Chatbots Beispiele: 12 KI-Bots aus der Praxis

Chatbots Beispiele reichen vom regelbasierten FAQ-Bot bis zum generativen KI-Produktberater. Bekannt sind Klarnas Support-Assistent, der Fashion Assistant von Zalando und der Rezensions-Analyst von Otto. Im DACH-Mittelstand beraten benannte KI-Mitarbeiter wie Flora bei Neudorff oder Ella bei HELLA Lightstyle. Entscheidend ist nicht der Bot, sondern seine Beratungstiefe. Wer beides verwechselt, kauft eine Kostensenkung und wartet danach vergeblich auf Umsatz.

Wer nach Beispielen sucht, findet überall dieselben sechs Konzerne. Klarna, Zalando, Otto, IKEA, ADAC, Fressnapf. Die Listen sind austauschbar, und in den seltensten Fällen steht dabei, wie gut das Ganze eigentlich funktioniert hat.

Das ist das eigentliche Problem an den meisten Übersichten. Du siehst, dass ein Unternehmen einen Bot einsetzt. Du siehst nicht, was er gebracht hat. Deshalb steht in der Tabelle unten hinter jedem Beispiel eine Zahl, und dort, wo das Unternehmen keine veröffentlicht, steht das auch so drin.

Die 12 besten Chatbots Beispiele auf einen Blick

Die folgenden zwölf Chatbots Beispiele decken drei Einsatzfelder ab: Kundenservice-Automatisierung, KI-Produktberatung im E-Commerce und B2B-Vertriebsunterstützung. Jede Zeile nennt das Unternehmen, die Aufgabe des Bots und das gemessene Ergebnis. Stand aller Angaben ist August 2026.

Drei der zwölf Zeilen tragen keine Zahl. Das ist kein Versäumnis der Recherche, sondern der Normalfall: Zalando, IKEA und MediaMarktSaturn kommunizieren ihre Assistenten als Produkt-Feature, nicht als Business Case. Wer Zahlen sehen will, muss zu den Unternehmen schauen, die klein genug sind, um jeden Euro nachzurechnen.

Genau deshalb stehen die Positionen 7 bis 12 in dieser Tabelle. Sie stammen aus unseren eigenen Projekten, die Zahlen sind also nicht abgeschrieben, sondern gemeinsam mit den Kunden gemessen. Dass der Bedarf real ist, belegt der bevh: 19,3% der deutschen Onlinekäufer haben eine KI bereits um eine Produktempfehlung gebeten. Sechs von zehn würden ihr allerdings nicht folgen, ohne vorher selbst nach Alternativen zu suchen. Genau daran entscheidet sich, ob ein Berater seine Empfehlung begründen kann.

Das Ende der Ich-habe-Sie-leider-nicht-verstanden-Ära

Regelbasierte Chatbots scheiterten, weil sie nur vordefinierte Pfade kannten. Generative KI-Chatbots verstehen freie Sprache, greifen auf Produktdaten zu und beraten, statt auf eine FAQ-Seite zu verweisen. Der Bruch kam 2023 mit den ersten LLM-gestützten Assistenten. Verschoben hat sich seither vor allem die Erwartungshaltung der Kunden, nicht nur die Technik.

Die Verbreitung zieht mittlerweile nach. Laut Bitkom setzen im März 2026 bereits 41% der deutschen Unternehmen ab 20 Beschäftigten Künstliche Intelligenz aktiv ein, ein Jahr zuvor waren es 17%. Für 77% dieser Unternehmen hat sich die eigene Wettbewerbsposition spürbar verbessert. Basis sind 604 befragte Unternehmen.

Interessant ist daran weniger die Zahl als die Richtung. Vor drei Jahren ging es fast ausschließlich um Kostensenkung im Support. Heute geht es um Beratung, und damit um Umsatz. Wie dieser Wandel technisch abgelaufen ist, zeigt die Evolution der Chatbots im Detail.

