerdeutsch ist eine echte Hürde, aber nicht die grösste
Dass ein System Berndeutsch, Baseldytsch oder Walliserdeutsch zuverlässig versteht, ist keine Selbstverständlichkeit. Es ist Arbeit, und die meisten allgemeinen Werkzeuge scheitern daran, weil ihre Modelle auf Hochdeutsch trainiert sind und Dialekt als Rauschen behandeln.
Diese Hürde lässt sich nehmen. Sie ist eine Frage von Trainingsdaten, Auswertung und Geduld.
Die schwierigere Frage kommt danach: In einer Schweizer Gremiensitzung wird selten nur eine Sprache gesprochen. Ein Traktandum beginnt auf Hochdeutsch, weil die Unterlagen so verfasst sind. Die Diskussion kippt in den Dialekt, sobald es konkret wird. Die Kollegin aus der Romandie antwortet auf Französisch. Die Fachbegriffe sind ohnehin englisch.
Dieses Code-Switching innerhalb eines einzigen Satzes ist der Normalfall, nicht die Ausnahme. Ein System, das nur zwischen Sprachen umschalten kann, aber nicht mitten im Satz, produziert an genau diesen Stellen Unsinn. Und es sind oft die Stellen, an denen entschieden wird.
Was in echten Sitzungen passiert
Die folgenden Situationen klingen nach Randfällen. In der Praxis treten sie regelmässig auf, und jede einzelne kann eine Aufnahme unbrauchbar machen.
Die Aufnahme bricht ab. Ein Mobilgerät verliert mitten in der Diskussion das Netz, der Akku ist leer, ein Tab wird versehentlich geschlossen, oder die Person, die aufnimmt, muss früher weg. Wenn die Aufnahme nur im Arbeitsspeicher läuft und beim Abbruch verloren geht, ist die Sitzung weg. Deshalb sichert die Live-Aufnahme in HeyEla laufend, alle fünf Sekunden. Ein Abbruch kostet dann höchstens Sekunden, nicht die Sitzung.
Die Sitzung dauert acht Stunden. Ein Strategieworkshop mit zwei Stunden Mittagspause in der Mitte ist keine Sitzung im technischen Sinn, sondern zwei, die zusammengehören. Wer Pausen nicht vorsieht, bekommt entweder zwei unverbundene Aufnahmen oder eine mit zwei Stunden Stille.
Am Ende liegen sieben Stunden Audio da. Das ist eine andere Aufgabe als vierzig Minuten. Verarbeitungszeit, Kosten und Fehleranfälligkeit steigen nicht linear, und wer nur mit kurzen Testsitzungen entwickelt hat, merkt das erst beim ersten echten Workshop.
Das Gerät liegt ungünstig. Ein Mikrofon am Kopfende eines langen Tisches hört die andere Hälfte des Gremiums schlechter. Das lässt sich technisch abfedern, aber nur, wenn man damit rechnet.
Wo aufgenommen wird, ist eine eigene Frage
Gremien sitzen heute nicht mehr nur in einem Raum. Dieselbe Organisation nimmt im Sitzungszimmer auf, das nächste Mal in Microsoft Teams, das übernächste Mal in Google Meet, und beim Quartalsmeeting sitzt die halbe Runde im Raum und die andere Hälfte im Call.
Jede dieser Konstellationen klingt anders und braucht einen eigenen Weg ins System. Eine Raumaufnahme hat Hall und Nebengeräusche, aber saubere Sprecherwechsel. Eine Konferenzaufnahme hat sauberen Ton, aber Latenz und Überlappungen. Eine hybride Sitzung hat beides gleichzeitig, und die Leute im Raum sind leiser als die im Call.
Wer nur einen dieser Fälle unterstützt, unterstützt in der Praxis keinen. Deshalb deckt HeyEla alle drei ab: Aufnahme im Browser und über das Gerät für die Sitzung im Raum, ein Bot, der Teams- und Meet-Sitzungen direkt beitritt, und beides zusammen für die hybride Runde.
