KI-Chatbot: Kann er wirklich Ihren Kunden dienen?

Ja, ein Chatbot kann Ihren Kunden dienen – vorausgesetzt, man weiss, von welchem Chatbot die Rede ist. Das Wort umfasst drei Systeme, die kaum etwas gemeinsam haben: die skriptbasierten Entscheidungsbäume aus den 2015er-Jahren, RAG-Systeme, die auf Basis Ihrer eigenen Dokumente antworten, und Agenten, die Aktionen in Ihren Systemen ausführen. Das erste frustriert, sobald die Frage vom Skript abweicht, das zweite informiert zuverlässig, das dritte handelt. Der Erfolg entscheidet sich weniger bei der Wahl des Modells als bei der Rahmensetzung: Umfang, Dokumentenbasis, menschliche Eskalation.

Drei Systeme unter einem einzigen Wort

Skriptbasierte Chatbots bilden die vorherige Generation, die noch weit verbreitet im Einsatz ist. Der Nutzer klickt sich durch eine Liste, das System folgt seinem Entscheidungsbaum und liefert vorformulierte Antworten. Bei stabilen Fragen – Öffnungszeiten, Bestellverfolgung, öffentliche Preise – funktioniert das. Sobald eine Anfrage vom vorgesehenen Pfad abweicht, erhält man das unvermeidliche „Das habe ich nicht verstanden, können Sie das anders formulieren?". Ihre Stärke ist ihre Vorhersehbarkeit; ihre Grenze die völlige Unfähigkeit, mit dem Unerwarteten umzugehen. Wenn Ihre letzte Erfahrung aus dieser Generation stammt, ist Ihre Skepsis begründet – aber ebenso veraltet.

RAG-gestützte Chatbots bilden 2026 die dominierende Generation für ernsthafte Unternehmensprojekte. Sie verstehen frei formulierte Fragen, behalten den Gesprächskontext im Blick und antworten auf Basis unternehmenseigener Dokumente, mit Quellenangaben. Sie folgen keinem Skript: Sie recherchieren, dann formulieren sie.

Agenten bilden den Abschluss, die jüngste Generation. Ein Agent beschränkt sich nicht aufs Antworten: Er nutzt Werkzeuge – Abfrage eines Verwaltungssystems, Terminplanung, Erstellung eines Tickets –, um eine Aufgabe zu erledigen, die über das Gespräch hinausgeht. Zu wissen, wo Ihr Projekt innerhalb dieser drei Kategorien steht, ist die wichtigste Weichenstellung bei der Rahmensetzung: Jede bringt einen anderen Aufwand, andere Betriebskosten und ein anderes Risikoprofil mit sich.

Wie vermeidet ein RAG-Chatbot, sich Dinge auszudenken?

RAG – Retrieval-Augmented Generation – kombiniert ein Sprachmodell mit einer semantischen Suche in einer unternehmenseigenen Wissensbasis: Jede Antwort stützt sich auf geprüfte interne Dokumente, die das System zitieren kann. Die Mechanik läuft in vier Schritten ab: Ihre Dokumente – Handbücher, Produktblätter, Verfahrensanweisungen – werden in Segmente zerlegt und in Vektordarstellungen umgewandelt, die ihre Bedeutung erfassen; die Frage des Nutzers durchläuft dieselbe Umwandlung; die relevantesten Segmente werden in die an das Modell gesendete Anfrage eingespeist; die erzeugte Antwort stützt sich auf diese Quellen, auf die sie verweisen kann.

Das ist die strukturelle Antwort auf den zentralen Schwachpunkt allein eingesetzter Modelle: Halluzinationen. Verankert in geprüften Dokumenten, bleibt das System bei dem, was die Wissensbasis abdeckt, faktentreu – und kann explizit „Ich weiss es nicht" sagen, wenn sie etwas nicht abdeckt. Der Schutz ist jedoch nicht absolut: Das Modell kann noch extrapolieren, wenn die gefundenen Segmente nur teilweise relevant sind. Eine Überwachung der Antworten und ein Meldemechanismus für Nutzer bleiben notwendig.

Ich nutze diese Mechanik täglich: Der Konversationsassistent von FiscalDoc, meiner lokalen Anwendung zur steuerlichen Dokumentenverwaltung, fragt eine SQLite-Datenbank ab und liest meine Dokumente erneut, um Fragen wie „Summe der Säule-3a-Abzüge der letzten drei Jahre" zu beantworten. Alles läuft auf meinem eigenen Rechner, ohne Netzwerkaufruf. Was mir dieser kleine Fall überall gezeigt hat: Die Qualität der Antworten folgt der Qualität dessen, was indexiert ist. Veraltete Dokumente, veraltete Antworten; widersprüchliche Dokumente, widersprüchliche Antworten. Die Vorbereitung und Pflege der Dokumentenbasis wiegt im Gesamtaufwand in der Regel schwerer als die technische Integration selbst – das sollte man bei der Rahmensetzung einplanen, statt es im Projektverlauf zu entdecken.