Die 3 Evolutionsstufen: Vom Button-Klicker zum KI-Experten

Chatbots lassen sich in drei Stufen einteilen: regelbasierte Klick-Bots mit festen Entscheidungsbäumen, NLP-FAQ-Bots mit Absichtserkennung und generative KI-Produktberater mit Zugriff auf Produkt- und Bestelldaten. Nur die dritte Stufe kann echte Kaufberatung leisten. Die ersten beiden geben ausschließlich wieder, was jemand vorher hinterlegt hat.

Diese Unterscheidung entscheidet darüber, was du von deinem Projekt erwarten darfst. Eine ausführliche Systematik findest du in unserer Übersicht zu den Arten von Chatbots.

Level 1: Der regelbasierte Klick-Bot

Der Nutzer klickt sich durch vordefinierte Buttons. Retoure, dann Label drucken, dann fertig. Kein Sprachverständnis, keine Interpretation, keine Ausnahmen. Sobald ein Kunde etwas fragt, das nicht im Baum steht, ist Schluss.

Das klingt schlechter, als es ist. Für eng umrissene Prozesse wie Terminbuchung oder Retourenanmeldung ist ein Klick-Bot schnell, günstig und praktisch fehlerfrei. Er ist halt kein Berater.

Level 2: Der NLP-FAQ-Bot mit Service-Fokus

Diese Bots erkennen Absichten in freier Spracheingabe und spielen dazu passende Antworten aus. Wo ist meine Bestellung und Bestellstatus checken landen beim selben Eintrag. Das Wissen bleibt aber statisch: Was nicht in der Wissensbasis steht, existiert für den Bot nicht.

Während ein Klick-Bot an jeder ungewohnten Formulierung scheitert, scheitert ein FAQ-Bot erst an jeder neuen Frage. Ein Fortschritt, aber kein Sprung.

Level 3: Der generative KI-Produktberater mit Sales-Fokus

Hier liegt der eigentliche Unterschied. Ein generativer Berater kombiniert ein Sprachmodell mit einem Live-Zugriff auf Produktkatalog, Verfügbarkeit und Regelwissen. Er kann vergleichen, begründen und Rückfragen stellen, statt nur zu antworten.

Ein FAQ-Bot beantwortet die Frage, die gestellt wurde. Ein KI-Produktberater beantwortet die Frage, die eigentlich gemeint war. Technisch steckt dahinter eine Kombination aus Sprachmodell und Datenanbindung, die wir in der Erklärung dazu, wie ein KI-Chatbot funktioniert, Schritt für Schritt aufschlüsseln.

Kategorie A: Maximale Effizienz im Kundenservice

Im Kundenservice fangen Chatbots vor allem wiederkehrende Anfragen zu Bestellstatus, Versand und Retouren ab. Klarna und DHL zeigen die Größenordnung: 2,3 Millionen Konversationen im ersten Monat beim einen, bis zu 93% autonom beantwortete Anfragen beim anderen. Das Ziel heißt hier Entlastung, nicht Beratung.

Wie sich diese Fälle strategisch einordnen lassen, behandeln wir ausführlich im Beitrag zum Chatbot im Kundenservice. Und wenn du sehen willst, wie ein KI-Kundenservice in einem beratungsintensiven Shop konkret aussieht, findest du dort die Umsetzungsdetails.

Klarna: 2,3 Millionen Chats im ersten Monat, dann die Kehrtwende

Laut der Pressemitteilung von Klarna übernahm der gemeinsam mit OpenAI entwickelte Assistent im ersten Monat zwei Drittel aller Service-Chats: 2,3 Millionen Konversationen, die Arbeitslast von 700 Vollzeitkräften, 35 Sprachen. Die durchschnittliche Lösungszeit fiel von elf Minuten auf unter zwei. Den erwarteten Gewinnbeitrag für 2024 bezifferte Klarna auf 40 Millionen US-Dollar.

Und dann kam der Teil, den die meisten Beispiel-Listen weglassen.

Klarna hat zurückgerudert. Wie t3n berichtet, baut das Unternehmen den menschlichen Support seit 2025 wieder auf, weil die Qualität unter dem Kostendruck gelitten hatte. CEO Sebastian Siemiatkowski sagte dazu im Bloomberg-Interview: "In die Qualität des menschlichen Supports zu investieren, ist für uns der Weg in die Zukunft." Der Bot läuft weiter. Die Erwartung, ihn allein arbeiten zu lassen, nicht.

DHL Freight: 93 Prozent der Anfragen ohne menschlichen Support

Bei der Sendungsverfolgung ist keine Beratung nötig, sondern eine präzise Datenabfrage. Genau dafür betreibt DHL Freight den Assistenten VIVA. Laut DHL Freight beantwortet VIVA bis zu 93% aller Anfragen ohne weitere Unterstützung. Gestartet 2021 in Schweden, 2024 in Frankreich, seit 2026 auch in Deutschland, Italien und den Niederlanden.

Ein sauberer Anwendungsfall für die zweite Stufe. Die Daten sind eindeutig, die Fragen wiederholen sich, ein Ermessensspielraum existiert nicht. Kein Mensch muss einem Kunden vorlesen, wo sein Paket gerade steht.

Kategorie B: Intelligente Produktberatung im E-Commerce

In der Produktberatung übernimmt der Bot die Rolle des Fachverkäufers: Er stellt Rückfragen zu Anwendungsfall, Fläche oder Vorlieben und filtert daraus eine konkrete Empfehlung. Zalando, Otto und IKEA setzen das im Konzernmaßstab um. Im DACH-Mittelstand tun es Neudorff, Rasendoktor, HELLA Lightstyle, Pooldoktor und Verapur, und zwar mit veröffentlichten Zahlen.

Zalando Fashion Assistant: Beratung statt Filterlogik

Kunden suchen selten nach Kategorie Kleid, Farbe Rot. Sie haben einen Anlass. Der auf GPT basierende Assistent von Zalando nimmt Fragen wie "Was ziehe ich zu einer Hochzeit auf Santorini im Juli an?" entgegen und kombiniert daraus Wetter, Dresscode und Sortiment zu einem kuratierten Vorschlag.

Ein klassischer Filter kann das nicht, weil er Attribute kennt und keine Situationen. Belastbare Conversion-Zahlen hat Zalando bis heute nicht veröffentlicht. Ein starkes Beispiel für die Mechanik also, ein schwaches für den Business Case.

Otto: Der Rezensions-Analyst für 180.000 Artikel

Otto löst ein anderes Problem: die Überforderung durch hunderte Produktbewertungen. Der Assistent beantwortet Fragen wie "Ist diese Kaffeemaschine laut?" auf Basis der vorhandenen Rezensionen und Produktbeschreibungen. Laut t3n läuft er auf Google PaLM 2 über Vertex AI, deckte zum Start rund 180.000 Artikel ab und wird nur bei Produkten mit mindestens 50 Bewertungen ausgespielt.

Diese Schwelle ist die eigentlich kluge Entscheidung an dem Projekt. Unter 50 Rezensionen würde das Modell aus ein paar Einzelmeinungen eine scheinbare Wahrheit bauen. Otto verzichtet in diesen Fällen lieber ganz auf die Funktion.

IKEA und MediaMarktSaturn: Inspiration und After-Sales

IKEA bietet über den GPT Store einen Einrichtungsassistenten an, der Vorschläge für kleine Wohnungen oder nachhaltige Materialien macht und dabei die Verfügbarkeit in der jeweiligen Filiale mitdenkt. MediaMarktSaturn geht den umgekehrten Weg und setzt den Assistenten hinter dem Kauf an: Er beantwortet Bedienfragen zu den Eigenmarken Koenic und Peaq direkt aus den Handbüchern.

After-Sales ist der am meisten unterschätzte Einsatzbereich überhaupt. Ein großer Teil der Retouren im Elektronikhandel geht nicht auf Defekte zurück, sondern auf Bedienfehler. Wer diese Fragen im Moment der Ratlosigkeit beantwortet, verhindert eine Rücksendung, bevor sie entsteht.

DACH-Mittelstand: 5 KI-Produktberater aus der Praxis

Fünf mittelständische DACH-Händler betreiben heute namentlich benannte KI-Produktberater: Flora bei Neudorff (Pflanzenschutz), Hektor beim Rasendoktor (Rasenbedarf), Ella bei HELLA Lightstyle (Lichttechnik), Franz beim Pooldoktor (Schwimmbadtechnik) und Vera bei Verapur (Matratzen). Alle fünf beraten erklärungsbedürftige Produkte, bei denen Filter und Produktfinder regelmäßig versagen.

Wir haben diese fünf KI-Mitarbeiter selbst gebaut. Das ist der Grund, warum hier Zahlen stehen, die du bei Konzernbeispielen nicht findest: Wir messen sie monatlich gemeinsam mit den Kunden.

Neudorff stand vor einem klassischen Skalierungsproblem: hochwertige Fachberatung, ein überlastetes Serviceteam und ein Sortiment mit strengen gesetzlichen Vorgaben. Michael Horn, Head of Digital bei Neudorff, zur Lösung: "Flora, unsere KI-Mitarbeiterin, revolutioniert unsere Produktberatung. Sie kombiniert unser Fachwissen mit KI-Effizienz und bietet unseren Kunden rund um die Uhr eine hervorragende Beratungsqualität und Kundenservice." Die Details stehen im Fall KI-Mitarbeiterin Flora bei Neudorff.

Beim Rasendoktor lag der Engpass in der Saison: 2.000 bis 3.000 beratungsintensive Anfragen, ein kleines Team, lange Wartezeiten. René Deutsch, CEO der TURF Handels-GmbH, beschreibt das Ergebnis so: "Die Präzision, mit der Hektor unser Fachwissen anwendet um Produkte zu empfehlen, ist beeindruckend. Die Integration lief erstaunlich unkompliziert, und unser Team kann sich jetzt voll auf die anspruchsvollen Fälle konzentrieren." Nachlesbar im Fall KI-Mitarbeiter Hektor beim Rasendoktor.

Bei HELLA Lightstyle geht es um Haftungsfragen. Trucker, Offroad-Fahrer und Werkstätten wollen wissen, ob eine Zusatzleuchte an ihr Fahrzeug passt und ob sie in Deutschland zugelassen ist. Ein Fehlkauf kostet hier nicht nur Geld, sondern die nächste Hauptuntersuchung. Wie KI-Produktberaterin Ella bei HELLA Lightstyle das löst, ist der technisch anspruchsvollste der fünf Fälle.

Am ehrlichsten formuliert es Mario Wunder von Pooldoktor, der vor Franz bereits einmal in einen Chatbot investiert hatte: "Chatten ist im Verkauf eigentlich Schwachsinn. Geht nur, wenn man es durch eine KI ersetzt. Genau das hat Qualimero gebaut." Maximilian Schottke, Geschäftsführer bei Verapur, sagt dasselbe mit anderen Worten: "Wir hatten vorher schon einen Chatbot, der nur Geld gefressen hat."

Beide hatten also schon einen Bot. Beide haben ihn abgeschaltet. Das ist der wichtigste Satz in diesem Abschnitt, und er steht in keinem Marketingmaterial: Ein schlechter Chatbot ist teurer als gar keiner, weil er Vertrauen verbrennt, das du danach zurückkaufen musst.

