KI-Agent vs. Chatbot: Was ist der Unterschied?
Zuletzt aktualisiert:
Drei Arten von Chatbots
Hinter dem Wort Chatbot stecken sehr unterschiedliche Werkzeuge. Am klarsten trennst du sie mit zwei Fragen: Wie entsteht die Antwort, und kann das System mehr als reden?
- Regelbasierter Chatbot: folgt einem Entscheidungsbaum oder reagiert auf Schlüsselwörter. Jede Antwort und jeder Pfad wird vorab von einem Menschen geschrieben.
- LLM-Chatbot: lässt ein großes Sprachmodell jede Antwort in natürlicher Sprache formulieren. Gute LLM-Chatbots stützen sich auf deine eigenen Inhalte und antworten aus deinen Seiten und Dokumenten statt aus Allgemeinwissen.
- KI-Agent: ein LLM-Chatbot, der zusätzlich Werkzeuge nutzt. Er entscheidet selbst, wann er eine API aufruft, Live-Daten abfragt oder einen Schritt ausführt, und verarbeitet das Ergebnis in seiner Antwort.
So funktioniert ein regelbasierter Chatbot
Ein regelbasierter Chatbot ist ein Flussdiagramm mit einem Chatfenster davor. Du legst fest, welche Fragen er stellt, welche Buttons Besucher drücken können und welche Antwort am Ende jedes Zweigs steht. Manche Varianten durchsuchen zusätzlich den eingegebenen Text nach Schlüsselwörtern, sodass eine Nachricht mit „Rückerstattung“ im Zweig für Retouren landet.
Weil jede Antwort von einem Menschen stammt, kommt nichts Unerwartetes heraus. Diese Vorhersehbarkeit ist der wichtigste Grund für einen solchen Bot. Er passt zu Abläufen mit fester Reihenfolge, etwa wenn ein Lead mit drei Fragen qualifiziert oder jemand durch ein Formular geführt wird.
Der Preis dafür sind Abdeckung und Pflegeaufwand. Der Bot kennt nur die Pfade, die du gebaut hast. Wer eine Frage anders formuliert oder zwei Dinge auf einmal fragt, landet oft in einer Sackgasse oder wieder im Hauptmenü. Jedes neue Thema bedeutet einen weiteren Zweig, den du entwerfen, schreiben und testen musst.
So funktioniert ein LLM-Chatbot
Ein LLM-Chatbot schickt das Gespräch an ein großes Sprachmodell, das daraufhin eine Antwort schreibt. Umschreibungen, Tippfehler, Rückfragen und andere Sprachen versteht es, ohne dass jemand dafür eigene Zweige anlegen muss.
Für sich allein antwortet ein Sprachmodell aus dem, was es beim Training gelernt hat. Dieses Wissen ist allgemein, kann veraltet sein und enthält nichts über deine Preise, Öffnungszeiten oder Rückgaberegeln. Fehlt ihm eine Antwort, liefert es unter Umständen eine selbstbewusste Vermutung. Das nennt man Halluzination.
Die Lösung heißt Grounding, also die Verankerung in Quellen. Bevor das Modell antwortet, durchsucht das System deine eigenen Inhalte wie Webseiten, PDFs und Q&A-Paare und gibt dem Modell die passendsten Abschnitte mit der Anweisung, daraus zu antworten. Dieses Muster heißt Retrieval-Augmented Generation, kurz RAG. Ein gut verankerter Chatbot antwortet aus deinen Quellen und sagt offen, wenn die Antwort dort nicht steht.
So funktioniert ein KI-Agent
Ein KI-Agent bekommt Werkzeuge. Du beschreibst dem Modell eine Reihe von Aktionen, zum Beispiel „Produktkatalog durchsuchen“ oder „Bestellung anhand der Nummer abrufen“, samt den Eingaben, die jede Aktion braucht. Im Gespräch entscheidet das Modell, ob eine Aktion weiterhilft, füllt die Eingaben aus dem Gesagten und bittet das System, sie auszuführen. Das System ruft die API auf, gibt das Ergebnis zurück, und das Modell formuliert damit seine Antwort. Dieser Mechanismus heißt Tool Calling oder Function Calling.
