
KI
Künstliche Intelligenz im Kundenservice – von Chatbots zu intelligenten KI-Agenten
Künstliche Intelligenz im Kundenservice hat den Weg von Bots mit Buttons zu KI-Agenten zurückgelegt, die Anliegen eigenständig in den Firmensystemen erledigen. Wir zeigen anhand einer Kundenanfrage, wie vier Generationen von Bots antworten, wann ein Mensch nötig ist, wie man Ergebnisse misst und wie man die Implementierung beginnt.
Tomasz Kozon
CEO
08. Okt. 2026
- Erste Generation: Bot mit Buttons
- Zweite Generation: Bot, der die Absicht erkennt
- Dritte Generation: Assistent auf einem Sprachmodell mit Firmenwissen
- Vierte Generation: KI-Agent, der das Anliegen erledigt
- Derselbe Agent im Chat, in der E-Mail und am Telefon
- Wo künstliche Intelligenz im Kundenservice einen Menschen braucht
- Wie Sie prüfen, ob der Bot wirklich hilft
- Wie Sie mit der Implementierung beginnen
„Ich habe ein Sofa mit Lieferung am Donnerstag bestellt, bin aber nicht zu Hause. Lässt sich das auf Samstag verschieben?“ Solche Anfragen erreichen Möbelhäuser täglich. Es ist ein guter Test, denn sie erfordert das Verstehen der Absicht, Kenntnis der Lieferregeln und Zugriff auf eine konkrete Bestellung. Künstliche Intelligenz im Kundenservice hat im letzten Jahrzehnt gelernt, darauf immer besser zu antworten, und die Unterschiede zwischen den einzelnen Generationen von Bots lassen sich am besten an genau so einem Satz ablesen.
Im Folgenden schicken wir diese Anfrage durch vier Arten von Lösungen: vom Bot mit Buttons bis zum KI-Agenten, der die Lieferung selbst umbucht. Bei jedem beschreiben wir, was er kann, wo er scheitert und wann er völlig ausreicht. Denn nicht jedes Unternehmen braucht einen Agenten.
Erste Generation: Bot mit Buttons
Der einfachste Chatbot auf der Website ist ein Entscheidungsbaum. Der Kunde schreibt nicht, sondern klickt: „Meine Bestellung“, „Lieferung“, „Terminänderung“. Jeder Pfad endet mit einer vorgefertigten Antwort oder einem Formular. Unser Kunde mit dem Sofa sieht also drei Buttons, wählt „Terminänderung der Lieferung“ und erhält die Meldung, dass Änderungen der Kundenservice unter der angegebenen E-Mail-Adresse entgegennimmt. Das Anliegen ist nicht erledigt. Es wurde nur weitergeleitet.
Ein solcher Bot hat dennoch seinen Platz. Er ist günstig, vorhersehbar und erfindet keine Antworten. Er bewährt sich dort, wo die Fragen überschaubar und immer dieselben sind: Öffnungszeiten, Status eines Vorgangs nach Nummer, Auswahl der Abteilung. Problematisch wird es, wenn der Kunde mit eigenen Worten schreibt und der Entscheidungsbaum zwanzig Ebenen hat.
Zweite Generation: Bot, der die Absicht erkennt
Der nächste Schritt sind Bots auf Basis von Natural Language Processing (NLP), also Techniken, die es einem Programm ermöglichen, den Sinn eines Satzes zu erkennen. Das Implementierungsteam definiert Absichten, zum Beispiel „Terminänderung der Lieferung“, und gibt für jede mehrere Dutzend Beispielformulierungen vor. Der Bot lernt, sie auch dann zu erkennen, wenn der Kunde etwas in eigenen Worten schreibt. Diesmal versteht der Bot die Frage zum Sofa. Er antwortet, dass der Termin spätestens zwei Tage vor der Lieferung geändert werden kann, und gibt einen Link zum Formular an. Das ist bereits besser, denn der Kunde erhält eine konkrete Regel und keine E-Mail-Adresse.
Die Grenze dieser Generation ist ihre Starrheit. Jede neue Absicht erfordert manuelle Arbeit, und eine Frage aus zwei Anliegen gleichzeitig wie „Verschieben Sie die Lieferung und legen Sie Kissen dazu“ endet oft mit der Meldung „Ich verstehe nicht“. Die Wartung eines großen Satzes von Absichten kann eine halbe Stelle binden.
