Ein Support-Chatbot, der aus Ihren Dokumenten antwortet — und zugibt, wenn er es nicht kann.
Kundenseitiges RAG auf Ihrem Help-Center, Ihrer Produktdokumentation und Ihren Richtlinien. Jede Antwort wird abgerufen, bevor sie formuliert wird, verweist auf die Quelle und wird verweigert, wenn die Dokumentation die Frage nicht abdeckt.
Deflection und Sprachen aus einem produktiven iGaming-System (KI-Chatbots); Retrieval- und Halluzinationswerte aus der Enterprise RAG Challenge.
Support-Chatbots scheitern in aller Öffentlichkeit.
Ein internes Suchwerkzeug mit einer schlechten Antwort kostet zehn Minuten. Ein kundenseitiger Bot mit einer schlechten Antwort erzeugt eine Zusage, die Sie nie gemacht haben — schriftlich, gegenüber jemandem, der Screenshots macht. Dieser Unterschied bestimmt das gesamte Design.
Entscheidungsbaum-Bots beantworten die falsche Frage
Skriptbasierte Abläufe decken nur ab, was jemand vorhergesehen hat. Alles unerwartet Formulierte landet bei „Ich verbinde Sie mit einem Mitarbeiter" — also genau dem Ergebnis, das der Bot verhindern sollte.
Ein unverankertes LLM erfindet Richtlinien
Ein Modell nur auf Ihre Markensprache getrimmt nennt selbstbewusst Rückgabefristen, Garantiebedingungen und Preise, die es nicht gibt. Selbstbewusst und falsch ist vor dem Kunden der schlimmstmögliche Fehler.
Die Dokumentation ändert sich, der Bot nicht
Bedingungen werden aktualisiert, ein Produkt erscheint, eine Aktion endet. Wird der Index nicht automatisch aktualisiert, antwortet der Bot noch lange nach dem Wechsel aus der Richtlinie des letzten Quartals.
Die Eskalation verliert das Gespräch
Eine Übergabe ohne Kontext zwingt den Kunden, alles ein zweites Mal zu erklären. Genau in diesem Moment verpufft der Großteil des Wohlwollens, das der Bot erarbeitet hat.
Erst abrufen. Dann antworten. Verweigern, wenn nötig.
Der Bot generiert nie aus dem Gedächtnis. Jeder Zug läuft denselben Pfad — interessant wird es, wenn das Retrieval schwach zurückkommt.
Ihre Inhalte werden zur Wissensbasis
Help-Center-Artikel, Produktdokumentation, Richtlinienseiten und gelöste Support-Tickets werden strukturerhaltend aufbereitet und indiziert. Alte Tickets wiegen schwerer als erwartet: Sie enthalten die Formulierungen, die Kunden tatsächlich verwenden — und die decken sich selten mit denen der Dokumentation.
Hybrides Retrieval und Reranking bei jedem Zug
Dichte Embeddings fangen Umschreibungen und Tippfehler ab; Stichwortsuche findet Artikelnummern, Bestellreferenzen und exakte Produktnamen. Die Kandidaten werden zusammengeführt und von einem Cross-Encoder neu sortiert, sodass das Modell eine kurze Liste wirklich relevanter Passagen bekommt statt einer großen, lose verwandten Menge.
Antwort in der Sprache des Kunden, aus demselben Index
Mehrsprachige Embeddings bedeuten, dass eine Wissensbasis alle unterstützten Sprachen bedient — das produktive iGaming-System antwortet in 7 Sprachen, ohne sieben getrennte Inhaltsbestände zu pflegen. Dokumentation in einer Sprache kann Fragen in einer anderen beantworten.
Verankerte Antwort mit verlinkter Quelle
Die Antwort entsteht ausschließlich aus den abgerufenen Passagen und enthält einen Link auf den Artikel, aus dem sie stammt. Wer nachprüfen will, kann es; wer nicht, bekommt eine kürzere Antwort, als der Artikel sie gegeben hätte.
Verweigerung und Eskalation als gewolltes Verhalten
Bei geringer Retrieval-Konfidenz sagt der Bot, dass die Dokumentation das nicht abdeckt, und übergibt — samt vollständigem Gesprächsverlauf, damit der Mitarbeiter nicht bei null anfängt. Es ist dieselbe schemagebundene Verweigerung, die in der Enterprise RAG Challenge zu 0 Halluzinationen führte, wo das System bei den 18 % der Fragen ablehnte, die die Quelldokumente nicht beantworten konnten.
Laufende Evaluation gegen ein Golden Set
Echte Kundenfragen mit bekannt richtigen Antworten, bei jeder Änderung als Suite ausgeführt. Eskalierte Gespräche fließen als neue Eval-Fälle zurück — die Lücken, die Kunden finden, werden zu den Tests, die ihre Wiederholung verhindern.
Ein ausgerollter Bot auf den Kanälen, die Ihre Kunden ohnehin nutzen.
Web-Widget, WhatsApp, Telegram, Slack — die Retrieval-Schicht ist dieselbe, die Oberfläche ist dort, wo Ihr Traffic ist.
Indizierte Wissensbasis
Ihr Help-Center, Ihre Dokumentation, Richtlinien und gelösten Tickets aufbereitet und indiziert, mit automatischer Reindizierung — veröffentlichte Änderungen erreichen den Bot ohne Neuaufbau.
Mehrkanal-Betrieb
Ein Backend, mehrere Eingangstüren. Web-Widget plus Messaging-Kanäle mit geteiltem Gesprächszustand, sodass Kunden den Kanal wechseln können, ohne den Faden zu verlieren.