Damit wird aus einem Chatbot, der erklärt, einer, der nachsehen und handeln kann. Ein Agent kann einem Besucher sagen, ob ein Produkt gerade vorrätig ist, den Preis einer bestimmten Konfiguration abfragen oder einen Schritt auf deiner eigenen Webseite auslösen.
Regelbasierter Chatbot vs. LLM-Chatbot vs. KI-Agent
Die Tabelle fasst typisches Verhalten zusammen, nicht ein bestimmtes Produkt. Die Grenzen sind fließend: Viele Produkte mischen die Ansätze, und ein KI-Agent ist im Kern ein LLM-Chatbot mit zusätzlichen Fähigkeiten. Trotzdem stehen die drei Begriffe für echte Unterschiede bei Einrichtung, Verhalten und Risiko.
| Typ | Wie er antwortet | Kann handeln | Aufwand | Geeignet für | Hauptrisiko |
|---|---|---|---|---|---|
| Regelbasierter Chatbot | Feste Antworten aus Entscheidungsbaum oder Schlüsselwortregeln | Nur Schritte, die im Ablauf eingebaut sind | Hoch: Jeder Pfad wird von Hand entworfen | Kurze, feste Abläufe und Formulare | Sackgassen, sobald Besucher vom Skript abweichen |
| LLM-Chatbot (verankert) | Formuliert Antworten aus deinen Inhalten, die zur Frage gesucht werden | Nein | Niedrig bis mittel: Inhalte hinzufügen, Anweisungen schreiben | Fragen zu Produkten, Leistungen und Regeln | Falsche oder erfundene Antworten, wenn Inhalte fehlen oder die Verankerung schwach ist |
| KI-Agent | Formuliert Antworten und ruft Werkzeuge für Live-Daten oder Schritte auf | Ja, über die Aktionen, die du festlegst | Mittel: Inhalte plus API-Anbindung und Tests | Fragen, die Live-Daten oder einen Schritt in deinen Systemen brauchen | Falsche Aktion oder Handeln auf Basis falscher Eingaben |
Wann welcher Typ passt
Geh von den Gesprächen aus, die du heute schon führst. Sammle die Fragen, die dein Team per E-Mail und Telefon beantwortet, und sortiere sie danach, was eine gute Antwort braucht.
- Ein fester Ablauf mit klarem Ende, etwa eine Prüfung mit drei Fragen, ob jemand ein Angebot nutzen kann: Ein regelbasierter Ablauf reicht.
- Fragen, deren Antworten schon irgendwo stehen, etwa Versandkosten, Öffnungszeiten, Leistungsumfang oder das Zurücksetzen eines Passworts: ein verankerter LLM-Chatbot.
- Fragen, die Live-Daten brauchen, etwa der aktuelle Bestand oder der Preis eines konfigurierten Produkts: ein KI-Agent mit einer Abfrage-Aktion.
- Anfragen, die etwas in deinen Systemen ändern, etwa eine Buchung anlegen oder eine Bestellung stornieren: Ein Agent kann das über deine eigene API, aber nur, wenn du diesen Endpunkt baust und absicherst. Viele Unternehmen verlinken stattdessen auf ihre bestehende Buchungs- oder Kontoseite.
- Gespräche, die Urteilsvermögen, Einfühlungsvermögen oder Befugnisse erfordern, etwa Beschwerden oder rechtliche und medizinische Fragen: Lass einen Menschen entscheiden und den Bot eine E-Mail-Adresse oder Telefonnummer aufnehmen, damit sich jemand meldet.
Die Risiken von KI-Agenten und wie du sie verringerst
Je mehr ein Bot kann, desto mehr kann schiefgehen. Das sind die Risiken, die auf einer öffentlichen Website am meisten zählen, mit den üblichen Gegenmaßnahmen.
- Halluzination: Der Bot behauptet etwas, das nicht in deinen Inhalten steht. Verankere Antworten in deinen Quellen, ergänze Q&A-Paare, wo der genaue Wortlaut zählt, und weise den Bot an, offen zu sagen, wenn er etwas nicht weiß.
