Chatbot erstellen: Vom FAQ-Bot zum KI-Berater

Google beantwortet diese Frage inzwischen selbst. Wer Anfang August 2026 nach chatbot erstellen sucht, bekommt ganz oben eine KI-Zusammenfassung mit vier Schritten, darunter drei YouTube-Tutorials und ein kostenloses Tool auf Platz 1. Die Botschaft: ist einfach, nimm einen Baukasten.

Das stimmt sogar. Und führt trotzdem zu Projekten, die nach drei Monaten stillschweigend abgeschaltet werden.

Wir bauen KI-Mitarbeiter für beratungsintensive Shops, vom Pflanzenschutz bis zur Lichttechnik. Der technische Teil ist dabei halt selten das Problem. Was scheitert, ist die Datenbasis und die Auftragsklärung davor. Genau darum geht es hier: nicht welches Tool, sondern welcher Bot welchen Job übernimmt und was das kostet.

Chatbot erstellen in 5 Schritten: die Kurzanleitung

Einen Chatbot erstellst du in fünf Schritten: Ziel festlegen, Datenbasis aufbereiten, Technologie wählen, trainieren und testen, auf den Kanälen ausspielen. Für einen einfachen FAQ-Bot reicht eine No-Code-Plattform in unter einer Stunde. Ein Bot, der Produkte berät, braucht strukturierte Produktdaten und RAG. Realistischer Aufwand: zwei bis vier Wochen.

1. Ziel festlegen. Entscheide dich für genau einen Job: Support entlasten oder Produkte verkaufen. Beides gleichzeitig funktioniert am Anfang nicht, weil die beiden Ziele unterschiedliche Daten brauchen. Aufwand: ein halber Tag mit den Leuten, die heute die Anfragen beantworten.
2. Datenbasis aufbereiten. Sammle das, worauf der Bot zugreifen soll: FAQ-Texte für Support, Produktattribute für Beratung. Das ist der Schritt, der über das Ergebnis entscheidet, und der einzige, den kein Tool dir abnimmt. Aufwand: zwei Tage bis zwei Wochen, je nach Datenqualität.
3. Technologie wählen. No-Code-Baukasten für Standardfragen, Eigenentwicklung für Sonderfälle, Domain-Specific AI mit RAG für Produktberatung. Die Wahl folgt aus Schritt 1, nicht aus dem Preis. Aufwand: ein Tag Recherche und Testzugänge.
4. Trainieren und testen. Füttere den Bot mit deinen Daten und stelle ihm die Fragen, die deine Kunden wirklich stellen. Wir gehen bei keinem Kunden unter 50 echten Testfragen live, davon mindestens ein Viertel zu Produkten, die es nicht im Sortiment gibt. Aufwand: drei bis fünf Tage.
5. Ausspielen und messen. Website zuerst, danach WhatsApp oder App. Die Einbindung ist bei den meisten Anbietern ein zweizeiliges Snippet. Wichtiger als der Kanal ist die Kennzahl: Automatisierungsquote beim Support, Warenkorbwert bei der Beratung. Aufwand: wenige Stunden.

Warum die meisten Chatbots scheitern

Die meisten Chatbots scheitern nicht an der Technik, sondern am Auftrag. Sie werden als Kostensenker im Support gebaut, nicht als Beratung im Verkauf. Ein Bot, der nur FAQs abarbeitet, beantwortet genau die eine Frage nicht, die über den Kauf entscheidet: Welches Produkt passt zu meinem Fall?

Die Zahl dahinter ist bekannt und wird trotzdem selten ernst genommen. Das Baymard Institute beziffert die durchschnittliche Warenkorbabbruchrate im E-Commerce auf 70,22%, gemittelt über 50 einzelne Studien. Sieben von zehn gefüllten Warenkörben werden also nie bezahlt.

An dieser Zahl rührt ein FAQ-Bot nun mal nichts. Er beantwortet Fragen zu Versand und Retoure, also Fragen nach dem Kaufentschluss. Die Unsicherheit davor bleibt unbearbeitet.

Der Bitkom-Studienbericht 2026 zeigt, wie schnell sich das Feld bewegt: 41% der Unternehmen ab 20 Beschäftigten setzen KI ein, ein Jahr zuvor waren es 17%. Befragt wurden 604 Unternehmen. Wer jetzt noch überlegt, ist nicht früh dran.