Für Shopware-Händler lässt sich das Muster eins zu eins übertragen. Wie ein Chatbot für Shopware angebunden wird und was KI im Shopware-Shop darüber hinaus leisten kann, haben wir jeweils separat dokumentiert.

Kategorie C: B2B und Industrie, die Hidden Champions

Im B2B beraten Chatbots bei erklärungsbedürftigen Produkten: Sie führen durch Konfigurationen, prüfen technische Kompatibilität und qualifizieren Anfragen, bevor der Vertrieb übernimmt. Interne Wissens-Bots erschließen zusätzlich Datenblätter und Handbücher für die eigene Belegschaft. Sichtbar ist davon wenig, wertvoll ist es trotzdem.

Der Sales Engineer Bot: Vorqualifizierung statt Kontaktformular

Ein Einkäufer sucht einen Industriekleber für Metall auf Kunststoff, hitzebeständig bis 200 Grad. Die Sitesuche liefert null Treffer oder fünfhundert unpassende. Er geht zur Konkurrenz, und niemand im Unternehmen erfährt jemals davon.

Ein B2B-Produktberater dreht diesen Ablauf um. Er fragt nach Zugfestigkeit, Temperaturbereich und Vibrationsbelastung, grenzt das Sortiment ein und übergibt einen vorqualifizierten Lead samt technischer Anforderungen an den Vertrieb. Während ein Kontaktformular eine E-Mail-Adresse liefert, liefert ein Beratungsdialog ein halbes Lastenheft.

Interne Wissens-Bots: Handbuchsuche in Sekunden

Viele Unternehmen starten intern, bevor sie Kunden an einen Assistenten lassen. Servicetechniker im Maschinenbau fragen nach einem Fehlercode und bekommen die Diagnose samt Reparaturschritt, statt 500 Seiten Dokumentation zu durchsuchen. Die Datenlage ist identisch mit der eines Produktberaters, nur sitzt die Zielgruppe im eigenen Haus.

Welcher KI-Produktberater eignet sich für B2B-Unternehmen mit erklärungsbedürftigen Produkten?

Für erklärungsbedürftige B2B-Produkte eignet sich ein generativer KI-Produktberater mit direkter Anbindung an Produktdaten, technische Spezifikationen und ERP-Bestandsdaten. Entscheidend sind drei Fähigkeiten: Rückfragen zum Anwendungsfall stellen, Kompatibilität prüfen und die Empfehlung begründen. Ein FAQ-Bot ohne Produktdatenzugriff kann das nicht, egal wie gut sein Sprachmodell ist.

Konkret prüfe ich bei B2B-Projekten sechs Punkte, bevor überhaupt über Anbieter geredet wird:

1. Live-Datenanbindung statt Export. Der Berater muss auf aktuelle Preise, Varianten und Bestände zugreifen, nicht auf einen nächtlichen CSV-Abzug.
2. Regelwissen abbildbar. Zulassungen, Normen und Kompatibilitätsmatrizen gehören als harte Regeln hinterlegt, nicht als Fließtext in einen Prompt.
3. Rückfragen-Logik. Kann das System nachfragen, wenn die Anfrage unterbestimmt ist? Ohne Rückfrage gibt es keine Beratung, sondern Raten.
4. Begründungspflicht. Jede Empfehlung braucht eine nachvollziehbare Herleitung. Im B2B kauft niemand, weil eine KI etwas behauptet.
5. Sauberer Übergabepunkt. Bei Sonderanfertigungen oder Rahmenverträgen muss der Dialog inklusive Historie an einen Menschen gehen.
6. Messbarkeit ab Tag eins. Ohne attribuierten Umsatz oder eingesparte Bearbeitungszeit hast du nach sechs Monaten kein Argument für die Verlängerung.

HELLA Lightstyle ist genau dieser Fall in Reinform: technische Kompatibilität plus rechtliche Zulassung plus Laienpublikum. Was eine KI-Produktberatung dabei konkret abdeckt, siehst du dort im Detail.