Eskalation mit vollem Kontext
Übergabe in Ihr bestehendes Helpdesk samt Transkript, abgerufenen Quellen und Eskalationsgrund — der Mitarbeiter öffnet ein Gespräch, keinen Ticket-Stummel.
Deflection-Analytik
Was gefragt, was beantwortet, was eskaliert wurde und warum. Die Eskalationsgründe sind der nützliche Teil: Sie zeigen, welche Dokumentation als Nächstes zu schreiben ist.
Evaluations-Suite und Schattenbetrieb
Ein Golden Set an Fragen plus ein Lauf auf echtem Traffic mit menschlicher Überprüfung jeder Antwort, bevor der Bot für Kunden live geht.
Leitplanken, die Sie steuern
Themen, die der Bot nie beantworten darf, Formulierungen, die er nie verwenden darf, und eine harte Grenze bei allem Zusagenähnlichen — Rückerstattungen, Rechtsbedingungen, Preisausnahmen — das per Regel an einen Menschen geht.
Die Preise stehen auf der Leistungsseite
Mehrkanal-RAG-Chatbots liegen bei 8.000–18.000 $. Die vollständige Aufschlüsselung — Einkanal-, Mehrkanal- und Enterprise-Stufen samt laufender API-Kosten und Ablauf — steht auf der Seite zu KI-Chatbots, statt hier wiederholt zu werden.
Die Retrieval-Engine dahinter, dreifach gemessen.
Ein öffentlicher Benchmark für Genauigkeit und Verweigerung, und zwei produktive Systeme dafür, was passiert, wenn ein echter Korpus auf echte Nutzer trifft.
1. Platz, >90 % Top-5-Trefferquote, 0 Halluzinationen
Die Enterprise RAG Challenge auf Geschäftsberichten, zu rund $0,08 pro Antwort. Schemagebundene Ausgabe führte dazu, dass das System bei den 18 % der Fragen ohne Antwort in der Quelle ablehnte, statt zu raten. Kein Kundenprojekt — ein öffentliches, vergleichbares Ergebnis.
Fallstudie lesen →Multi-Tenant-RAG mit erhaltenen DIN- / EN- / DWA-Normbezügen
Zwei produktive Mandanten — ein Betonfertigteilhersteller und ein regionaler kommunaler Wasserversorger. Hybrides Retrieval mit Cross-Encoder-Reranker, Normbezüge pro Chunk erhalten, 23+ Golden-Eval-Fälle je Mandant.
Fallstudie lesen →~150× schnellere Dokumentensuche für ~500 Nutzer
Das interne Gegenstück: ein Terabyte-großes Archiv, hinter SSO mit feingranularen Berechtigungen beantwortbar gemacht. Dieselbe Retrieval-Architektur, nur nach innen gerichtet statt auf Kunden.
Fallstudie lesen →Die Fragen, die zuerst kommen.
Was hindert ihn daran, etwas zuzusagen, das wir nicht halten können?
Drei Schichten. Er schreibt nur aus abgerufenen Passagen und kann deshalb keine Rückgabefrist erfinden, die nirgends dokumentiert ist. Geringe Retrieval-Konfidenz löst eine Verweigerung statt einer Vermutung aus. Und zusagenähnliche Themen — Rückerstattungen, Rechtsbedingungen, Preisausnahmen — gehen per Regel an einen Menschen, unabhängig davon, was das Retrieval liefert.
Wie viel Traffic fängt er tatsächlich ab?
Die veröffentlichte Referenz sind über 80 % in einem produktiven mehrsprachigen iGaming-System über 7 Sprachen, typische Projekte liegen im Bereich 75–85 %. Der ehrliche Vorbehalt: Deflection hängt davon ab, wie gut Ihre Dokumentation das abdeckt, was Kunden fragen. Ein dünnes Help-Center begrenzt die Obergrenze — und die Analytik zeigt Ihnen genau, wo.
Müssen wir vorher unser Help-Center neu schreiben?
Nein. Retrieval arbeitet mit dem, was existiert, und gelöste Support-Tickets füllen viele Lücken, weil sie die echten Kundenformulierungen enthalten. Die Eskalations-Analytik zeigt danach, welche Artikel sich zu schreiben lohnen — eine bessere Reihenfolge als vor dem Start zu raten.
Welche Kanäle werden unterstützt?
Web-Widget, WhatsApp, Telegram und Slack sind bereits im Einsatz. Alles mit einer API lässt sich ergänzen — das Retrieval-Backend ist kanalunabhängig, ein neuer Kanal ist eine Integration, kein Neuaufbau.
Wie läuft die Übergabe an unsere Mitarbeiter?
Der Bot eskaliert in Ihr bestehendes Helpdesk mit vollständigem Transkript, den abgerufenen Quellen und dem Eskalationsgrund. Der Kunde wiederholt sich nicht, und der Mitarbeiter sieht sofort, ob der Bot die Antwort nicht gefunden hat oder ob sie gar nicht vorhanden war.
Was kostet das?
Mehrkanal-RAG-Chatbots liegen bei 8.000–18.000 $, mit Einkanal- und Enterprise-Stufen darunter und darüber. Laufende API-Kosten liegen typischerweise bei 0,01–0,05 $ pro Konversation. Die Seite zu KI-Chatbots enthält die vollständige Aufschlüsselung und den Ablauf.
Bringen Sie Ihre zehn häufigsten Fragen mit.
Ein 30-minütiges Gespräch. Wir gleichen sie mit Ihrer bestehenden Dokumentation ab und sagen Ihnen ehrlich, wie viele ein verankerter Bot heute beantworten könnte und wofür zuerst etwas geschrieben werden muss. Ohne Folien.
Gespräch buchen →Antwort innerhalb von 24h · Bukarest, Rumänien