Wie ein Beratungsfall aussieht, der wirklich weh tut, zeigt HELLA. Im Geschäftsbereich Lightstyle geht es um Zusatzscheinwerfer für LKW und Offroad-Fahrzeuge, inklusive ECE-Zulassung, Kabelsätzen und Anbaupositionen. Die Kunden schrauben abends und am Wochenende, das Büro ist dann zu. Genau dort entstehen Kaufabbrüche.

„Mit Ella erklären wir Kunden noch samstagnachts um 23 Uhr rechtssicher, welche Lightbar auf ihren LKW darf. Das hat unsere Support-Anfragen um 60% gesenkt“, sagt Charlotte Henkenjohann von HELLA Lightstyle. Die Details stehen in der HELLA Lightstyle: KI-Produktberaterin Ella Story.

Die Grundlagen: 3 Wege, einen Chatbot zu bauen

Es gibt drei Wege: No-Code-Baukästen wie der HubSpot Chatbot-Builder oder Chatbase, bei denen du in unter einer Stunde live bist. Eigenentwicklung mit Python und Frameworks wie Rasa oder Botpress, die volle Kontrolle bei mehreren Wochen Aufwand bietet. Und Domain-Specific AI, die auf deinen Produktdaten arbeitet.

Die Wahl hängt an einer einzigen Frage. Soll der Bot antworten oder beraten?

1. Der Baukasten-Ansatz, auch kostenlos

No-Code-Baukästen arbeiten mit visuellen Editoren: Du definierst Auslöser und Antworten per Drag-and-Drop. Der HubSpot Chatbot-Builder ist kostenlos und steht auf dieser Suchanfrage nicht ohne Grund auf Platz 1, bei 4,4 von 5 Sternen aus 11.951 Bewertungen.

Kostenlos heißt allerdings nicht unbegrenzt. Der Gratis-Tarif von Chatbase umfasst 50 Nachrichten-Credits pro Monat und einen Nutzer. Kommt der Agent 14 Tage lang nicht zum Einsatz, wird er gelöscht. Für einen Test reicht das. Für einen Shop mit 3.000 Besuchern im Monat ist es nach etwa zwei Tagen aufgebraucht.

Die harte Grenze liegt woanders. Sobald ein Kunde etwas fragt, das nicht im Skript steht (Passt dieser Dünger auch bei Moos im Schatten?), fällt der Baukasten auf eine Kategorieseite zurück.

2. Custom GPTs und ChatGPT

Ein Custom GPT ist ein konfigurierter ChatGPT-Zugang mit eigenen Anweisungen und hochgeladenen Dateien. Du brauchst keine Zeile Code, und in zwei Stunden steht ein brauchbarer Prototyp. Für interne Wissensfragen ist das ein sehr guter Startpunkt.

Im Shop stößt der Ansatz an drei Stellen an: Es gibt keine Anbindung an Live-Bestände, keine Kontrolle über den genauen Wortlaut, und der Bot läuft in fremder Umgebung statt in deinem Widget. Als Prototyp gut. Als Produktberater im Verkauf nicht.

3. Selbst programmieren mit Python und Open Source

Wer den Bot selbst entwickelt, nutzt in der Regel Python mit LangChain oder ein Framework wie Rasa beziehungsweise Botpress. Beide sind Open Source. Du bekommst volle Kontrolle über Datenpipeline, Hosting und Modellwahl, und du kannst den Bot direkt an deine Warenwirtschaft hängen.

Der Preis dafür ist Zeit. Vier bis zwölf Wochen bis zum Produktivbetrieb, danach Wartung. Und wenn dein Team keine Entwicklungskapazität hat, die dauerhaft frei bleibt, ist das eben der Weg mit dem höchsten Risiko, nicht der mit der größten Flexibilität.

4. Domain-Specific AI mit RAG

Hier lädst du keine Skripte hoch, sondern dein Wissen: Produkt-Feeds, Datenblätter, Anwendungshinweise. Die KI erzeugt Antworten daraus zur Laufzeit statt aus dem Trainingswissen. Genau das ist der Unterschied zwischen einem KI-Chatbot und einem Regelwerk mit Textbausteinen.

Der Ansatz kostet mehr als ein Baukasten und verlangt eine saubere Datenbasis. Dafür versteht der Bot Zusammenhänge und bleibt an dein Sortiment gebunden. Wie sich diese Gesprächsqualität technisch einordnen lässt, beschreibt der Artikel zu Conversational AI. Für den mobilen Kanal lohnt zusätzlich der Blick auf die Chatbot-App für Mobile Commerce.

