Durch generative Modelle gespeiste Chatbots: vom skriptbasierten FAQ zu agierenden Agenten

Überarbeitete Notiz vom 25. Mai 2026. Ursprünglich im März 2026 veröffentlicht — vollständige Überarbeitung.

Der Begriff Chatbot ist zu einem Sammelbegriff geworden, der strukturell unterschiedliche Systeme umfasst. Ein skriptbasiertes Entscheidungsbaumsystem aus den Jahren 2015, ein in einer fachlichen Wissensbasis verankertes RAG-System und ein Agent, der in bestehenden Systemen Aktionen ausführen kann, haben operativ praktisch nichts gemeinsam, obwohl sie eine sichtbar konversationelle Oberfläche teilen. Diese Verwechslung erzeugt kostspielige Abwägungen für Organisationen, die bei einer undifferenzierten Lesart bleiben.

Diese Notiz legt die Unterscheidung zwischen diesen aufeinanderfolgenden Generationen dar, qualifiziert, was jede Kategorie tatsächlich erlaubt, und identifiziert die für den Schweizer Rahmen spezifischen Zwänge, die einen nachhaltigen Einsatz strukturieren.

Drei Generationen, die nichts gemeinsam haben

Die öffentliche Debatte über Chatbots vermischt regelmässig drei Systemfamilien, die ausdrücklich zu unterscheiden sind.

Die skriptbasierten Chatbots zuerst, die die vorhergehende Generation darstellen und weiterhin weitgehend eingesetzt werden. Ihre Funktionsweise beruht auf vordefinierten Entscheidungsbäumen: Die Anwenderin oder der Anwender klickt auf eine Schaltfläche oder wählt in einer Liste, das System folgt dem programmierten Pfad und schlägt vorformulierte Antworten vor. Sobald die Frage den vorgesehenen Perimeter verlässt, lautet die Antwort unverändert «Ich habe nicht verstanden, können Sie umformulieren?». Diese Generation deckt häufige und stabile Fragen korrekt ab — Öffnungszeiten, öffentliche Tarife, Bestellverfolgung —, scheitert aber an nuancierten oder kontextuellen Anfragen. Ihre Hauptqualität liegt in ihrer operativen Vorhersagbarkeit; ihre Hauptgrenze in ihrer Unfähigkeit, das zu behandeln, was nicht vorgesehen war.

Die durch RAG verankerten Chatbots danach, die die heute dominante Generation für seriöse Unternehmensprojekte bilden. Diese Systeme kombinieren ein Sprachmodell mit einem semantischen Suchmechanismus in einer organisationsspezifischen Wissensbasis. Sie verstehen die Absicht hinter einer in natürlicher Sprache formulierten Frage, behalten den Kontext der laufenden Konversation und produzieren Antworten, die in den unternehmensspezifischen Dokumenten verankert sind. Der operative Unterschied zur vorhergehenden Generation ist substanziell: Das System folgt keinem Skript, es argumentiert auf der Grundlage geprüfter Informationen.

Die handlungsfähigen Agenten vervollständigen die Liste und stellen die jüngste Generation dar. Ein Agent begnügt sich nicht damit, auf eine Frage zu antworten; er kombiniert ein Sprachmodell mit Werkzeugen — Zugang zu einem bestehenden Managementsystem, Terminplanung, Erstellung eines Support-Tickets, Auslösen eines Genehmigungsworkflows —, um eine konkrete Aufgabe auszuführen, die über die blosse Konversation hinausgeht. Diese Handlungsfähigkeit verändert die Natur des Systems, das zu einem operativen Vermittler und nicht nur zu einem Informationskanal wird.

Zu verstehen, in welche Kategorie ein bestimmtes Projekt fällt, ist die strukturierendste Entscheidung der anfänglichen Rahmenfestlegung. Jede Kategorie entspricht einem anderen Umsetzungsaufwand, anderen Betriebskosten und einem anderen Risikoprofil.

Die Mechanik von RAG: Was sie ermöglicht und was sie nicht beseitigt

Das RAG-Muster verdient es, in seiner Mechanik verstanden zu werden, weil seine Stärken und Grenzen strukturell statt anekdotisch sind.

Seine Mechanik beruht auf vier aufeinanderfolgenden Schritten. Die Unternehmensdokumente — Handbücher, Produktblätter, Verfahren, Wissensbasis — werden zunächst in Segmente zerlegt und in vektorielle Darstellungen umgewandelt, die ihren semantischen Sinn erfassen. Wenn eine Anwenderin oder ein Anwender eine Frage stellt, verwandelt das System sie ihrerseits in eine vektorielle Darstellung und sucht die semantisch nächsten Segmente. Die relevanten Segmente werden in den an das Sprachmodell gesendeten Prompt injiziert, zusammen mit der ursprünglichen Frage. Das Modell produziert dann eine in diesen Segmenten verankerte Antwort, mit der Fähigkeit, seine Quellen zu zitieren.