- Falsche Aktionen: Das Modell ruft eine Aktion im falschen Moment oder mit falschen Eingaben auf. Biete nur die Aktionen an, die du brauchst, beschreibe jede genau und halte Aktionen wo immer möglich rein lesend.
- Prompt Injection: Ein Besucher oder versteckter Text auf einer Seite versucht, die Anweisungen des Bots auszuhebeln. Setze auf Regeln, die solchen Versuchen standhalten, gib dem Modell nie Geheimnisse wie Passwörter und lass deine API Berechtigungen selbst prüfen, statt dem Chat zu vertrauen.
- Datenpreisgabe: Eine API liefert mehr, als der Besucher sehen soll. Lege fest, welche Felder der Antwort das Modell erhält, damit interne Daten nie im Gespräch landen.
- Ungetestetes Verhalten: Eine Aktion funktioniert in der Demo und scheitert an echten Eingaben. Teste jede Aktion vor dem Start mit realistischen, ungewöhnlichen und böswilligen Nachrichten und lies danach regelmäßig echte Gesprächsverläufe.
Checkliste für die Auswahl
Bevor du Tools vergleichst, beantworte diese Fragen schriftlich. Danach ist die Wahl meist klar.
- Welche Fragen kommen am häufigsten, und wo stehen ihre Antworten heute?
- Welche Antworten hängen von Daten ab, die sich täglich oder stündlich ändern?
- Gibt es für diese Daten eine API, und lässt sie sich sicher aus einem Chat aufrufen?
- Was darf der Bot nie tun oder sagen, und wie stellst du das sicher?
- Welche Kanäle brauchst du: nur deine Website oder auch Messenger und Telefon?
- Muss ein Mensch Chats live übernehmen können, oder reicht es, eine E-Mail-Adresse oder Telefonnummer zu erfassen?
Wo intoCHAT einzuordnen ist
intoCHAT ist ein LLM-Chatbot, der auf deinen eigenen Inhalten basiert und zusätzlich Aktionen ausführen kann. Du trainierst ihn mit deiner Website (er crawlt sie, und du wählst die Seiten aus), mit hochgeladenen Dateien wie PDFs und Word-Dokumenten, mit Textbausteinen und mit Q&A-Paaren. Jede Antwort beruht auf hybrider Suche, also semantischer Suche plus Stichwortsuche, in diesen Inhalten. Eingebaute Regeln halten die Antworten an deinen Quellen, machen den Agenten widerstandsfähig gegen Prompt Injection und sorgen dafür, dass er sagt, wenn er etwas nicht weiß, statt etwas zu erfinden.
Für alles, was deine Inhalte nicht beantworten, kannst du Aktionen hinzufügen. Mit eigenen API-Aktionen ruft der Agent während des Chats deine HTTP-API auf, füllt die Eingaben aus dem Gespräch und sieht nur die Antwortfelder, die du freigibst. Pro Agent sind bis zu 25 solcher Aktionen möglich. Clientseitige Aktionen führen JavaScript-Funktionen auf deiner eigenen Seite aus. Und wenn du einen Shop mit Shopify, WooCommerce, Magento, VTEX, WordPress oder einer eigenen Lösung betreibst, kann intoCHAT aus den öffentlichen Daten des Shops Aktionen für eine Live-Produktsuche erstellen.
Genauso klar ist, was intoCHAT nicht ist. Es ist kein visueller Ablauf-Editor für regelbasierte Entscheidungsbäume. Es gibt keine Übergabe an Menschen und keinen Live-Chat. intoCHAT läuft nur auf deiner Website, nicht in Messenger-Apps. Und es nutzt ein KI-Modell, das intoCHAT auswählt und verwaltet, du kannst das Modell also nicht selbst wählen. Brauchst du diese Dinge, passt ein anderes Werkzeug besser.
Wie ein verankerter Chatbot aus deinen eigenen Seiten antwortet, kannst du mit der kostenlosen Vorschau und deiner Website ausprobieren, bevor du ein Konto erstellst.