Ein Beratungsgespräch hinterlässt selten nur Worte. Dazu kommen die Skizze auf dem Notizblock, das Foto vom Whiteboard, die Rechnung oder der Vertrag, über den gesprochen wurde. Wer danach ein sauberes Dokument braucht, sammelt Material aus mehreren Kanälen ein. Genau hier setzt das multimediale Diktieren an: Das Gespräch bleibt die Hauptquelle, Foto und Dokument liefern den Kontext.
In diesem Artikel ordnen wir ein, was am Markt bereits üblich ist, was für Berater und Praxen realistisch ist, wo die Grenzen liegen und wie ein sinnvoller Ablauf aussieht.
Das Problem: Verstreute Notizen, Fotos und PDFs
Nach einem Termin liegen typischerweise eine Sprachaufnahme, ein paar Handyfotos und ein oder mehrere Dateien an verschiedenen Orten. Das eigentliche Dokument, etwa ein Protokoll, ein Bericht oder eine Gesprächsnotiz, muss trotzdem von Hand zusammengesetzt werden. Ein reines Transkript hilft dabei nur begrenzt. Warum die Verdichtung wichtiger ist als das Abtippen, haben wir in Sprachaufnahmen strukturieren bereits ausführlich beschrieben.
Marktbild: Im Handwerk ist Sprache plus Foto längst Standard
Im Handwerk und auf der Baustelle ist die Kombination aus Sprache, Foto und Datei bereits verbreitet. Einige Beispiele mit Stand:
- KraftHub: Laut Anbieter lassen sich PDFs, Word oder Excel über das Büroklammer-Symbol anhängen, Sprachnachrichten werden aufgenommen, transkribiert und beantwortet. Ausserdem schreibt die KI laut Anbieter die Dokumentation aus Sprachnotizen, GPS-Zeiten und Fotos. Quelle: KraftHub.
- ToolTime Echo: Die App verwandelt laut Play-Store-Eintrag Stimme und Fotos in strukturierte Arbeitsberichte und ist offline-fähig (Eintrag aktualisiert am 23.10.2026). Quelle: Google Play.
- Phase0 (ehemals Compa): Sprachnachrichten werden automatisch transkribiert. Der Preis liegt laut Anbieter bei 80 Euro pro Nutzer und Monat im Jahresabo oder 100 Euro monatlich. Quelle: Phase0. Dass Compa seit Frühjahr 2026 unter dem Namen Phase0 firmiert, steht in einem Fachartikel von internet-fuer-architekten.de (der Artikel stammt von August 2025 und ist damit älter als sechs Monate).
- Das Programm: Hier sind Arbeitsbericht und Rechnungserkennung getrennte Funktionen. Die KI erkennt laut Anbieter Lieferant, Rechnungsnummer sowie Netto- und Brutto-Summe. Quelle: Das Programm.
Das sind Lösungen für Bau und Handwerk. Für Berater und Praxen haben wir auf den gesichteten Seiten keinen Anbieter gefunden, der Sprache und Dokumente gezielt zu einem Beratungs- oder Praxisdokument verbindet. Auch Meeting.ai, das Folge-Dokumente wie Protokolle aus Gesprächen erzeugt, nennt als Eingabe nur Audio- und Videodateien. Quelle: Meeting.ai.
Was bei sprichmal belegt ist
Wir bleiben hier bewusst bei dem, was sich aus unseren AGB und der Website belegen lässt:
- Upload verschiedener Dateitypen: Die AGB nennen den Upload von Audio-, Video-, Bild- und Textdateien. Im Pro-Plan kommen Video-Upload und Audio-Extraktion hinzu.
- Eigene Vorlagen aus Beispieldokumenten: Du kannst ein bis drei bestehende Dokumente hochladen (Word, PDF, Markdown oder Text). Die KI liest laut Website Aufbau, Gliederung und Tonfall heraus, nicht die Inhalte. Das Ergebnis erscheint dann in deiner Hausform.
- Teilen per Link: Jeder Link kann laut englischer Website ein Ablaufdatum tragen und jederzeit widerrufen werden.
Wichtig für die Erwartung: Die inhaltliche Auswertung von Rechnungen, Verträgen oder Skizzen und deren Verschmelzung mit der Sprachaufnahme beschreiben wir hier nicht als gesichertes Feature. Belegt ist der Upload von Bild- und Textdateien. Prüfe vor einem produktiven Einsatz im Gratis-Plan selbst, was mit deinen Dateien passiert.
Ein Beispiel-Szenario (selbst formuliert, keine Messung)
Eine Beraterin führt ein Gespräch mit einem Kunden. Während des Termins entsteht eine Skizze, danach nimmt sie eine kurze Sprachnotiz auf: Ausgangslage, Entscheide, offene Punkte, nächste Schritte. Aus der Aufnahme entsteht ein Protokoll im gewünschten Raster. Foto oder Datei dienen ihr als Gedächtnisstütze und Anhang. Das Dokument prüft sie und teilt es per Link. Das Beispiel ist erfunden und zeigt nur den Ablauf, keine Zeitersparnis.