Was unterscheidet den KI-Produktberater vom FAQ-Bot?

Ein FAQ-Bot beantwortet bekannte Fragen aus einer festen Wissensbasis. Ein KI-Produktberater führt ein Beratungsgespräch: Er stellt Rückfragen, greift live auf Produkt- und Bestandsdaten zu und empfiehlt ein konkretes Produkt. Der FAQ-Bot senkt Servicekosten, der Produktberater erhöht den Umsatz. Beides sind legitime Ziele, aber es sind zwei verschiedene Projekte mit verschiedenem Budget.

Welche wirtschaftlichen Effekte dahinterstehen, haben wir in der Übersicht zu den Vorteilen eines Chatbots aufgeschlüsselt.

Produktberater vs. Produktfinder: Der Unterschied

Ein Produktfinder ist ein geführter Filter. Du beantwortest vier bis sechs vorgegebene Fragen und bekommst am Ende eine gefilterte Trefferliste. Ein KI-Produktberater führt dagegen ein offenes Gespräch, in dem der Kunde selbst formuliert, was er braucht, auch wenn er das Fachvokabular gar nicht kennt.

Der Unterschied wird sichtbar, sobald jemand vom Skript abweicht. Ein Produktfinder kennt die Frage "Mein Rasen hat gelbe Flecken, was mache ich?" schlicht nicht, weil sie in keinem seiner Auswahlschritte vorkommt. Genau an dieser Stelle bricht die Beratung ab, und der Kunde ist weg.

Checkliste: Ist dein Unternehmen bereit für einen Beratungs-Bot?

Ein Beratungs-Bot lohnt sich ab etwa 3.000 monatlichen Besuchern, einem beratungsintensiven Sortiment und strukturiert vorliegenden Produktdaten. Fehlt eine dieser drei Voraussetzungen, bringt zunächst ein FAQ-Bot mehr, oder schlicht die Produktdatenpflege. Nicht jedes Unternehmen braucht die dritte Stufe.

Der ROI verschiedener Chatbot-Einsatzgebiete

Der ROI unterscheidet sich stark nach Einsatzgebiet: Service-Bots amortisieren sich über eingesparte Bearbeitungszeit, Produktberater über höhere Warenkörbe und Conversion. In unseren Produktberatungs-Projekten sind 16x bis 33x ROI dokumentiert, im reinen Service liegt der Hebel eher bei 40 bis 60 Prozent weniger Anfragevolumen im Team.

Die höchsten Returns entstehen dort, wo der Bot aktiv zum Abschluss führt, nicht dort, wo er Anfragen abfängt. Was so ein Projekt tatsächlich kostet und welche Preismodelle im Markt üblich sind, rechnen wir im Beitrag zu den Chatbot Kosten durch.

Fazit: Die Demokratisierung der Beratung beginnt jetzt

Die aussagekräftigsten Chatbots Beispiele stammen 2026 nicht mehr von Konzernen, sondern von mittelständischen Händlern, die ihre Fachberatung digitalisiert haben. Entscheidend ist der Zugriff auf Produktdaten, nicht die Größe des Unternehmens. Ein Händler mit vier Mitarbeitern und einem sauberen Katalog kommt weiter als ein Konzern mit unstrukturierten Daten.

Was mich an der Klarna-Geschichte bis heute ärgert: Sie wird immer noch als Beweis dafür zitiert, dass KI Menschen ersetzt. Dabei beweist sie das Gegenteil. Sie zeigt, wo die Grenze liegt, und das ist die deutlich wertvollere Information.

Für beratungsintensive Sortimente gilt diese Grenze nämlich nicht. Dort ersetzt niemand einen Menschen, weil die Beratung vorher schlicht nicht stattgefunden hat. Kein Verkäufer steht nachts um halb zwölf in deinem Onlineshop.

FAQ: Häufige Fragen zu Chatbots Beispielen