Vom Gesprochenen zum Protokoll
Selbst ein perfektes Transkript ist noch kein Protokoll. Der Unterschied ist nicht sprachlicher Natur, er ist rechtlicher: Art. 713 OR verlangt eine Dokumentation der Verhandlungen und Beschlüsse, nicht eine Mitschrift des Gesprächs.
In der Praxis ist der Unterschied noch grösser, als es klingt. In einer Verwaltungsratssitzung klingt ein Beschluss selten wie ein Beschluss. Er klingt nach «Ja gut, dann machen wir das so». Davor liegen zwanzig Minuten Diskussion, danach drei Wörter Entscheid.
Wer nur das Gesprochene hat, kann diese drei Wörter nicht von den zwanzig Minuten unterscheiden. Wer die Traktanden kennt, die Unterlagen gelesen hat und weiss, was das Gremium beim letzten Mal vertagt hat, kann es.
Genau darin liegt der Unterschied zwischen einem Notiz-Werkzeug und einem Governance-Werkzeug: nicht im grösseren Sprachmodell, sondern im Kontext, den es kennt. Warum generische Notiz-Tools im Gremium an weiteren Punkten scheitern, haben wir separat beschrieben.
Was beim Gremium bleibt
Automatisierbar sind Aufnahme, Transkription, Strukturierung und der Entwurf. Nicht automatisierbar ist die Verantwortung.
Ob eine Formulierung den Beschluss korrekt wiedergibt, ob ein Vorbehalt festgehalten gehört, ob ein Interessenkonflikt dokumentiert werden muss: das entscheidet das Gremium. Die KI schlägt vor, geprüft und verabschiedet wird von Menschen. Nach Art. 713 Abs. 3 OR unterzeichnen am Ende die vorsitzende Person und die Protokollführung.
Das ist keine Einschränkung, sondern die richtige Arbeitsteilung. Sie verschiebt die Zeit dorthin, wo sie etwas bewirkt: weg vom Abtippen, hin zum Prüfen.
Fazit
Die Frage, ob eine KI Schweizerdeutsch versteht, ist heute die falsche Frage. Sie versteht es, mit unterschiedlicher Qualität, und der Abstand wird kleiner.
Die richtige Frage lautet: Was passiert, wenn die Sitzung nicht so verläuft wie im Demo-Video? Wenn die Verbindung abbricht, wenn die Sprache wechselt, wenn aus einer Sitzung ein Workshop wird. Und was passiert danach mit dem, was aufgenommen wurde.
Genau dort entscheidet sich, ob am Ende ein Protokoll entsteht.
Häufige Fragen
Kann KI Schweizerdeutsch transkribieren? Ja. Die Qualität unterscheidet sich je nach Dialekt und Aufnahmesituation deutlich. Entscheidend ist weniger, ob ein System Dialekt grundsätzlich versteht, sondern wie es mit Sprachwechseln innerhalb einer Sitzung umgeht.
Was passiert, wenn die Verbindung während der Sitzung abbricht? Bei HeyEla wird die Aufnahme laufend gesichert, alle fünf Sekunden. Ein Verbindungsabbruch, ein leerer Akku oder ein geschlossener Tab kostet damit höchstens die letzten Sekunden, nicht die Sitzung.
Funktioniert die Aufnahme auch in Microsoft Teams oder Google Meet? Ja. Ein Bot tritt der Teams- oder Meet-Sitzung direkt bei und nimmt auf. Sitzungen im Sitzungszimmer nehmen Sie über Browser oder Gerät auf, und hybride Runden mit Teilnehmenden im Raum und im Call funktionieren ebenso.
In welcher Sprache entsteht das Protokoll bei einer mehrsprachigen Sitzung? Das Protokoll wird in der von der Organisation festgelegten Protokollsprache erstellt, unabhängig davon, welche Sprachen in der Sitzung gesprochen wurden.