Chatbot vs. Produktberater: Wann reicht ein Chatbot nicht mehr aus?

Viele Unternehmen stellen sich gerade dieselbe Frage. Sie wollen KI einsetzen, wissen aber nicht, ob ein Chatbot ausreicht oder sie doch eine dedizierte Lösung benötigen.

Die Antwort hängt weniger von der Technologie ab als vom Produkt selbst. Wer einfache, gut beschriebene Artikel verkauft, für den kann ein Chatbot durchaus ausreichen. Wer aber komplexe, erklärungsbedürftige Produkte im Sortiment hat, stößt mit generischen Lösungen schnell an Grenzen. Und leider merkt man das erst, wenn zig Kund:innen schon falsch oder gar nicht beraten wurden.

Dieser Beitrag erklärt, warum die Unterschiede zwischen Chatbot, Shop-Bot und spezialisiertem KI-Produktberater nicht trivial sind und wie du einschätzen kannst, was du wirklich brauchst.

Die 3 Stufen der KI-Chat-Evolution

Wenn wir von "Chatbot" sprechen, meinen wir oft sehr unterschiedliche Dinge. Es lohnt sich aber, diese zu trennen.

ChatGPT & Co. kennen das Internet. Sie greifen auf öffentliche Produktseiten, Beschreibungen und Bewertungen zu, aber nicht auf dein internes Sortiment. Fragst du ChatGPT oder Claude nach einem Bettbeschlag für 200kg Traglast mit versteckter Verbindung, bekommst du eine generische Empfehlung, vielleicht sogar mit einem Verweis auf Amazon. Für private Recherche kann das hilfreich sein. Für B2B-Beschaffungen jedoch unbrauchbar.

Shop-Bots kennen deine Produkte. Sie sind direkt an deinen Katalog und dein Inventar angebunden und können tatsächlich nach relevanten Artikeln suchen und Vorschläge machen. Das ist ein echter Fortschritt, aber noch keine echte Beratung.

Spezialisierte KI-Produktberater kennen dein Sortiment und wissen, was sie damit anfangen sollen. Beratungslogik, Abhängigkeiten und Ausnahmen können hinterlegt werden. Das Ergebnis ist nicht eine Liste von Treffern, sondern eine fundierte Empfehlung.

Was bei einer echten B2B-Anfrage passiert

Nehmen wir ein konkretes Beispiel aus dem B2B-Einkauf: "Suche Bettbeschlag bei freigegebenen Lieferanten, für Vollholz, versteckte Verbindung, Traglast mind. 300kg, verzinkte Oberfläche."

ChatGPT antwortet: "Bettwinkel-Verbinder aus verzinktem Stahl sind eine gute Wahl. Bei Amazon finden Sie passende Produkte unter 'Bettverbinder verzinkt'." Kein Zugriff auf das interne Sortiment. Keine hilfreiche Antwort.

Ein Shop-Bot antwortet: "Ich habe 7 Produkte gefunden, die zu Ihrer Anfrage passen." Dann folgt eine Liste mit Artikelnummern und einer Traglast von 200 kg. Die Mindestanforderung von 300 kg wurde verfehlt. Ohne Hinweis darauf.

Eine spezialisierte KI stellt zuerst Rückfragen: "Meinen Sie 300 kg Gesamttraglast oder 300 kg pro Verbindungspunkt? Welche Holzstärke? Wird das Bett regelmäßig zerlegt?" Erst auf Basis dieser Antworten erfolgt eine Empfehlung mit konkreter Artikelnummer, Begründung und dem Hinweis, warum das Produkt für diesen Anwendungsfall geeignet ist.

Das ist kein kleiner Unterschied. Das ist der Unterschied zwischen einem Suchergebnis und echter Beratung.

Warum Shop-Bots strukturell an ihre Grenzen stoßen

Die Schwächen des Shop-Bots im obigen Beispiel sind kein Zufall, sie sind im Aufbau begründet.

Das Retrieval-Problem: Shop-Bots arbeiten auf Basis sprachlicher Ähnlichkeit statt tatsächlicher Eignung. Die Suchanfrage wird in einen mathematischen Vektor umgewandelt. Das System sucht nach Produkten, deren Beschreibungen sprachlich ähnlich klingen. "300 kg Traglast" wir dabei nicht als Grenzwert verstanden, sondern als Begriff. Ein Produkt mit 150kg taucht im gleichen Bedeutungsraum auf, weil es die gleichen Wörter enthält. Das System kann nicht prüfen: "mindestens 300kg". Das wäre Logik und keine Bedeutungsähnlichkeit. Dafür braucht es eine strukturierte Datenbankabfrage. Dazu kommt: kleine Änderungen in der Abfrage verschieben den Vektor leicht. Deshalb variieren die Ergebnisse dann bei der gleichen Anfrage.