Strategische Vorbereitung: Support-Bot oder Beratungs-Bot

Vor der Toolwahl steht die Auftragsklärung. Ein Support-Bot senkt Ticketkosten und misst sich an der Automatisierungsquote. Ein Beratungs-Bot erhöht den Warenkorbwert und misst sich an Conversion und Umsatz pro Gespräch. Technisch derselbe Unterbau, aber zwei völlig verschiedene Datenanforderungen.

Ich halte die Toolwahl für die am meisten überschätzte Entscheidung in diesem Projekt. Die Tabelle unten entscheidet mehr als jeder Anbietervergleich.

Beide Wege sind legitim, sie lösen nur verschiedene Probleme. Wenn dein Serviceteam an wiederkehrenden Fragen erstickt, ist der Chatbot im Kundenservice der richtige Einstieg. Wenn Kunden dagegen im Sortiment die Orientierung verlieren, brauchst du KI-Produktberatung und damit Attributdaten statt FAQ-Texte.

Step-by-Step Guide: deinen Produkt-Chatbot erstellen

Der Bau eines beratenden Bots läuft in vier Phasen: Datenaufbereitung, Persona-Definition, Technologieauswahl mit RAG, und Testing gegen erfundene Antworten. Die Datenaufbereitung entscheidet über das Ergebnis. Ein Bot ist exakt so gut wie die Produktdaten, auf die er zugreift, nie besser.

Schritt 1: Datenaufbereitung

Datenaufbereitung heißt, dem Bot Produktattribute zu geben statt Marketingtext. Material, Passform, Wirkstoff, Kompatibilität, Anwendungsfall. Wer stattdessen nur die Website auslesen lässt, bekommt einen Bot, der Werbetexte zitiert und keine Empfehlung ableiten kann.

Nutze strukturierte Quellen: CSV, XML oder JSON-Feeds aus deinem Shopsystem. Ergänze sie um Wissenskarten für die Top-Seller, also die Fragen, die im Support ständig auflaufen (Ist das spülmaschinenfest?). Diese Antworten stehen selten in der Produktdatenbank und müssen explizit hinein.

Schritt 2: Die Persona definieren

Die Persona legt fest, wie der Bot spricht und wo er schweigt. Drei Rollen decken die meisten Fälle ab: der Assistent, knapp und effizient, gut im B2B. Der Enthusiast, proaktiv und locker, passend für Lifestyle. Der Fachexperte, präzise und terminologisch sauber, richtig bei Technik und Baumarkt.

Schritt 3: Die Technologie-Auswahl, RAG ist Pflicht

RAG steht für Retrieval Augmented Generation. Das System sucht zuerst die passenden Einträge in deiner Datenbank und übergibt sie dann an das Sprachmodell, das daraus die Antwort formuliert. Das Modell erfindet nichts, es formuliert nur, was gefunden wurde.

1. Kunde fragt: Habt ihr vegane Wanderschuhe?
2. Retrieval: Das System durchsucht deine Produktdaten nach Kategorie Wanderschuh plus Attribut vegan
3. Augmentation: Die Treffer werden dem Sprachmodell als Kontext mitgegeben
4. Generation: Die KI formuliert: Ja, Modell X und Modell Y, beide ohne tierische Materialien.

Ohne diesen Zwischenschritt antwortet das Modell aus seinem Trainingswissen und nennt im schlechtesten Fall Produkte, die du gar nicht führst. Nur: RAG repariert keine schlechten Daten. Es macht schlechte Daten lediglich zuverlässig abrufbar. Das ist der Punkt, an dem die meisten Projekte ihre Erwartung korrigieren müssen.

Schritt 4: Testing und Training

Vor dem Livegang wird nicht nur auf Richtigkeit getestet, sondern auf Verkaufsverhalten. Wir arbeiten mit mindestens 50 echten Kundenfragen aus dem Postfach, ein Viertel davon zu Produkten außerhalb des Sortiments. Wie das Training methodisch abläuft, steht im Chatbot-Training.

Der Nein-Test

Frag nach einem Produkt, das du nicht führst. Schlecht: Das haben wir nicht. Gut: Dieses Modell führen wir nicht, aber Modell Z deckt denselben Anwendungsfall ab. Ein Bot, der bei Nein aufhört, verliert den Kunden an die nächste Suchanfrage.

