*Dieser Beitrag basiert auf einem YouTube-Video von Sophie Hundertmark, Expertin für den Einsatz von Künstlicher Intelligenz mit Fokus auf Chatbots und strategische AI-Anwendungen in Unternehmen und öffentlichen Institutionen. Sophie ist Forscherin und Dozentin an der Hochschule Luzern und promoviert im Bereich Conversational AI an der Universität Fribourg. Der Blogtext wurde mithilfe eines Custom GPT-Modells erstellt, das auf Sophies Video-Inhalte, Sprachstil und Fachwissen trainiert wurde. So entstehen fundierte, aktuelle Beiträge auf Basis eigener Expertise von Sophie Hundertmark.
Den Link zum Video findet ihr am Ende dieses Beitrags.
ChatGPT, Gemini, Claude und andere KI-Assistenten verändern zunehmend, wie wir im Internet nach Informationen suchen. Statt eine Unternehmenswebsite aufzurufen und dort nach der passenden Information zu suchen, stellen viele Nutzer ihre Frage direkt an eine KI.
Damit stellt sich für Unternehmen eine durchaus berechtigte Frage: Brauchen wir überhaupt noch einen eigenen Chatbot?
Genau darüber habe ich in einer neuen Folge von „Sophies Next AI Talk“ mit Robert Weber, einem der Gründer von MoinAI, gesprochen. Robert beschäftigt sich seit über zehn Jahren mit Chatbots – von den ersten Facebook-Messenger-Bots bis hin zu heutigen AI Agents, die tief in Unternehmensprozesse integriert werden können.
Die kurze Antwort auf unsere Ausgangsfrage lautet: Ja, Unternehmenschatbots können weiterhin relevant sein. Allerdings müssen wir neu darüber nachdenken, welche Aufgaben sie übernehmen und welchen Mehrwert sie gegenüber allgemeinen KI-Assistenten bieten.
Die Customer Journey beginnt immer häufiger vor der Unternehmenswebsite
Lange Zeit war die Unternehmenswebsite einer der wichtigsten digitalen Ausgangspunkte einer Customer Journey. Nutzer suchten über Google nach einem Unternehmen, öffneten dessen Website und informierten sich dort über Produkte, Dienstleistungen oder Supportmöglichkeiten.
Generative KI verändert diesen Ablauf.
Eine Frage kann heute bereits in ChatGPT, Gemini, Claude oder einem anderen KI-Assistenten gestellt werden. Im besten Fall erhält der Nutzer dort direkt eine passende Antwort. Die Unternehmenswebsite – und damit auch der dort integrierte Chatbot – wird möglicherweise erst deutlich später oder überhaupt nicht besucht.
Dadurch gewinnen zwei Fragen an Bedeutung:
Wie schaffe ich es, dass mein Unternehmen in KI-Systemen sichtbar wird?
Und gleichzeitig:
Welchen zusätzlichen Mehrwert kann mein eigener Unternehmenschatbot bieten, wenn ein Nutzer doch auf meine Website kommt?
Genau an diesem zweiten Punkt wird es besonders spannend.
Einfache FAQ-Chatbots geraten zunehmend unter Druck
Wenn ein Chatbot lediglich einfache Fragen beantwortet, ist sein Mehrwert heute begrenzt.
Robert beschreibt im Gespräch beispielsweise klassische FAQ-Chatbots, die mit festen Entscheidungsbäumen arbeiten und teilweise sogar veraltete Antworten liefern. Gleichzeitig stehen Nutzern mit modernen Large Language Models leistungsfähige Systeme zur Verfügung, die viele typische First-Level-Fragen bereits sehr gut beantworten können.
Unternehmen sollten deshalb nicht nur fragen:
Brauchen wir noch einen Chatbot?
Die sinnvollere Frage lautet:
Welche Art von Chatbot brauchen wir?
Denn sobald ein Unternehmenschatbot mehr kann, als öffentlich zugängliche Informationen wiederzugeben, verändert sich seine Rolle.
Drei Entwicklungsstufen von Unternehmenschatbots
Im Gespräch unterteilt Robert Chatbots in drei unterschiedliche Entwicklungsstufen. Diese Einteilung finde ich besonders hilfreich, weil sie Unternehmen eine gute Orientierung dafür gibt, wo der tatsächliche Mehrwert eines eigenen Chatbots liegen kann.
1. FAQ-Chatbots
Die erste Stufe bilden klassische FAQ-Chatbots. Sie beantworten wiederkehrende Fragen und arbeiten teilweise noch mit relativ starren Entscheidungsbäumen.
Solche Bots können grundsätzlich hilfreich sein. Gleichzeitig stehen sie besonders stark im Wettbewerb mit ChatGPT und anderen generativen KI-Systemen. Denn wenn ein Nutzer dieselbe Antwort schneller und komfortabler über seinen bevorzugten KI-Assistenten erhält, gibt es wenig Grund, dafür einen separaten Unternehmenschatbot zu verwenden.