Das Vektorproblem: Der Vektor eines Produkts entsteht aus der Gesamtheit seiner Beschreibung. Wenn sich zwei Artikel in 29 von 30 Merkmalen gleichen – gleiche Kategorie, gleiche Oberfläche, gleicher Einsatzbereich – und sich nur in der Traglast unterscheiden, liegen ihre Vektoren fast am gleichen Punkt. Das System sieht sie als nahezu identisch. Das entscheidende Merkmal geht im Rauschen der anderen unter.

Das Datenformat-Problem: Produktdatenblätter, PDFs und Katalogseiten enthalten oft wichtige technische Informationen. Jedoch in Formaten, die ein Sprachmodell nicht direkt auswerten kann: Tabellen, technische Zeichnungen, unstrukturierte Freitexte. Werden diese Daten ungefiltert eingespeist, "sieht" das System die Information zwar, kann sie aber nicht zuverlässig abrufen oder damit schlussfolgern. Was nicht sauber strukturiert ist, wird nicht sauber genutzt.

‍Das Zahlenproblem: Sprachmodelle wurden auf Text trainiert, nicht auf Rechenlogik. "Mindestens 300 kg" ist für das Modell eine Aussage wie jede andere. Es kann nicht zuverlässig prüfen, ob ein Produkt diese Anforderung tatsächlich erfüllt. Ob zwei Verbindungspunkte à 150 kg kombiniert die Anforderung erfüllen ist keine Textaufgabe, sondern Filterlogik. Shop-Bots können das nicht leisten. Strukturierte Datenbankabfragen (also SQL) machen dagegen genau das.

Das Beratungslogik-Problem: Ein Shop-Bot antwortet auf das, was er gefragt wird. Er erkennt nicht, was fehlt. Ob eine Anfrage unvollständig ist, welche Rückfragen nötig wären, was für den konkreten Anwendungsfall wirklich relevant ist, all das setzt eine hinterlegte Beratungslogik voraus. Die baut sich nicht von selbst auf. Sie muss explizit definiert werden.

Wer auf konsistente Beratungsqualität angewiesen ist, kann sich das nicht leisten.

Was eine spezialisierte Lösung anders macht

Der entscheidende Unterschied liegt nicht im Modell, sondern in der Vorbereitung, die das Modell erhält.

Bei einer spezialisierten KI-Produktberatung werden technische Merkmale extrahiert, strukturiert und in durchsuchbare Felder überführt. Das Modell sucht nicht in Produkttexten, es filtert stattdessen in strukturierten Datenbanken. Traglast, Maße, Materialien sind dann keine Wörter mehr, sondern Werte.

Zusätzlich wird Beratungslogik hinterlegt. Welche Fragen müssen gestellt werden? Welche Abhängigkeiten gelten? Welche Ausnahmen gibt es? Wann darf keine Empfehlung ausgesprochen werden?

Das Modell bekommt am Ende eine vorbereitete Entscheidungsgrundlage. Es kann auf dieser Basis eine fundierte Empfehlung aussprechen. Und zwar nicht, weil es das Internet kennt, sondern weil das Sortiment und die Beratungslogik dahinter strukturiert zugänglich und lesbar sind.

Wann reicht ein Chatbot und wann nicht?

Diese Frage lässt sich ziemlich direkt beantworten.

Ein Chatbot reicht, wenn du ein überschaubares, gut beschriebenes Sortiment hast, die Anfragen einfach und eindeutig sind und keine komplexe Beratungslogik nötig ist. Wer schnell etwas implementieren will und keine hohen Anforderungen an die Beratungstiefe hat, ist mit einem Shop-Bot oft gut bedient.

Du brauchst eine spezialisierte Lösung, wenn deine Produkte erklärungsbedürftig, variantenreich oder technisch komplex sind. Wenn Kund:innen regelmäßig mit falschen Erwartungen ankommen. Wenn Fehlkäufe, Retouren oder hoher Beratungsaufwand ein wiederkehrendes Problem sind. Oder wenn du Conversion und Beratungsqualität gezielt steigern willst und nicht bereit bist, das dem Zufall zu überlassen.

Halten wir fest:

Wer komplexe Produkte verkauft, weiß: Ein Chatbot ist kein Produktberater. Er kann Fragen beantworten, aber nicht führen, nicht rückfragen, nicht aus dem Kontext Schlüsse ziehen. Das braucht Struktur, hinterlegtes Wissen und eine Logik, die nicht generisch ist.

Mehr dazu, wie digitale Produktberatung für B2B funktioniert, findets du hier.