Wenn der Chatbot zum handelnden Agenten wird

Der Agent fügt die Ausführungsfähigkeit hinzu. Den Status einer Bestellung im Verwaltungssystem prüfen und dem Kunden mit dieser Information antworten. Einen Termin im Kalender eines Vertriebsmitarbeiters planen, nachdem der Bedarf qualifiziert wurde. Ein vollständiges Support-Ticket erstellen. Ein Angebot auf Basis der aus dem Gespräch extrahierten Parameter generieren. Einen internen Freigabe-Workflow auslösen, mit begleitender Dokumentation.

Diese Fähigkeit erfordert einen strengeren Rahmen als die reine Antwort: explizit definierte, zugängliche Werkzeuge, begrenzte Berechtigungen, bereits beim Entwurf festgelegte Sicherheitsregeln. Der Agent wählt selbst, welches Werkzeug er einsetzt, aber innerhalb eines von Ihnen festgelegten Rahmens. Die Betriebskosten folgen der Komplexität: Ein Agent kann für eine einzige Aufgabe mehrere Dutzend Modellaufrufe aneinanderreihen, wo eine RAG-Antwort ein oder zwei benötigt. Ich reserviere Agenten deshalb für Fälle, in denen der automatisierte Mehrwert diesen Aufwand klar rechtfertigt – und rate davon ab, damit zu beginnen.

Wofür ist das konkret in der Schweiz nützlich?

Vier Anwendungsfälle wiederholen sich beständig in ernsthaften Projekten in der Schweiz:

Der durchgehende mehrsprachige Kundensupport – aktuelle Modelle beherrschen Französisch, Deutsch, Italienisch und Englisch nativ: ein direkter Vorteil auf einem strukturell mehrsprachigen Markt.
Der dokumentierte technische Support – gespeist aus Ihren Handbüchern und Fehlerbehebungsleitfäden, führt das System den Kunden zum genauen Produkt, das er besitzt, statt generischer Antworten.
Die Lead-Qualifizierung – auf Ihrer Website stellt das System die Fragen, die die Absicht eines Besuchers qualifizieren, und leitet ihn an den richtigen Ansprechpartner weiter – etwas, das ein Formular nicht leistet.
Der interne Assistent – gespeist mit Ihren Verfahren und Richtlinien, beantwortet er Mitarbeiterfragen, ohne die Support-Funktionen zu beanspruchen; oft der einfachste und am besten amortisierte Einsatz.

Dieser letzte Fall verdient eine Erwähnung: Intern zu beginnen ermöglicht es zu lernen – Qualität der Dokumentenbasis, Formulierung, Messung – ohne einen Kunden der Einlaufphase auszusetzen. Das ist häufig der erste Baustein, den ich in meinen Automatisierungslösungen vorschlage.

Und wenn er es nicht weiss? Die menschliche Eskalation

Ein gut konzipierter Chatbot erkennt seine Grenzen. Emotionale Anliegen, komplexe Reklamationen, Fälle ausserhalb des dokumentierten Umfangs müssen an einen Menschen übergeben werden – und die Gestaltung dieser Übergabe zählt ebenso viel wie die Technologie. Drei Merkmale unterscheiden eine gelungene Eskalation. Die Erkennung: durch Regeln oder Gesprächssignale identifizieren, was die Fähigkeiten des Systems übersteigt, und weiterleiten, statt eine Antwort zu erzwingen. Die Kontinuität: Der übernehmende Mitarbeiter erhält den Verlauf und den qualifizierten Kontext, ohne den Kunden alles wiederholen zu lassen. Die Ehrlichkeit bei der Erwartungshaltung: Ist die Übergabe nicht sofort möglich, sollte man das sagen, eine realistische Frist nennen, einen Rückruf anbieten.

Dieser Punkt berührt auch das Recht: Das DSG verlangt Transparenz bei automatisierten Verarbeitungen, die Personen betreffen^[1]. Bereitet das System eine bedeutsame automatisierte Entscheidung vor oder trifft sie, muss die Möglichkeit einer menschlichen Überprüfung bereits beim Entwurf und nicht nachträglich mitgedacht werden.