2. Lesende Chatbots
Die zweite Stufe geht einen Schritt weiter. Diese Chatbots können auf Informationen oder Systeme eines Unternehmens zugreifen und aktuelle Daten auslesen.
Ein Beispiel aus unserem Gespräch sind Flugdaten. Möchte ein Reisender wissen, ob sein Flug pünktlich startet oder sich der Abflug verändert hat, benötigt er aktuelle und verlässliche Informationen.
Genau hier kann ein Unternehmenschatbot einen Mehrwert schaffen: Er kennt nicht nur allgemeine Informationen, sondern greift auf unternehmensspezifische und gegebenenfalls aktuelle Daten zu.
3. Lesende und schreibende Chatbots
Besonders interessant wird es auf der dritten Stufe.
Hier liest der Chatbot nicht nur Informationen aus anderen Systemen aus, sondern kann innerhalb definierter Prozesse auch Aktionen durchführen.
Bei einem Energieversorger könnte ein Kunde beispielsweise seinen Zählerstand direkt im Dialog übermitteln oder bestimmte Daten zu seiner Rechnung ändern. Statt sich durch verschiedene Masken und Formulare zu klicken, wird der Chat selbst zur Benutzeroberfläche.
Genau darin liegt ein entscheidender Unterschied zu einem reinen Frage-Antwort-System: Der Chatbot beantwortet nicht nur Fragen, sondern hilft dabei, Aufgaben tatsächlich zu erledigen.
Vom allgemeinen Chatbot zum spezialisierten AI Agent
Ein spannendes Praxisbeispiel aus unserem Gespräch ist der Flughafen Nürnberg.
Dort werden spezialisierte AI Agents für unterschiedliche Aufgaben eingesetzt. Dazu gehören beispielsweise Spezialisten für Gepäck, Parken oder Check-in. Jeder Agent besitzt einen klar abgegrenzten Aufgabenbereich und arbeitet mit einer definierten Wissensbasis, die vom Flughafen gepflegt und weiterentwickelt wird.
Das zeigt eine wichtige Entwicklung: Unternehmen müssen nicht unbedingt einen einzigen KI-Assistenten bauen, der sofort alles können soll.
Stattdessen können verschiedene spezialisierte Agents entstehen.
Ein Agent kennt sich besonders gut mit Gepäckfragen aus. Ein anderer unterstützt beim Parken. Ein weiterer beantwortet Fragen zum Check-in.
Dadurch lässt sich KI schrittweise in bestehende Prozesse integrieren.
Warum Unternehmen nicht sofort den perfekten AI Agent brauchen
Gerade bei KI-Projekten entsteht schnell der Anspruch, von Anfang an möglichst viele Anwendungsfälle abzudecken. Das kann Projekte allerdings unnötig komplex machen.
Im Podcast empfiehlt Robert deshalb einen iterativen Ansatz: einen AI Agent nach dem anderen aufbauen und das System schrittweise erweitern.
Für Unternehmen ist das aus meiner Sicht ein wichtiger Punkt.
Ihr müsst nicht sofort sämtliche Prozesse automatisieren. Startet stattdessen mit einem klar abgegrenzten Use Case, bei dem ein tatsächlicher Mehrwert für eure Kunden oder Mitarbeitenden entsteht.
Wenn dieser funktioniert, könnt ihr den nächsten Prozess ergänzen.
So entsteht mit der Zeit ein System aus spezialisierten AI Agents, statt ein riesiges KI-Projekt aufzusetzen, das bereits beim Start sämtliche Anforderungen erfüllen soll.
Gute Daten bleiben die Grundlage
Wer einen leistungsfähigen AI Agent entwickeln möchte, kommt an einem Thema nicht vorbei: der eigenen Wissensbasis.
Robert bezeichnet diesen Schritt im Gespräch sinngemäß als die Hausaufgaben, die Unternehmen zuerst erledigen müssen. Die Informationen sollten gepflegt, strukturiert und in einem maschinenlesbaren Format verfügbar sein.
Ideal können beispielsweise strukturierte Datenbanken, Tabellen oder JSON-Dateien sein. Auch PDFs können als Wissensquelle dienen, sollten dann aber möglichst gut maschinell verarbeitbaren Text enthalten.
Der erste Schritt besteht deshalb häufig darin, unterschiedliche Quellen zu vereinheitlichen und eine möglichst zentrale Wissensbasis aufzubauen.
Danach könnt ihr euch fragen:
Welche Aktionen möchten wir automatisieren? Welche Prozesse eignen sich überhaupt dafür? Wo benötigen wir weiterhin einen Menschen? Und welche Schnittstellen stehen bereits zur Verfügung?