Der Warum-Test

Frag: Warum empfiehlst du mir genau diesen Schuh? Der Bot muss ein Attribut mit deinem Bedürfnis verknüpfen, also Dämpfung mit Knieschmerzen. Kommt stattdessen eine Wiederholung der Produktbeschreibung, fehlen die Attributdaten aus Schritt 1.

Den organisatorischen Ablauf drumherum, von Zieldefinition bis Rollout, beschreibt der Leitfaden zum KI-Chatbot einführen. Für die technische Anbindung an Shop und Warenwirtschaft ist die Chatbot-Integration der passende Einstieg.

Kosten und Aufwand: was kostet ein eigener Chatbot

Ein Chatbot kostet zwischen 0 Euro im Gratis-Tarif und mehreren tausend Euro Setup bei Eigenentwicklung. Realistisch für einen beratenden Bot im Mittelstand: ein mittlerer bis hoher dreistelliger Monatsbetrag als SaaS, ohne eigenes Entwicklungsteam. Die Spanne erklärt sich fast vollständig über die Datenanbindung.

Die Amortisation rechnet sich dann doch leichter, als die Zahlen vermuten lassen. Bei einem Warenkorb von 80 Euro und einer Marge von 30% deckt ein Bot, der 40 zusätzliche Abschlüsse im Monat auslöst, knapp 1.000 Euro Monatsgebühr. Bei Rasendoktor lag der ROI nach Einführung bei 16x.

Rechtssicher betreiben: EU AI Act, Transparenzpflicht und DSGVO

Nutzer müssen erfahren, dass sie mit einer KI sprechen. Geregelt ist das in Artikel 50 EU AI Act, der Transparenzpflicht für KI-Systeme mit direkter Nutzerinteraktion. Die Vorschrift gilt seit dem 2. August 2026. Dazu kommen die DSGVO-Anforderungen an Verarbeitung und Speicherort der Chatverläufe.

Wichtig ist die genaue Adressierung, und da wird in vielen Beiträgen doch ziemlich geschludert. Artikel 50 Absatz 1 verpflichtet die Anbieter: Sie müssen das System so gestalten, dass die Information beim Nutzer ankommt. Die Betreiberpflichten in Artikel 50 betreffen Emotionserkennung und Biometrie (Absatz 3) sowie Deepfakes und öffentlich informierende Texte (Absatz 4).

Die EU-Kommission formuliert den Anwendungsfall ausdrücklich mit Chatbots: „when using AI systems such as chatbots, humans should be made aware that they are interacting with a machine so they can take an informed decision“. Der AI Act ist seit dem 2. August 2026 anwendbar, die Aufsicht liegt bei AI Office und nationalen Behörden.

1. Hinweis vor der ersten Antwort. Absatz 5 verlangt die Information klar und unterscheidbar spätestens beim ersten Kontakt. Praktisch: eine Zeile im Begrüßungstext des Widgets, nicht nur im Impressum.
2. Name ohne Täuschung. Ein menschlich klingender Vorname ist erlaubt, solange die KI-Eigenschaft daneben steht. Flora, digitale Produktberaterin erfüllt das, Flora aus dem Kundenservice nicht.
3. Ausnahme prüfen. Die Pflicht entfällt, wenn die KI-Natur für einen verständigen Nutzer offensichtlich ist. Verlass dich nicht darauf: Der Maßstab ist der Nutzer, nicht dein Entwicklungsteam.
4. Übergabe an Menschen kennzeichnen. Wechselt das Gespräch zu einer echten Person, sollte auch dieser Wechsel sichtbar sein. Sonst entsteht genau die Unklarheit, die die Vorschrift verhindern will.
5. Verarbeitung und Speicherort klären. Chatverläufe sind personenbezogene Daten, sobald sie Namen, Bestellnummern oder E-Mail-Adressen enthalten. Auftragsverarbeitungsvertrag und EU-Hosting gehören in die Anbieterauswahl.
6. Bußgeldrahmen kennen. Verstöße gegen die Transparenzpflichten aus Artikel 50 sind nach Artikel 99 Absatz 4 mit bis zu 15 Millionen Euro oder 3% des weltweiten Jahresumsatzes bewehrt, je nachdem, was höher ist. Für KMU gilt laut Absatz 6 der jeweils niedrigere Wert.

Für den DACH-Markt kommt ein praktischer Punkt dazu: Der Hinweis muss in der Sprache stehen, in der beraten wird. Worauf es bei einem deutschsprachigen Chatbot sonst noch ankommt, von Anrede bis Dialekttoleranz, steht im eigenen Guide.