Was das DSG bereits beim Entwurf verlangt

Drei Dimensionen stellen sich bei der Rahmensetzung jedes Unternehmens-Chatbots in der Schweiz. Die Transparenz über die Art des Systems: Der Nutzer muss wissen, dass er mit einer Maschine spricht – ein klarer Hinweis zu Beginn des Gesprächs genügt, ist aber nicht optional. Die Verarbeitung der geteilten Daten: Kontaktdaten, Identifikatoren, Finanz- oder Gesundheitsdaten, die im Gesprächsverlauf preisgegeben werden, fallen in den Anwendungsbereich des DSG mit seinen Anforderungen an Rechtmässigkeit, Verhältnismässigkeit und Transparenz. Und schliesslich der Ort der Verarbeitung: Ein Hosting unter ausländischer Rechtsprechung kann Fragen zum extraterritorialen Datenzugriff aufwerfen – ein Punkt, den sensible Branchen explizit klären müssen, mit echten Alternativen: Schweizer oder europäische Infrastruktur, oder offene Modelle, die auf kontrollierter Infrastruktur betrieben werden, wie ich in der Architektur eines gut aufgebauten KI-Projekts im Detail beschreibe.

Es bleibt die übergreifende Disziplin, die ich in meinen massgeschneiderten Konversationslösungen anwende: mit einem begrenzten, messbaren Umfang beginnen, zuerst in die Wissensbasis investieren, die Eskalation von Tag eins an mitdenken, dann messen – Lösungsquote, Zufriedenheit, unbeantwortete Fragen. Ein gut gerahmter Chatbot nimmt einen grossen Teil der wiederkehrenden Anfragen ab und schafft Freiraum für Austausch mit hohem Mehrwert; schlecht gerahmt erzeugt er Frustration und technische Schulden. Der Unterschied liegt nicht im gewählten Modell: Er liegt in der Sorgfalt der Rahmensetzung. Um dieses Vorhaben unter den weiteren Prioritäten eines KMU einzuordnen, siehe Was sollte ein Schweizer KMU 2026 im Umgang mit KI tun?.

Wichtig in Kürze

— „Chatbot" umfasst drei unterschiedliche Systeme: starre Skripte, in Ihren Dokumenten verankertes RAG, handelnde Agenten – die Rahmensetzung beginnt mit der Wahl der Kategorie. — Die Qualität der Antworten folgt der Qualität der Dokumentenbasis: Ihre Vorbereitung wiegt in der Regel schwerer als die technische Integration. — Menschliche Eskalation und DSG-Transparenz werden von Tag eins an mitgedacht: Erkennung der Grenzen, übermittelter Kontext, klarer Hinweis auf den automatisierten Charakter.

FAQ

Kann ein RAG-Chatbot noch Unsinn erzählen? Das Risiko ist deutlich reduziert, aber nicht beseitigt. Verankert in Ihren Dokumenten, bleibt das System bei dem, was die Wissensbasis abdeckt, faktentreu und kann zugeben, dass es etwas nicht weiss. Es kann noch extrapolieren, wenn die gefundenen Segmente unvollständig sind – daher die Bedeutung einer Antwortüberwachung und einer Meldefunktion für Nutzer.

Wie viel kostet ein Unternehmens-Chatbot? Das hängt ganz von der Kategorie und dem Umfang ab. Ein interner RAG-Assistent auf einer eigenen Dokumentation ist ein überschaubares Projekt; ein mit mehreren Fachsystemen verbundener Agent kostet deutlich mehr, sowohl beim Aufbau als auch im Betrieb, da jede Aufgabe Dutzende Modellaufrufe erfordern kann. Die am meisten unterschätzte Variable bleibt die Vorbereitung der Dokumentenbasis.

Werden meine Kunden akzeptieren, mit einer Maschine zu sprechen? Sie akzeptieren es, wenn drei Bedingungen erfüllt sind: Der automatisierte Charakter wird von Anfang an angekündigt, die Antworten sind wirklich nützlich, weil sie in Ihren Dokumenten verankert sind, und ein Mensch bleibt ohne Hindernislauf erreichbar. Es ist die schlecht gemachte Eskalation, weit mehr als die Automatisierung selbst, die Kunden abschreckt.

Muss das System in der Schweiz gehostet werden? Nicht systematisch, aber die Frage wird bei der Rahmensetzung je nach verarbeiteten Daten entschieden. Für Gespräche ohne sensible Daten kann ein internationaler Anbieter mit vertraglichen Verpflichtungen ausreichen. Sobald sensible Daten fliessen – Gesundheit, Finanzen –, wird Schweizer oder europäisches Hosting, oder sogar ein offenes Modell auf kontrollierter Infrastruktur, zum vorsichtigen Weg.

Beantworten Ihre Teams noch zehnmal täglich dieselben Fragen? Die KI-Nutzungsdiagnose: sechzig Minuten, um Ihre tatsächlichen Abläufe zu erfassen, zu identifizieren, was eine Massanfertigung verdient, was bei SaaS bleibt und was gar keine KI braucht. Diagnose buchen

Quellen

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

Jérôme Deshaie ist CEO und Gründer von MCVA Consulting SA, einer augmentierten Agentur mit Sitz im Wallis. Fünfzehn Jahre im Dienst grosser internationaler Marken, heute direkt für Schweizer KMU im Einsatz. Werdegang.