20.05.2025
GASTBEITRAG

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

Gastbeitrag. Startmatch.ai-Gründer Robert Kopka teilt seine Learnings und gibt Tipps für Startups, um sich in der KI-Landschaft zurechtzufinden.
/artikel/jenseits-des-hypes-5-praxisnahe-lektionen-fuer-den-aufbau-eines-b2b-ki-tools
KI, Robert Kopka, Wie baue ich ein KI-Tool
(c) Startmatch/Stock-.Adobe - Robert Kopka.

KI ist aktuell überall – aber zwischen dem Hype und der Entwicklung eines B2B-Tools, das zahlende Kunden begeistert, liegen Welten. Mit StartMatch.ai haben wir ein KI-Tool entwickelt, das individuelle Empfehlungen für Förderungen erstellt und Förderanträge schreibt. Es hat schon unzähligen Startups, Scaleups und Förderberatern dabei geholfen, mehr Zeit für andere Themen zu haben. Diese fünf Erkenntnisse möchte ich Startups mitgeben, damit sie typische Fehler vermeiden und ihre KI-Lösung erfolgreich launchen können.

Erkenntnis #1: KI-Kompetenz bleibt überraschend niedrig

Obwohl ChatGPT seit über zwei Jahren öffentlich verfügbar ist, haben wir festgestellt, dass die KI-Kompetenz unter potenziellen B2B-Kunden stark variiert. Viele unserer Kunden haben nur begrenzte Erfahrung mit KI-Tools und äußern häufig Datenschutzbedenken oder Sorgen vor sogenannten Halluzinationen. Diese Unsicherheit bringt einige Herausforderungen mit sich. Startups sollten die KI-Kompetenz ihrer Zielgruppe realistisch einschätzen und ihre Kommunikation entsprechend anpassen. Der Vorteil dabei: Eine unerfahrene Zielgruppe lässt sich schon mit vergleichsweise einfachen KI-Features begeistern.

Erkenntnis #2: LLM ist nicht gleich LLM

Eine unserer frühesten und bedeutendsten Erkenntnisse war, dass nicht alle KI-Modelle gleich sind. Die Leistung von LLMs (Large Language Models) variiert dramatisch, und die Auswahl des richtigen Modells für Ihren spezifischen Anwendungsfall kann ein entscheidender Faktor sein. Als wir mit der Entwicklung von StartMatch.ai begannen, experimentierten wir zunächst mit mehreren populären Modellen. Die Unterschiede in der Ausgabequalität und Konsistenz waren auffällig. Einige Modelle glänzten beim kreativen Schreiben, hatten aber Schwierigkeiten mit strukturierten Dokumenten wie Förderanträgen. Andere zeigten beeindruckende faktische Erinnerungsfähigkeiten, ihnen mangelte es jedoch an den Schreibfähigkeiten, die für überzeugende Anträge unerlässlich sind. Für Startups, die KI-Tools entwickeln, ist es entscheidend, mehrere Modelle gründlich anhand ihrer spezifischen Anforderungen zu testen, anstatt einfach die gehypteste Option zu wählen.

Erkenntnis #3: B2B-Kunden priorisieren Datenschutz und Datensicherheit

Wenn man ein B2B KI-Produkt (für den deutschsprachigen Markt) entwickelt, muss man sich auf intensive Diskussionen über Datenschutz, DSGVO-Konformität und Privatsphäre vorbereiten. Wir erhielten mehr Fragen zu diesen Bereichen als zu Funktionen oder Fähigkeiten. Wir stellten fest, dass potenzielle Kunden genauso an den Schreibfähigkeiten unserer KI interessiert sind wie daran, wie wir mit ihren sensiblen Geschäftsinformationen umgehen. Fragen zur Datenspeicherung, zu Verarbeitungsorten und Sicherheitsmaßnahmen dominieren oft unsere Verkaufsgespräche. Für Startups ist es weitaus effizienter, von Grund auf gute Schutzmaßnahmen aufzubauen, als sie später nachzurüsten. Unsere starke Empfehlung ist es, diese Aspekte von Anfang an zu berücksichtigen.

Erkenntnis #4: LLMs haben Schwierigkeiten mit Konsistenz und Zählen

Während LLMs in vielen Bereichen bemerkenswerte Fähigkeiten zeigen, haben sie spezifische Einschränkungen, die erhebliche technische Entwicklungen erforderten, um sie zu überwinden. Förderanträge haben typischerweise strenge Zeichen- oder Wortanzahlbegrenzungen. Wir stellten fest, dass LLMs überraschend schlecht darin sind, zu zählen und konsequent innerhalb dieser Grenzen zu bleiben. Was wie eine einfache Anforderung erschien – „schreibe eine technische Projektbeschreibung mit maximal 2.000 Zeichen“ – führte oft zu Vorschlägen, die deutlich über oder unter dem Limit lagen. Ebenso erwies sich das konsistente Extrahieren von Daten aus Dokumenten als herausfordernd. Und für uns macht es einen großen Unterschied, ob das maximal unterstützte Projektvolumen €20.000 oder €200.000 beträgt. Die Bewältigung dieser Einschränkungen erforderte die Entwicklung spezialisierter Prompt-Techniken, die Implementierung von Validierungssystemen und die Schaffung robuster Überprüfungsmechanismen. Für KI-Startups kann das frühzeitige Erkennen und technische Umgehen dieser Einschränkungen Probleme später verhindern.