Case Studies aus dem Bereich Chatbots und Kundenservice

Dritte Generation: Assistent auf einem Sprachmodell mit Firmenwissen
Der Durchbruch waren große Sprachmodelle, die frei formulierten Text ohne Definition von Absichten verstehen. Das Modell selbst kennt jedoch nicht die AGB eines konkreten Shops. Deshalb wird der Assistent in der RAG-Architektur aufgebaut: Vor jeder Antwort sucht das System in der Wissensdatenbank des Unternehmens die passenden Fragmente heraus und weist das Modell an, ausschließlich auf deren Grundlage zu antworten. Der Kunde mit dem Sofa erhält nun eine natürliche, vollständige Antwort. Der Assistent erklärt, dass bei Möbeln auf Bestellung eine Terminänderung bis 48 Stunden vor der Lieferung kostenfrei ist, dass Samstagslieferungen in ausgewählten Städten erfolgen und dass es genügt, die Bestellnummer im Formular anzugeben. Er beantwortet auch sofort die Frage nach den Kissen.
Technisch besteht ein solcher Assistent aus mehreren Elementen. Die Firmendokumente gelangen in eine Vektordatenbank, zum Beispiel Qdrant, die Fragmente nach Bedeutung durchsucht. Die Antwort generiert ein Modell wie Claude von Anthropic oder Gemini von Google, ausgewählt nach Qualität in der jeweiligen Sprache und Kosten. Das Verhalten des Assistenten wird in Systemanweisungen beschrieben, und gutes Prompt Engineering macht hier überraschend viel Unterschied.
Diese Generation redet jedoch immer noch nur. Das Sofa kommt weiterhin am Donnerstag an, solange der Kunde kein Formular ausfüllt und niemand im Unternehmen es ins System überträgt.
Vierte Generation: KI-Agent, der das Anliegen erledigt
Ein KI-Agent ist ein Assistent, der neben Wissen auch Werkzeuge erhält. Ein Werkzeug ist in der Praxis der Zugriff auf eine konkrete Funktion im Firmensystem über eine API. Der Agent entscheidet selbst, welches Werkzeug er in welcher Reihenfolge nutzt, um die Aufgabe auszuführen. Bei der Frage zum Sofa fragt der Agent nach der Bestellnummer oder erkennt den angemeldeten Kunden. Er prüft im Bestellsystem, ob der Termin noch geändert werden kann, fragt beim System des Spediteurs die freien Zeitfenster am Samstag ab, schlägt zwei Zeiträume vor und speichert nach der Wahl des Kunden die Änderung. Am Ende sendet er eine Bestätigung per E-Mail. Das Gespräch dauert zwei Minuten, und niemand im Unternehmen musste es anfassen.
Gartner prognostiziert, dass agentische KI bis 2029 eigenständig 80 % der typischen Kundenanliegen lösen wird, was die Betriebskosten des Kundenservice um 30 % senken soll (Gartner, März 2025). Das Wort „typischer“ ist hier wichtig. Es geht um wiederkehrende Fälle und nicht um Reklamationen mit beschädigter Ware und verärgertem Kunden.
Zum Bau solcher Agenten werden Bibliotheken verwendet, die den Ablauf einer Aufgabe als Graph aus Schritten beschreiben, zum Beispiel LangGraph. Immer häufiger werden dem Modell Werkzeuge über MCP bereitgestellt, einen offenen Standard, der beschreibt, wie sich das Modell mit den Firmensystemen verbinden soll. Dadurch kann derselbe Satz an Werkzeugen den Chat auf der Website und einen internen Assistenten für Berater bedienen. Wie Agenten aus Sicht des Nutzers funktionieren, zeigt gut das Beispiel des ChatGPT-Agenten, der Aufgaben im Browser ausführt.
Drei Berechtigungsstufen eines KI-Agenten
Die meiste Arbeit beim Agenten betrifft nicht das Modell, sondern die Berechtigungen. Für jede Aktion muss entschieden werden, wie weit der Agent allein handeln darf. Ein bewährter Ansatz teilt die Aktionen in drei Stufen ein: Lesen – der Agent führt ohne Einschränkungen aus (Bestellstatus, Liefertermin, Vorgangshistorie); umkehrbare Änderungen – der Agent führt sie selbst innerhalb festgelegter Grenzen aus (Verschiebung der Lieferung, Adressänderung vor Versand); Entscheidungen mit Kosten für das Unternehmen – der Agent bereitet sie nur vor, ein Mensch genehmigt (Geldrückerstattung, Rabatt, Ausnahme von den AGB).
Derselbe Agent im Chat, in der E-Mail und am Telefon
Der Kunde schreibt nicht immer im Chat. Oft antwortet er auf die E-Mail mit der Bestellbestätigung oder ruft an. Ein gut konzipierter Agent nutzt unabhängig vom Kanal dasselbe Wissen und dieselben Werkzeuge, es ändert sich lediglich die Art der Gesprächsführung.