Der Ablauf in fünf Schritten
- Aufnehmen: per Browser oder Mobilgerät, Sprache auch Schweizerdeutsch.
- Material ergänzen: Bild- oder Textdateien hinzufügen, soweit der Funktionsumfang dies für deinen Fall abdeckt.
- Vorlage wählen: Protokoll, Brief, To-Dos, E-Mail oder die eigene Firmen-Vorlage.
- Prüfen: Namen, Zahlen und Fachbegriffe kontrollieren.
- Teilen: als Link, mit Ablaufdatum.
Grenzen und Sorgfalt
Prüfpflicht. Laut AGB ist der Nutzer verpflichtet, die Ergebnisse vor Verwendung selbst zu prüfen. Auch andere Anbieter sagen das: Das Programm empfiehlt, die Texte gegenzuprüfen, weil es sich um rechtsrelevante Texte handelt (Das Programm).
Einwilligung bei Fotos und sensiblen Daten. Die WKO Österreich weist darauf hin, dass bei Fotos und Gesundheits- oder Zusatzdaten eine Zustimmung sinnvoll ist, und dass DSGVO-Konformität und europäische Datenspeicherung eine eigene Prüfung nicht ersetzen (WKO). Das gilt besonders für Praxen und Berufsgeheimnisträger.
Datenverarbeitung transparent. Konto und Dokumente werden laut sprichmal.ch/buero in der Schweiz gespeichert (Rechenzentrum Zürich). Spracherkennung (ElevenLabs), Texterstellung (Google Gemini) sowie Chat, Zusatzformate und Vorlagen-Analyse (OpenAI) laufen bei Anbietern in den USA, vertraglich als Auftragsverarbeiter gebunden. Ein KI-Training mit deinen Inhalten findet nicht statt. Wer besonders schützenswerte Informationen verarbeitet, sollte das vorab mit der eigenen Datenschutzstelle klären. Mit «lokal» oder «Datensouveränität» wäre das nicht korrekt beschrieben.
Ähnliche Hintergründe zur Praxis-Dokumentation findest du in unserem Leitfaden Anamnese diktieren und im Vergleich der KI-Diktat-Tools für die Schweiz.
Kosten im Überblick
Laut Website kostet Pro CHF 14 pro Monat oder CHF 99 pro Jahr. Für Teams nennt die Büro-Seite CHF 790 pro Jahr für 5 Personen. Zum Vergleich: Phase0 verlangt 80 Euro pro Nutzer und Monat im Jahresabo, ist aber ein anderer Produkttyp (Bauleitung), und Meeting.ai liegt bei US$30 bis US$70 pro Monat (Meeting.ai). Ein direkter Preisvergleich ist daher nur bedingt aussagekräftig.
Fazit
Sprache, Foto und Dokument gemeinsam zu verarbeiten, ist im Handwerk Standard und für Berater und Praxen ein naheliegender nächster Schritt. Entscheidend ist, dass das Gespräch die Hauptquelle bleibt und das Ergebnis ein lesbares, geprüftes Dokument ist. Wer Dateien einbezieht, sollte Funktionsumfang, Datenverarbeitung und Einwilligungen vorher klären.
Unsere Einschätzung
Offenlegung: Dieser Abschnitt ist eine redaktionelle Einschätzung von sprichmal.ch — eine Meinung, die die oben belegten Fakten einordnet, aber keine neuen Fakten oder Zahlen einführt. sprichmal.ch ist selbst Anbieter in diesem Markt; wir vergleichen offen und fair, statt Wettbewerber schlechtzureden.
Aus unserer Sicht liegt der Wert multimodalen Diktierens nicht in möglichst vielen Eingabekanälen, sondern darin, dass am Ende ein Dokument steht, das du in deiner gewohnten Form prüfen und weitergeben kannst. Die Handwerks-Anbieter zeigen, dass die Richtung stimmt. Für Berater und Praxen sehen wir eine echte Lücke, wollen sie aber nicht mit Versprechen füllen, die wir heute nicht belegen: Belegt ist bei uns der Upload von Bild- und Textdateien sowie die Vorlage aus eigenen Beispieldokumenten, nicht die Auswertung von Rechnungen und Verträgen im Verbund mit der Sprachaufnahme.
Unsere Empfehlung: Teste mit einem unkritischen Beispielgespräch im Gratis-Plan, ob der Funktionsumfang zu deinem Alltag passt. Wenn du mit Berufsgeheimnis arbeitest, kläre vorher Einwilligung und Datenverarbeitung, denn die KI-Verarbeitung läuft teils bei Anbietern in den USA. Die Wettbewerber im Handwerk sind für ihren Zweck gut aufgestellt, nur eben für andere Zielgruppen gebaut.
Wenn du ausprobieren möchtest, wie aus einer Sprachnotiz ein strukturiertes Dokument in deiner Vorlage wird, kannst du das im Gratis-Plan mit einem eigenen Beispiel testen: in 4 Fragen herausfinden, was SprichMal dir bringt.