Diese Mechanik beantwortet die zentrale Herausforderung allein genutzter Sprachmodelle: die Halluzinationen. Indem es jede Antwort in geprüften Dokumenten verankert, bleibt das System faktisch bei den durch die Wissensbasis abgedeckten Fragen. Und wenn die Basis die Antwort auf eine Frage nicht enthält, kann das System es ausdrücklich sagen, statt eine plausible, aber falsche Antwort zu erfinden.

Die Mechanik beseitigt die Halluzinationen jedoch nicht vollständig. Das Modell kann noch über den gelieferten Inhalt hinaus extrapolieren, besonders wenn die von der Suche zurückgegebenen Segmente teilweise relevant, aber unvollständig sind. Diese Restgrenze verlangt ein Monitoring der Antworten und ein Anwender-Feedback-System, das Abdriftungen erkennt.

Strukturell hängt die Qualität eines RAG-Systems direkt von der Qualität der indexierten Daten ab. Veraltete Dokumente produzieren veraltete Antworten; widersprüchliche Dokumente produzieren inkohärente Antworten; schlecht strukturierte Dokumente produzieren ungenaue Suchen. Die Speisung und Pflege der Dokumentenbasis stellen einen kontinuierlichen Aufwand dar, der sich nicht auf die anfängliche Indexierung reduzieren lässt.

Die Agenten: wenn KI zur Tat schreitet

Die modellgestützten Agenten stellen die jüngste und wahrscheinlich strukturierendste Entwicklung der Kategorie dar. Ihr operatives Interesse liegt in ihrer Fähigkeit, eine Aktionsfolge auszuführen, um eine komplexe Aufgabe zu bewältigen, statt nur eine Frage zu beantworten.

Einige Anwendungsfälle veranschaulichen, was diese Fähigkeit eröffnet. Ein Agent kann den Bestellstatus überprüfen im Managementsystem eines Unternehmens und der Kundschaft eine kontextualisierte Antwort liefern. Er kann einen Termin planen im Kalender einer Verkäuferin oder eines Verkäufers, nachdem er den Bedarf der Interessentin oder des Interessenten qualifiziert hat. Er kann ein Support-Ticket erstellen in einem Geschäftssystem, nachdem er die notwendigen Informationen gesammelt hat. Er kann ein personalisiertes Angebot generieren auf Basis der aus der Konversation extrahierten Parameter. Er kann einen internen Genehmigungsworkflow auslösen mit der geeigneten Dokumentation.

Dieses Fähigkeitsniveau verlangt einen anspruchsvolleren technischen Rahmen als die vorhergehenden Generationen. Die für den Agenten zugänglichen Werkzeuge müssen ausdrücklich definiert werden, ihre Berechtigungen müssen umrahmt werden, die Sicherheitsregeln müssen gesetzt werden. Der Agent entscheidet, welches Werkzeug er je nach Anfrage verwendet, aber diese Entscheidung bleibt in einem durch die Systemkonzeption kontrollierten Perimeter.

Die Betriebskosten eines Agenten sind substanziell höher als jene eines einfachen RAG-Chatbots. Ein Agent kann mehrere Dutzend Modellaufrufe ausführen, um eine komplexe Aufgabe zu bearbeiten, gegenüber einem oder zwei Aufrufen für eine klassische RAG-Antwort. Diese Eigenschaft behält die Nutzung von Agenten Anwendungsfällen mit hohem Mehrwert vor, in denen die Komplexität der Aufgabe die Kosten rechtfertigt.

Vier Anwendungsfälle, die den Schweizer Markt strukturieren

Die Beobachtung operativer Einsätze im Schweizer Markt lässt vier Anwendungsfälle auftauchen, die die Mehrheit der seriösen Projekte ausmachen.

Der mehrsprachige kontinuierliche Kundensupport zuerst. Der strukturell mehrsprachige Charakter des Schweizer Marktes — Französisch, Deutsch, Italienisch, Englisch — macht ein System, das mehrere Sprachen ohne zusätzliche Konfiguration nativ beherrscht, besonders relevant. Für ein Dienstleistungsunternehmen oder einen E-Commerce-Akteur befreit diese Fähigkeit einen kontinuierlich verfügbaren Erstsupport-Kanal mit einer sprachlichen Qualität, die das klassische Outsourcing in allen vier Sprachen gleichzeitig schwer erreicht.