Erkenntnis #5: LLMs sind relativ erschwinglich

Eine der angenehmsten Überraschungen auf unserem Weg war die Zugänglichkeit leistungsstarker KI-Modelle. Jeder größere LLM-Anbieter bietet großzügige kostenlose Credits für Startups an, und selbst die regulären Preise bleiben angesichts der Fähigkeiten, die diese Modelle liefern, vernünftig. Der intensive Wettbewerb zwischen OpenAI, Anthropic, Google und den Open-Source-Modellen hat ein günstiges Umfeld für Startups geschaffen, die auf diesen Grundlagen aufbauen. Diese Wettbewerbslandschaft hat nicht nur die Preise im Zaum gehalten, sondern auch Modellverbesserungen und Spezialisierungen beschleunigt. Für Startups bedeutet das, dass der Aufbau ausgeklügelter KI-Produkte finanziell tragfähiger ist als je zuvor und man bei Produkten anfangs auch mit Kanonen auf Spatzen schießen kann, um rasch gute Ergebnisse zu erzielen.

Deine ungelesenen Artikel:
10.11.2026

KI-Agenten gezielt steuern: Warum klare Grenzen im Kundenservice entscheidend sind

KI-Agenten können im Kundenservice viel leisten, solange sie wissen, wo ihre Grenzen liegen. Ein Gastbeitrag über die gezielte Steuerung von KI im Kundenkontakt.
/artikel/ki-agenten-gezielt-steuern-warum-klare-grenzen-im-kundenservice-entscheidend-sind
10.11.2026

KI-Agenten gezielt steuern: Warum klare Grenzen im Kundenservice entscheidend sind

KI-Agenten können im Kundenservice viel leisten, solange sie wissen, wo ihre Grenzen liegen. Ein Gastbeitrag über die gezielte Steuerung von KI im Kundenkontakt.
/artikel/ki-agenten-gezielt-steuern-warum-klare-grenzen-im-kundenservice-entscheidend-sind

Ein Kunde fragt nach dem Lieferstatus seiner Bestellung. Ein anderer benötigt eine Produktempfehlung. Ein dritter möchte wissen, welche Bedingungen für eine Reklamation gelten. Obwohl alle drei Anfragen im Kundenservice eingehen, stellen sie unterschiedliche Anforderungen an den Einsatz künstlicher Intelligenz. Denn während eine Produktberatung individuell formuliert werden kann, müssen Auskünfte zu Vertragsbedingungen auf verbindlichen Informationen beruhen.

Für mittelständische Unternehmen stellt sich deshalb eine zentrale Frage: Wie lässt sich genau festlegen, welche Informationen KI-Agenten nutzen und welche Aufgaben sie eigenständig übernehmen dürfen?

Unternehmen müssen bestimmen, worauf die KI zugreifen darf

Moderne Sprachmodelle können Informationen verarbeiten, Zusammenhänge erkennen und Antworten formulieren. Im Kundenservice reicht diese Fähigkeit allein jedoch nicht aus. Entscheidend ist, dass die KI ausschließlich auf Informationen und Funktionen zugreift, die für das jeweilige Anliegen freigegeben sind.

Bei Fragen zu Lieferbedingungen sollte sie beispielsweise nur die aktuellen Unternehmensrichtlinien berücksichtigen. Bei einer allgemeinen Produktberatung kann es dagegen sinnvoll sein, verschiedene Wissensquellen miteinander zu verknüpfen. Für eine Bestellstatusabfrage wiederum benötigt der Agent Zugriff auf aktuelle Daten aus einem angebundenen System.

Was in der Praxis häufig unterschätzt wird: KI muss im Unternehmen nicht als frei agierendes System eingesetzt werden. Durch gezielte Konfiguration lassen sich Informationsquellen, Antwortvorgaben und Handlungsmöglichkeiten so eingrenzen, dass KI-Agenten innerhalb klar definierter Regeln arbeiten. Damit können Unternehmen KI auch dort einsetzen, wo Verlässlichkeit und Kontrolle besonders wichtig sind.

Dabei lässt sich nicht nur festlegen, welche internen Dokumente, Datenbanken oder externen Quellen verwendet werden dürfen. Auch der Zugriff auf eine Websuche oder die Ausführung bestimmter Aktionen kann eingeschränkt werden.

Restriktiv, generativ oder agentisch: Der Anwendungsfall entscheidet

Je nach Aufgabe können unterschiedliche KI-Ansätze zum Einsatz kommen. Diese schließen sich nicht gegenseitig aus, sondern lassen sich innerhalb einer Kundenservice-Lösung miteinander kombinieren.