APIs, Webhooks und MCP verbinden den Chatbot mit Unternehmenssystemen
Soll ein Chatbot nicht nur Fragen beantworten, sondern Aktionen durchführen, benötigt er Zugriff auf weitere Systeme.
Hier kommen beispielsweise APIs oder Webhooks ins Spiel. Darüber können Anwendungen Informationen miteinander austauschen oder Aktionen anstoßen.
Im Gespräch spielt außerdem das Model Context Protocol (MCP) eine Rolle. Vereinfacht gesagt schafft MCP eine standardisierte Möglichkeit, KI-Anwendungen mit externen Datenquellen, Tools und Systemen zu verbinden.
Diese technische Ebene wird besonders relevant, wenn aus einem Chatbot ein tatsächlicher AI Agent werden soll.
Denn ein Agent muss nicht nur wissen, was zu tun ist. Er benötigt auch die entsprechenden Schnittstellen, um die gewünschte Aktion innerhalb eines Unternehmenssystems ausführen zu können.
Wenn der Chatbot aus Gesprächen lernt, was noch fehlt
Ein weiterer interessanter Ansatz aus unserem Gespräch ist das sogenannte „Dreaming“ bei MoinAI.
Dabei werden vergangene Nutzerkonversationen ausgewertet, um mögliche Blind Spots zu identifizieren. Das System analysiert beispielsweise Situationen, in denen ein Chatbot keine gute Antwort liefern konnte oder Nutzer mit einer Antwort unzufrieden waren.
Für Unternehmen sind solche Informationen besonders wertvoll.
Denn Chatbot-Konversationen zeigen sehr unmittelbar, was Kunden tatsächlich wissen oder erledigen möchten.
Statt die Weiterentwicklung eines Bots ausschließlich auf internen Annahmen aufzubauen, können reale Nutzerinteraktionen Hinweise darauf geben, welche Informationen fehlen und welche zusätzlichen Funktionen sinnvoll sein könnten.
Damit wird der Chatbot gleichzeitig zu einer Quelle für Customer Insights.
Kontrolle und Datenhoheit werden zum Differenzierungsmerkmal
Neben Funktionen und Integrationen spielt noch ein weiterer Faktor eine wichtige Rolle: die Kontrolle über die eingesetzte KI.
Gerade für europäische Unternehmen sind Datenschutz, DSGVO und regulatorische Anforderungen zentrale Themen. Im Gespräch betont Robert deshalb die Bedeutung europäischer KI-Anbieter und einer europäischen KI-Landschaft.
Für Unternehmenschatbots bedeutet das: Es geht nicht ausschließlich darum, möglichst leistungsfähige generative KI einzusetzen.
Unternehmen müssen sich ebenfalls damit beschäftigen, welche Daten verarbeitet werden, wo sie verarbeitet werden, auf welche Informationen ein System zugreifen darf und wie kontrollierbar die Antworten und Aktionen des Systems bleiben.
Gerade wenn AI Agents tiefer in Unternehmenssysteme integriert werden, gewinnen diese Fragen zusätzlich an Bedeutung.
Die Zukunft gehört nicht unbedingt dem Chatbot – sondern dem Agent
Brauchen Unternehmen also noch Chatbots?
Ich denke, die Antwort hängt stark davon ab, was wir unter einem Chatbot verstehen.
Ein einfacher FAQ-Bot, der lediglich öffentlich verfügbare Informationen wiedergibt, wird es zunehmend schwer haben. ChatGPT, Gemini, Claude und andere Systeme können viele dieser Fragen bereits komfortabel beantworten.
Interessanter wird es dort, wo ein Unternehmenschatbot Dinge kann, die ein allgemeiner KI-Assistent nicht ohne Weiteres leisten kann.
Er kennt aktuelle unternehmensinterne Informationen. Er greift kontrolliert auf bestimmte Daten zu. Er kennt den Kontext des jeweiligen Unternehmens. Und vor allem: Er kann Aktionen ausführen.
Damit verschiebt sich die Diskussion vom klassischen Chatbot hin zum AI Agent.
Für Unternehmen bedeutet das nicht, dass sie jetzt möglichst schnell einen riesigen AI Agent entwickeln müssen. Viel sinnvoller ist es, mit einem konkreten Anwendungsfall zu starten, die eigene Datenbasis aufzuräumen und anschließend Schritt für Schritt weitere Prozesse anzubinden.
Denn die entscheidende Frage für die kommenden Jahre lautet möglicherweise nicht mehr: „Brauchen wir einen Chatbot?“
Sondern: „Welche Aufgaben können unsere AI Agents für Kunden und Mitarbeitende tatsächlich übernehmen?“ Unterrichten!
Weitere Fragen?
Ihr habt Fragen dazu? Gerne unterstütze ich euch, stehe als Sparring-Partner zur Verfügung und beantworte eure Fragen. Ich freue ich mich immer über eure Nachrichten, am liebsten per WhatsApp Nachricht oder als E-Mail.