Der dokumentierte technische Support danach. Ein Industrieunternehmen kann sein System mit seinen technischen Handbüchern, Produktblättern und Fehlerbehebungsleitfäden speisen. Das System wird dann fähig, eine Kundin oder einen Kunden bei der Lösung eines komplexen Problems zu führen, gestützt auf die präzise Dokumentation des betroffenen Produkts, statt generische Antworten vorzuschlagen, die die Kundin oder den Kunden zwingen, die Information selbst zu suchen.

Die Lead-Qualifikation vervollständigt die Liste der externen Anwendungen. Ein konversationelles System auf der Unternehmenswebsite kann die richtigen Fragen stellen, um die Absicht einer Besucherin oder eines Besuchers zu qualifizieren, ihren oder seinen Bedarf präzis zu identifizieren und an die richtige interne Ansprechperson weiterzuleiten. Die Interaktion ist unmittelbar und situationsangepasst, was klassische Kontaktformulare konstruktionsbedingt nicht erlauben.

Der interne Assistent für die Mitarbeitenden schliesst die Liste und stellt oft den am einfachsten einzusetzenden Anwendungsfall mit dem besten Ertrag dar. Ein System, das mit den internen Verfahren, den Unternehmensrichtlinien und der technischen Dokumentation gespeist wird, ermöglicht den Mitarbeitenden, die Information rasch zu finden, ohne die internen Support-Teams zu beanspruchen. Diese Anwendung reduziert die Belastung gesättigter Teams und verbessert die Qualität operativer Entscheidungen, indem sie den Zugang zur Referenzinformation erleichtert.

Die menschliche Eskalation: Konzeption ebenso wichtig wie Technologie

Ein modellgestützter Chatbot, gleich welcher Generation, muss seine Grenzen erkennen können. Emotionale Anfragen, komplexe Reklamationen, atypische Fälle, die den Perimeter der indexierten Daten verlassen, müssen an eine menschliche Person übertragen werden. Die Konzeption des Eskalationspfads ist ebenso wichtig wie die Technologie, die dem System zugrunde liegt.

Drei Eigenschaften unterscheiden eine gut konzipierte Eskalation von einer schlecht durchdachten.

Die Erkennung der Eskalationssignale zuerst. Das System muss — explizit durch Regeln oder implizit durch die Konversationsmerkmale — die Situationen identifizieren, die seine Fähigkeiten überschreiten. Eine sichtbar unzufriedene Kundin oder ein sichtbar unzufriedener Kunde, eine Frage, die den Perimeter der Wissensbasis verlässt, eine Anfrage, die ein sensibles Thema berührt, müssen einen Transfer auslösen statt einer erzwungenen Antwort.

Die Kontinuität des übermittelten Kontextes danach. Wenn die Eskalation ausgelöst wird, muss die Mitarbeiterin oder der Mitarbeiter, die oder der übernimmt, den Konversationsverlauf und den qualifizierten Anfragekontext erhalten, statt alles bei der Kundschaft neu erfragen zu müssen. Diese Kontinuität ist konstitutiv für eine respektvolle Kundenerfahrung; ihr Fehlen verwandelt die Eskalation in zusätzliche Frustration.

Die klare Wartezeitsteuerung vervollständigt die Liste. Wenn der Transfer an einen Menschen nicht sofort erfolgen kann, muss das System es ehrlich sagen, eine realistische Frist nennen, einen Rückruf oder einen anderen Kanal vorschlagen. Diese Transparenz bewahrt das Vertrauen, das unrealistische Versprechen aushöhlen.

Diese Dimension ist im Schweizer Kontext besonders strukturierend, wo das Bundesgesetz über den Datenschutz^[1] Transparenz über automatisierte Prozesse vorschreibt, die die Anwenderinnen und Anwender betreffen. Wenn das System eine automatisierte Entscheidung produziert oder vorbereitet, die die Anwenderin oder den Anwender erheblich betrifft, muss die Möglichkeit einer menschlichen Überprüfung ausdrücklich von Beginn der Konzeption an behandelt werden.

Der Schweizer Datenschutzrahmen

Drei Dimensionen der Konformität mit dem Bundesgesetz über den Datenschutz verdienen es, bei der Rahmenfestlegung eines Unternehmens-Chatbot-Projekts ausdrücklich gestellt zu werden.

Die Transparenz über die Natur des Systems zuerst. Die Anwenderin oder der Anwender muss wissen, dass sie oder er mit einem automatisierten System interagiert und nicht mit einer menschlichen Mitarbeiterin oder einem menschlichen Mitarbeiter. Diese Transparenz ist keine Formalität; sie bedingt das Vertrauen und die Qualität der Interaktion. Sie wird in der Regel durch eine ausdrückliche Erwähnung zu Beginn der Konversation behandelt.

Die Bearbeitung der geteilten personenbezogenen Daten danach. Wenn eine Kundin oder ein Kunde im Verlauf einer Konversation persönliche Informationen teilt — Kontaktdaten, Kennungen, Gesundheitsdaten, Finanzdaten —, fallen diese Informationen in den Geltungsbereich des Bundesgesetzes über den Datenschutz. Ihre Bearbeitung muss den Grundsätzen der Rechtmässigkeit, der Verhältnismässigkeit und der Transparenz entsprechen. Diese Dimension verlangt eine ausdrückliche Analyse bei der Projektrahmenfestlegung statt einer standardmässigen Behandlung.

Die Lokalisierung der Bearbeitungen vervollständigt die Liste. Wenn das System auf Infrastrukturen unter ausländischer Jurisdiktion gehostet wird, kann der Transfer personenbezogener Daten auf diese Infrastrukturen Fragen des anwendbaren Rechts und des extraterritorialen Datenzugriffs aufwerfen. Für sensible Sektoren — Finanzen, Gesundheit, öffentliche Verwaltung — muss diese Frage ausdrücklich behandelt werden. Es gibt Alternativen: Hosting auf europäischer oder schweizerischer Infrastruktur, Einsatz offener Modelle auf kontrollierter Infrastruktur. Jede Option weist ein anderes Kosten- und Komplexitätsprofil auf, das es verdient, bei der Rahmenfestlegung qualifiziert zu werden.

Die Disziplin, die nachhaltigen Einsatz auszeichnet

Der Einsatz eines modellgestützten Unternehmens-Chatbots reduziert sich nicht auf eine technologische Entscheidung. Er verlangt eine operative Disziplin, deren einige Orientierungen Projekte unterscheiden, die einen dauerhaften Wert produzieren.

Der Start auf einem begrenzten Perimeter zuerst. Statt ein System anzustreben, das vom Start an alles bearbeiten kann, einen präzisen und messbaren Anwendungsfall identifizieren — Support-FAQ, Lead-Qualifikation, interner Assistent zu einem dokumentierten Thema — produziert schnellere Ergebnisse und nützlichere Lernerkenntnisse für spätere Erweiterungen.

Die Investition in die Wissensbasis danach. Die Qualität eines RAG-Systems hängt direkt von der Qualität der indexierten Daten ab. Die Dokumente zu strukturieren, zu bereinigen und zu aktualisieren, bevor sie indexiert werden, stellt in der in der Kanzlei beobachteten Praxis bei MCVA-Projekten einen substanziellen Anteil des Gesamtaufwands dar — typischerweise zwischen der Hälfte und zwei Dritteln. Diese Beobachtung verdient es, in der Rahmenfestlegung übernommen statt minimiert zu werden.

Die ausdrückliche Konzeption der menschlichen Eskalation vervollständigt die Liste. Die Transferkriterien, die Übernahmepfade durch eine Mitarbeiterin oder einen Mitarbeiter, die Verwaltung des übermittelten Kontextes verdienen es, beim Projektstart durchdacht und nicht im Betrieb entdeckt zu werden.

Die kontinuierliche Messung und Iteration schliesst die Sequenz. Die Lösungsquote, die Anwenderzufriedenheit und die Fragen, die keine zufriedenstellende Antwort erhalten, zu verfolgen, speist eine kontinuierliche Verbesserung, die Systeme, die ihre Qualität über die Dauer konsolidieren, von solchen unterscheidet, die abdriften.

Ein gut konzipierter modellgestützter Chatbot absorbiert einen substanziellen Anteil der repetitiven Anfragen, befreit Zeit für die Interaktionen mit höherem Mehrwert und verbessert die Kundenerfahrung durch seine unmittelbare Verfügbarkeit und seine Antwortqualität. Ein schlecht konzipierter Chatbot erzeugt Kundenfrustration und häuft eine technische Schuld an. Der Unterschied spielt sich nicht im verwendeten Modell ab. Er spielt sich in der Strenge der anfänglichen Rahmenfestlegung und in der Einsatzdisziplin ab.

Quellen

[1] Bundesgesetz über den Datenschutz (DSG), Revision vom 25. September 2020, in Kraft seit 1. September 2023. www.fedlex.admin.ch/eli/cc/2022/491/de [↩]

Jérôme Deshaie ist CEO der MCVA Consulting SA, Schweizer Kanzlei für strategische Beratung in künstlicher Intelligenz mit Sitz im Wallis.