Was Microsoft am 4. September veröffentlicht hat
MAI-Transcribe-2 ist laut Microsoft das schnellste, genaueste und günstigste Spracherkennungsmodell am Markt. Der Einführungspreis von 0,10 US-Dollar pro Audiostunde gilt befristet bis zum 31. Dezember 2026 und liegt 72 Prozent unter dem Preis des Vorgängermodells MAI-Transcribe-1 (0,36 US-Dollar). Laut eigenen Benchmark-Angaben erreicht das Modell eine durchschnittliche Wortfehlerrate von 5,2 Prozent über 60 Sprachen im FLEURS-Test und verarbeitet Audio bis zu zehnmal schneller als vergleichbare Modelle von OpenAI, Google und ElevenLabs. Zu den technischen Funktionen zählen Sprechererkennung (Diarisierung), konfigurierbare Transkriptionsstile und wortgenaue Zeitstempel.
Microsoft nennt eine breite Palette an Anwendungsfällen: klinische Notizerstellung, juristische Dokumentation, Barrierefreiheit und Untertitelung, Sprachagenten, Call-Center-Analyseplattformen und Medienarchive – und ausdrücklich auch „Meeting Assistants“. Genau diese Kategorie steht im Mittelpunkt unserer Analyse von vor zwei Wochen.
Zur Erinnerung: die rechtliche Ausgangslage nach § 201 StGB
In unserem Artikel vom 22. August 2026 haben wir gezeigt, dass eine US-Klage gegen das Meeting-Tool Fireflies ein Problem sichtbar machte, das in Deutschland eine ganz andere rechtliche Schärfe hat: § 201 StGB stellt die unbefugte Aufnahme des nichtöffentlich gesprochenen Worts unter Strafe, mit Freiheitsstrafe bis zu drei Jahren oder Geldstrafe. Juristische Analysen zu KI-gestützter Meeting-Transkription kommen zu dem Ergebnis, dass die meisten marktüblichen Tools das Audiosignal technisch zwischenspeichern, statt es rein flüchtig im Arbeitsspeicher zu verarbeiten – womit der Straftatbestand regelmäßig eröffnet ist, wenn keine wirksame Einwilligung aller Beteiligten vorliegt. Im Arbeitsverhältnis ist diese Einwilligung praktisch schwer zu erreichen, weil es Mitarbeitenden gegenüber Vorgesetzten häufig an der dafür nötigen Freiwilligkeit fehlt.
Warum eine Kostensenkung das Risiko nicht verringert
Man könnte annehmen, eine technische Verbesserung bei der zugrunde liegenden Spracherkennung habe nichts mit der rechtlichen Bewertung zu tun – und das stimmt auf den ersten Blick. Die eigentliche Konsequenz liegt aber in der Marktdynamik, die eine solche Kostensenkung auslöst: Wenn die Basistechnologie für Sprachtranskription um 72 Prozent günstiger wird, sinkt die Einstiegshürde für jedes Unternehmen und jeden Softwareanbieter, ein eigenes Meeting-Transkriptions-Feature zu entwickeln oder ein bestehendes günstiger anzubieten. Das bedeutet praktisch mehr Tools, mehr Anbieter, mehr Integrationen in bestehende Videokonferenz-Software – und damit eine größere Zahl von Unternehmen, die sich der in unserem vorherigen Artikel beschriebenen Rechtslage überhaupt erst bewusst werden müssen, weil sie ein entsprechendes Feature erstmals einsetzen oder anbieten.
Diese Dynamik ist nicht spekulativ, sondern folgt einem Muster, das sich bei praktisch jeder deutlichen Kostensenkung einer Basistechnologie zeigt: Sinken die Kosten für eine Kernkomponente drastisch, verbreitert sich die Anwendung dieser Komponente in der Breite, oft schneller als die begleitende rechtliche und organisatorische Aufklärung mithalten kann. Für Meeting-Transkription bedeutet das konkret: Mehr Unternehmen werden in den kommenden Monaten erstmals oder verstärkt KI-Mitschriften einsetzen, viele davon ohne die Frage der wirksamen Einwilligung aller Beteiligten aktiv geprüft zu haben.
Zwei unabhängige Fragen, die getrennt bleiben
Die technische Kostenfrage – wie schnell, genau und günstig ein Spracherkennungsmodell arbeitet – und die rechtliche Einwilligungsfrage – ob alle an einem Gespräch Beteiligten wirksam der Aufzeichnung zugestimmt haben – sind vollständig unabhängig voneinander. Ein technisch besseres, günstigeres Modell wie MAI-Transcribe-2 macht ein Meeting-Tool nicht automatisch datenschutz- oder strafrechtlich konformer. Es macht das zugrunde liegende Werkzeug lediglich attraktiver und zugänglicher für mehr Anwendungsfälle – und verschiebt damit die Verantwortung, die Einwilligungsfrage aktiv zu klären, auf eine wachsende Zahl von Unternehmen, die dieses Werkzeug neu oder intensiver einsetzen.
Für Unternehmen unserer Zielgruppe, die möglicherweise durch die niedrigeren Kosten erstmals über den Einsatz eines KI-Meeting-Tools nachdenken oder ein bestehendes Tool ausweiten wollen, ist das ein doppelter Anlass zur Vorsicht: Die Versuchung, ein günstiges neues Feature einfach zu aktivieren, wächst mit sinkenden Kosten – während die rechtliche Prüfung, die dafür nötig wäre, unabhängig vom Preis dieselbe bleibt.
Was daraus praktisch folgt
- Bei jeder neuen oder erweiterten Nutzung von KI-Meeting-Tools – unabhängig davon, ob sie durch eine Kostensenkung wie diese ausgelöst wird – die Einwilligungsfrage nach § 201 StGB aktiv und dokumentiert klären, bevor das Tool im Regelbetrieb eingesetzt wird.
- Prüfen, ob eigene Softwareanbieter oder Videokonferenz-Plattformen als Reaktion auf günstigere Basistechnologie wie MAI-Transcribe-2 neue Transkriptions-Features einführen oder bestehende ausweiten, und diese Änderungen aktiv in die eigene Compliance-Prüfung einbeziehen, statt sie unbemerkt im Hintergrund laufen zu lassen.
- Eine sinkende Preisschwelle nicht als Signal verstehen, dass ein Tool dadurch rechtlich unbedenklicher wird – die Kosten- und die Rechtsfrage sind, wie gezeigt, vollständig getrennt zu behandeln.
- Gerade bei Kündigungs-, Beurteilungs- oder Konfliktgesprächen weiterhin besonders kritisch prüfen, ob eine im Arbeitsverhältnis erteilte Einwilligung tatsächlich freiwillig zustande kommt – unabhängig davon, wie kostengünstig oder technisch ausgereift das eingesetzte Transkriptionsmodell im Hintergrund ist.
Der eigentliche Wert dieser Analyse liegt nicht in einer Kritik an Microsofts neuem Modell – eine günstigere, präzisere Spracherkennung ist für viele legitime Anwendungsfälle ein echter Fortschritt. Der Punkt ist, dass technische Kostensenkungen bei einer Basistechnologie und rechtliche Compliance-Fragen bei ihrer Anwendung zwei getrennte Dimensionen sind, die in der öffentlichen Wahrnehmung leicht vermischt werden – eine günstigere Technologie fühlt sich unbedenklicher an, ist es aber rechtlich nicht automatisch.