Restriktive KI: Antworten innerhalb klarer Vorgaben

Bei verbindlichen Auskünften sind enge Grenzen notwendig. Ein restriktiv konfigurierter KI-Agent greift ausschließlich auf freigegebene Informationen zurück und darf definierte Antwortvorgaben nicht verlassen.

Fehlen die erforderlichen Informationen, sollte das System keine Aussagen ergänzen oder Vermutungen anstellen. Stattdessen kann es die Anfrage an einen Mitarbeitenden weiterleiten.

Dieser Ansatz eignet sich beispielsweise für Garantiebedingungen, Vertragsinformationen oder sensible Serviceprozesse.

Generative KI: Individuelle Antworten auf kontrollierter Wissensbasis

Andere Anliegen erfordern eine flexiblere Kommunikation. Möchte ein Kunde mehrere Produkte vergleichen oder technische Zusammenhänge verstehen, kann generative KI Informationen aus hinterlegten Wissensquellen zusammenführen und verständlich aufbereiten.

Dabei muss die KI nicht auf ihr allgemeines Trainingswissen zurückgreifen. Sie kann so konfiguriert werden, dass ihre Antworten ausschließlich auf ausgewählten Unternehmensinformationen basieren. Die Formulierung bleibt flexibel, während die zugelassenen Informationsquellen klar definiert sind.

Agentische KI: Aufgaben innerhalb festgelegter Berechtigungen ausführen

Agentische KI geht über die reine Beantwortung von Fragen hinaus. Sie kann verfügbare Werkzeuge auswählen, Schnittstellen nutzen und mehrstufige Aufgaben bearbeiten.

Beispielsweise kann ein KI-Agent eine Bestellnummer entgegennehmen, den zugehörigen Status über eine Schnittstelle abfragen und die Information anschließend verständlich ausgeben.

Welche Aktionen er ausführen darf, legt das Unternehmen fest. Ein Agent kann somit berechtigt sein, Bestelldaten abzurufen, ohne gleichzeitig Änderungen oder Stornierungen vornehmen zu dürfen.

Die Steuerung erfolgt auf Ebene einzelner Anliegen

Für mittelständische Unternehmen ist es häufig sinnvoll, nicht sämtliche Kundenanfragen nach denselben Regeln bearbeiten zu lassen.

So lässt sich beispielsweise festlegen, dass ein Agent bei Fragen zu Unternehmensrichtlinien ausschließlich interne Dokumente verwendet. Bei allgemeinen Fachfragen kann eine ergänzende Websuche erlaubt sein. Geht es hingegen um kundenspezifische Informationen, erfolgt der Zugriff über eine autorisierte Schnittstelle.

Auch die Grenzen der Automatisierung können individuell definiert werden. Während ein Agent den Bearbeitungsstand einer Reklamation selbstständig mitteilen darf, kann eine Erstattungsentscheidung weiterhin einem Mitarbeitenden vorbehalten bleiben.

Entsprechende Möglichkeiten zur Verknüpfung von Wissensquellen, KI-Funktionen und bestehenden Systemen bieten Plattformen wie DialogBits für den KI-gestützten Kundenservice.

Praxisbeispiel: KI-Agent beim HERDT-Verlag

Wie sich die Bearbeitung unterschiedlicher Kundenanliegen mit kontrollierten Systemzugriffen verbinden lässt, zeigt der HERDT-Verlag für Bildungsmedien.

Dort unterstützt der KI-Agent „Berti“ Kunden im Online-Shop. Über angebundene Werkzeuge kann er unter anderem Bestellinformationen abrufen und verschiedene Anliegen innerhalb eines Gesprächs bearbeiten.

Die verfügbaren Funktionen und ihre Einsatzmöglichkeiten werden dabei konfiguriert. Anhand der jeweiligen Kundenanfrage wählt der Agent ein geeignetes Werkzeug aus, ohne uneingeschränkten Zugriff auf sämtliche Systeme zu erhalten.

In den ersten zwei Wochen nach der Umstellung beantwortete Berti bereits 76 Kundenanfragen eigenständig. Die Success Story des HERDT-Verlags zeigt, wie dieser Ansatz in der Praxis umgesetzt wurde.

Fazit: Kontrolle ist die Grundlage sinnvoller Automatisierung

Der Einsatz von KI-Agenten im Kundenservice bedeutet nicht, künstlicher Intelligenz möglichst viele Freiheiten einzuräumen. Vielmehr müssen Unternehmen bestimmen können, welche Informationen genutzt, welche Antworten formuliert und welche Aktionen ausgeführt werden dürfen.

Gerade für mittelständische Betriebe liegt darin ein wesentlicher Vorteil: Unterschiedliche Serviceprozesse lassen sich automatisieren, ohne für jede Anfrage denselben Handlungsspielraum zuzulassen. Entscheidend ist nicht, wie viel ein KI-Agent grundsätzlich kann, sondern was er im jeweiligen Kontext tatsächlich darf.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools