KI-Chatbot für die Website: Produktberatung mit klaren Grenzen

FAQ-Bot oder Berater mit Live-Katalog: ein wichtiger Unterschied

Nicht jeder Chatbot auf einer Website macht dasselbe. Ein einfacher FAQ-Bot arbeitet mit einer festen Liste vorbereiteter Fragen und Antworten – er eignet sich für wiederkehrende Standardfragen wie Öffnungszeiten oder Versandkosten, kann aber nicht auf individuelle Produktfragen eingehen, die nicht exakt in seiner Liste stehen.

Ein Berater mit Live-Katalog-Anbindung funktioniert anders: Er greift bei jeder Anfrage auf den aktuellen Produktbestand zu, kann also Verfügbarkeit, Preise und Eigenschaften in Echtzeit nennen, und kann – richtig umgesetzt – gezielt nachfragen, wenn eine Kundenanfrage mehrdeutig ist, statt eine Vermutung als Antwort zu präsentieren. Diese Fähigkeit, Informationen aus einer strukturierten Datenquelle zu ziehen statt sie aus einem allgemeinen Sprachmodell zu generieren, ist der entscheidende Unterschied zwischen einer Spielerei und einem brauchbaren Beratungswerkzeug.

Für Unternehmen bedeutet das: Die Frage ist nicht nur "Chatbot ja oder nein", sondern welche Datengrundlage der Chatbot für seine Antworten nutzt und wie genau diese Grundlage gepflegt wird.

Zwischen diesen beiden Extremen gibt es Zwischenformen: ein FAQ-Bot, der bei Nichterkennen einer Frage an eine Suche im Hilfebereich weiterleitet, oder ein Katalog-Berater, der nur für eine begrenzte Produktgruppe freigeschaltet ist. Welche Variante angemessen ist, hängt stark davon ab, wie oft sich der Produktbestand ändert und wie hoch das Risiko einer falschen Antwort für das jeweilige Unternehmen wiegt.

Halluzinationen vermeiden: Antworten aus der Wissensbasis statt freier Generierung

Sprachmodelle können Aussagen erzeugen, die plausibel klingen, aber sachlich falsch sind – im Fachjargon als Halluzination bezeichnet. Bei einem Produktberater ist das besonders riskant: Eine falsch genannte Produkteigenschaft oder ein erfundener Preis kann zu Missverständnissen oder sogar zu Reklamationen führen.

Die gängige technische Antwort darauf heißt Grounding: Statt eine Antwort frei aus dem Training des Modells zu generieren, wird das Modell angewiesen, seine Antwort auf eine konkrete, geprüfte Datenquelle zu stützen – etwa den tatsächlichen Produktkatalog oder eine festgelegte Wissensbasis. Google Cloud beschreibt diese Technik, oft als Retrieval-Augmented Generation (RAG) bezeichnet, als Mittel, Antworten an hinterlegte Datenquellen zu binden, statt sie ausschließlich aus den Trainingsdaten des Modells abzuleiten. Vollständig verhindern lassen sich falsche Antworten damit nicht; deshalb gehört zum Grounding immer die Regel, bei fehlender Grundlage nachzufragen oder an einen Menschen zu übergeben.

In der praktischen Umsetzung bedeutet das: Ein gut konfigurierter Berater sollte bei fehlender oder unklarer Information lieber nachfragen oder auf einen Menschen verweisen, statt eine Antwort zu erraten. Diese Nachfrage-statt-Raten-Logik ist kein technisches Detail, sondern eine bewusste Entscheidung bei der Gestaltung des Dialogs.

• Antworten nur aus Katalog- bzw. Wissensbasis-Daten generieren, nicht frei
• Bei fehlender Information gezielt nachfragen statt zu raten
• Regelmäßige Prüfung, ob die Wissensbasis noch aktuell ist
• Eindeutige Grenze definieren, ab der an einen Menschen übergeben wird

Übergabe an Menschen als fester Bestandteil

Ein verlässlicher Produktberater erkennt die eigenen Grenzen. Fragen zu individuellen Sonderwünschen, Reklamationen oder Themen außerhalb des Produktkatalogs sollten zuverlässig an einen Mitarbeiter weitergeleitet werden – etwa per E-Mail, WhatsApp oder eine andere im Unternehmen etablierte Kontaktmöglichkeit. Diese Übergabe sollte für die anfragende Person klar erkennbar sein, nicht als stiller Systemwechsel im Hintergrund.

Aus Unternehmenssicht lohnt sich eine regelmäßige Durchsicht, bei welchen Themen der Chatbot besonders häufig an Menschen übergibt. Diese Übergaben sind ein guter Indikator dafür, welche Informationen in der Wissensbasis fehlen oder welche Kundenanliegen sich wiederholen, ohne bislang abgedeckt zu sein.

Eine klar kommunizierte Übergabe schützt außerdem das Vertrauen in den Chatbot insgesamt: Wenn Kunden merken, dass ein System ehrlich zugibt, wann es nicht weiterweiß, statt eine unpassende Antwort zu liefern, steigt die Akzeptanz für die Fälle, in denen der Bot tatsächlich hilft. Ein System, das stattdessen bei jeder Frage eine Antwort erzwingt, verliert dieses Vertrauen oft nach der ersten erkennbar falschen Aussage.

Datenschutz und Transparenz: die AI-Act-Pflicht

Seit dem 2. August 2026 gilt nach Artikel 50 der europäischen KI-Verordnung (AI Act) eine Transparenzpflicht für Systeme, die direkt mit natürlichen Personen interagieren: Anbieter müssen sicherstellen, dass Nutzer informiert werden, wenn sie mit einem KI-System sprechen – es sei denn, dies ist für eine informierte Person ohnehin offensichtlich. Für einen Chatbot auf einer Unternehmenswebsite bedeutet das in der Praxis meist einen klar erkennbaren Hinweis, etwa im Chat-Fenster selbst, dass die Antworten von einem KI-System stammen.

Zusätzlich bleibt die datenschutzrechtliche Verantwortung für die im Chat verarbeiteten Daten – etwa Namen, Kontaktdaten oder Kaufabsichten – beim jeweiligen Unternehmen. Dieser Artikel ersetzt keine Rechtsberatung; welche konkreten Informationspflichten und Datenschutzmaßnahmen für den eigenen Anwendungsfall gelten, sollte im Zweifel mit fachkundiger Beratung geklärt werden.

Die Transparenzpflicht aus Art. 50 AI Act ist kein Hindernis für den Einsatz eines Chatbots, sondern eine Grundanforderung an die Umsetzung – ein sichtbarer Hinweis reicht in der Regel aus.

Messgrößen: woran sich der Erfolg zeigt

Ob sich ein Produktberater lohnt, lässt sich an wenigen Kennzahlen ablesen: dem Anteil der Anfragen, die ohne Übergabe an einen Menschen zu einer Antwort führen, der Häufigkeit, mit der der Bot auf fehlende Informationen hinweist statt zu raten, und – soweit nachvollziehbar gemessen – ob Chat-Interaktionen zu tatsächlichen Käufen oder Terminanfragen beitragen.

Wichtig ist, diese Kennzahlen nicht isoliert zu betrachten: Ein hoher Anteil an Übergaben an Menschen ist nicht per se schlecht, wenn er bedeutet, dass der Bot seine Grenzen korrekt erkennt, statt falsche Informationen zu verbreiten. Ein niedriger Übergabe-Anteil bei gleichzeitig hoher Beschwerdequote wäre dagegen ein Warnsignal für zu freizügig generierte Antworten.

Praxisbeispiel: Produktberatung im Shop bei Dr.Kalla

Für Dr.Kalla Cosmetics, einen Berliner Shop für Friseurbedarf und Kosmetik, wurde eine Produktberatung im Shop als Chat umgesetzt, die am 9. September 2026 live geprüft wurde. Der Chat greift auf den Live-Katalog des Shops zu, um Fragen zu Produkten zu beantworten, statt mit einem statischen, möglicherweise veralteten Datensatz zu arbeiten. Begleitend wurden eine Mitarbeiteroberfläche, Geschäftskundenprozesse für Antrag und Freigabe sowie E-Mail- und WhatsApp-Bausteine aufgebaut – die einzelnen Bausteine sind dabei unterschiedlich weit umgesetzt und geprüft.

Die ausführliche Beschreibung des Projekts mit weiteren Details ist in der Case Study nachzulesen. Für andere Unternehmen zeigt das Beispiel, dass eine Produktberatung nicht als isoliertes Chat-Fenster entsteht, sondern am besten gemeinsam mit den Prozessen gedacht wird, die dahinterliegen – etwa, wie eine komplexere Anfrage an einen Mitarbeiter weitergegeben wird.

Einführung in Schritten

Eine Einführung sollte nicht mit dem fertigen Chat-Fenster beginnen, sondern mit der Wissensbasis: Welche Fragen stellen Kunden tatsächlich am häufigsten, und welche Informationen dazu liegen bereits strukturiert vor – etwa im Produktkatalog oder in einem internen FAQ-Dokument? Erst wenn diese Grundlage steht, lohnt sich die technische Anbindung an ein Sprachmodell.

• Häufige Kundenfragen und vorhandene Wissensquellen sammeln
• Wissensbasis bzw. Katalog-Anbindung als Grundlage für Antworten einrichten
• Übergabe-Logik an Menschen für Grenzfälle festlegen
• Transparenzhinweis gemäß AI Act im Chat-Fenster einbauen
• Nach dem Start: Übergabequote und ungelöste Anfragen regelmäßig auswerten

Die MindrAils-Einordnung

Ein KI-Chatbot für Produktberatung lohnt sich dort, wo Kunden regelmäßig ähnliche Fragen zu einem Produktsortiment stellen, das sich häufig ändert oder zu groß ist, um es in einer einfachen FAQ-Liste abzubilden – und wo eine Anbindung an den tatsächlichen Datenbestand (Katalog, Lager, Preise) technisch möglich ist. In diesen Fällen kann ein gut angebundener Berater echte Entlastung bringen, weil er Standardfragen zuverlässig abdeckt und nur die komplexeren Fälle an Menschen weiterleitet.

Nicht lohnen muss sich ein solcher Chatbot, wenn das Produktsortiment klein und stabil ist – hier reicht häufig eine einfache FAQ-Seite oder ein statischer Bot ohne Live-Anbindung – oder wenn die nötige Wissensbasis nicht gepflegt werden kann, denn ein Berater ohne verlässliche Datengrundlage ist riskanter als gar kein Chatbot. Ob der eigene Anwendungsfall eher zur ersten oder zweiten Kategorie gehört, lässt sich in einer kostenlosen Business-Analyse mit konkretem Bezug auf die eigenen Daten und Prozesse klären.