Best Practice: so sieht exzellente Beratung aus

Der Unterschied zwischen FAQ-Bot und Berater zeigt sich an einer einzigen Frage: Was empfiehlst du mir? Ein FAQ-Bot verweist auf eine Kategorieseite. Ein Beratungs-Bot stellt zwei Rückfragen zur Situation und nennt danach ein konkretes Produkt, mit Begründung.

Negativ-Beispiel: der FAQ-Bot

Kunde: Ich suche eine Creme für trockene Haut. Bot: Wir haben viele Cremes. Hier ist der Link zu unserer Kategorie Gesichtspflege. Ergebnis: Der Kunde klickt sich durch 100 Produkte oder springt ab.

Positiv-Beispiel: der KI-Produktberater

Kunde: Ich suche eine Creme für trockene Haut. Bot: Ist deine Haut eher empfindlich, und suchst du etwas für den Tag oder die Nacht? Kunde: Empfindlich, für die Nacht. Bot: Dann passt Calm Night Repair: parfümfrei, mit Ceramiden, die über Nacht regenerieren.

In der Praxis sieht das so aus. Rasendoktor bekommt saisonal 2.000 bis 3.000 beratungsintensive Anfragen zu Rasenproblemen, mit regionalen Unterschieden zwischen Deutschland und Österreich. Der KI-Mitarbeiter Hektor übernimmt sie vollständig.

„Beeindruckend, wie präzise Hektor unser Fachwissen anwendet. Er bearbeitet heute 100% unserer Webchat-Anfragen automatisch, im Einklang mit unserer Beratungslinie“, sagt René Deutsch, CEO der TURF Handels-GmbH. Nachzulesen in der Story Rasendoktor: KI-Mitarbeiter Hektor.

Bei Neudorff geht es um Pflanzenschutz, also um Beratung unter gesetzlichen Vorgaben. „Flora verbindet unser Fachwissen mit KI-Effizienz und übernimmt 97% unserer Produktberatung rund um die Uhr, in genau der Qualität, für die Neudorff steht“, sagt Michael Horn, Head of Digital. Die Details stehen unter Neudorff: KI-Beraterin Flora.

Assets: Checklisten und Entscheidungshilfen

Zwei Hilfen für die Umsetzung: ein Entscheidungsbaum, der anhand von Produktkomplexität und Supportvolumen den passenden Ansatz zuordnet, und eine Prompt-Struktur für die Persona-Konfiguration. Beide lassen sich in einer halben Stunde durchgehen.

Entscheidungsbaum: welcher Ansatz passt?

1. Willst du verkaufen oder Anfragen reduzieren? Nur Support: nimm einen Baukasten. Verkaufen und beraten: weiter zu Frage 2.

2. Habt ihr dauerhaft freie Entwicklungskapazität? Ja: Eigenentwicklung mit Python oder Rasa ist realistisch. Nein: weiter zu Frage 3.

3. Wie komplex sind deine Produktdaten? Wenige Artikel, wenig Varianz: ein Baukasten mit Dateiupload reicht. Live-Bestände, Varianten, rechtliche Vorgaben: Domain-Specific AI mit direkter Shop-Anbindung.

Die Anatomie des System-Prompts

1. Rolle: Du bist ein erfahrener Barista.
2. Kontext: ...in einem Onlineshop für Spezialitätenkaffee.
3. Aufgabe: Berate nach Geschmack (säurebetont oder schokoladig) und Zubereitungsart.
4. Grenze: Erfinde keine Produkte. Bei Unsicherheit biete die Übergabe an einen Menschen an.

Fazit: die Zukunft gehört beratenden Bots

Einen Chatbot zu erstellen ist 2026 keine technische Hürde mehr. No-Code-Tools erledigen den FAQ-Fall in einer Stunde, und seit dem 2. August 2026 ist auch der rechtliche Rahmen klar. Die Frage ist, ob der Bot Anfragen abarbeitet oder Umsatz erzeugt.

Den Unterschied macht nicht das Tool, sondern die Qualität der Produktdaten dahinter.

Konkreter nächster Schritt, unabhängig vom Anbieter: Nimm die letzten 50 Beratungsmails aus deinem Postfach und sortiere sie in zwei Stapel, Support und Kaufberatung. Der größere Stapel sagt dir, welchen Bot du bauen solltest. Wenn das Support ist, findest du den Einstieg unter KI-Kundenservice.

Häufige Fragen zum Chatbot erstellen