Im Sprachkanal kommen zwei Elemente hinzu. Die Sprache des Kunden wird in Text umgewandelt, zum Beispiel durch das Modell Whisper, und die Antwort wird mit einer synthetischen Stimme vorgelesen, die heute dank Diensten wie ElevenLabs natürlich klingt. KI-Voicebots im Kundenservice erfordern jedoch kürzere Antworten als der Chat und eine sehr schnelle Reaktion, denn Stille im Hörer irritiert mehr als Punkte auf dem Bildschirm. Der größte Mehrwert eines einheitlichen Ansatzes ist die gemeinsame Historie. Wenn der Kunde im Chat angefangen und per Telefon abgeschlossen hat, sollte er nicht alles von vorn erklären müssen. Es ist dieselbe Logik, die wir aus der Omnichannel-Strategie kennen, nur auf Seiten der Automaten.
Verwandte Produkte
Wo künstliche Intelligenz im Kundenservice einen Menschen braucht
Der häufigste Fehler bei Implementierungen ist, den Berater als Niederlage des Bots zu betrachten. Dabei ist eine gut gestaltete Gesprächsübergabe Teil der Lösung. Gartner empfiehlt in der zitierten Studie von 2026 ausdrücklich, generative KI nicht als obligatorischen ersten Schritt bei jedem Anliegen aufzustellen. Die Übergabe sollte in mehreren Situationen erfolgen: wenn der Kunde darum bittet, wenn der Agent die Frage zweimal nicht verstanden hat, wenn das Anliegen seine Befugnisse übersteigt oder wenn das Gespräch einen deutlich emotionalen Ton hat. In jedem dieser Fälle erhält der Berater die vollständige Gesprächshistorie und eine von der KI erstellte Zusammenfassung. Der Kunde beginnt nicht mit „Wie kann ich helfen?“.
Die zweite Rolle des Menschen ist weniger sichtbar. Jemand muss die Wissensdatenbank pflegen. Wenn sich die Lieferbedingungen ändern, antwortet der Assistent nach den alten, bis jemand das Dokument aktualisiert. Deshalb gehen wir in Projekten davon aus, dass das Team des Kunden die Wissensdatenbank ohne Beteiligung von Entwicklern bearbeitet und Änderungen sofort beim Agenten ankommen. Ein guter Ort, um diese Elemente zu verknüpfen, ist das CRM-System. Die Gesprächshistorie mit dem Bot, die Übergaben an Berater und das Ergebnis jedes Vorgangs landen in der Kundenkarte, und der Vertriebsmitarbeiter oder Betreuer sieht, wonach der Kunde in den letzten Wochen gefragt hat.
Die Wissensdatenbank muss mit den AGB leben
Ein auf RAG basierender Assistent ist nur so aktuell wie die Dokumente in seiner Datenbank. Wenn sich die Lieferpolitik, der Preis oder die Garantiebedingungen ändern und niemand die Datenbank aktualisiert, gibt der Bot wochenlang falsche Informationen aus. Deshalb lohnt es sich, vor dem Start festzulegen, wer im Team des Kunden für die Wartung der Datenbank verantwortlich ist und wie schnell er auf Änderungen reagieren wird – das ist eine organisatorische Entscheidung, die größeren Einfluss auf die Qualität hat als die Wahl des Modells.
Wie Sie prüfen, ob der Bot wirklich hilft
Die beliebte Kennzahl „Anteil der ohne Berater beendeten Gespräche“ kann irreführend sein. Ein Kunde, der den Chat verärgert verlassen hat, gelangte ebenfalls nicht zu einem Berater. Besser ist es, den Anteil tatsächlich gelöster Anliegen zu messen, also solcher, bei denen der Kunde innerhalb einiger Tage nicht mit demselben Problem zurückkehrt. Dazu kommen Kennzahlen aus dem klassischen Kundenservice. Der Customer Effort Score zeigt, wie viel Aufwand den Kunden die Erledigung des Anliegens gekostet hat, und die CSAT-Umfrage nach dem Gespräch zeigt seine Zufriedenheit. Es lohnt sich, diese separat für Gespräche mit dem Bot und mit Menschen zu vergleichen.
Auf technischer Seite sollte jedes Gespräch eine Spur hinterlassen: welche Fragmente der Wissensdatenbank das System gefunden hat, welche Antwort das Modell generiert hat, wie viel die Anfrage gekostet hat und welche Werkzeuge der Agent genutzt hat. Werkzeuge wie Langfuse sammeln diese Daten und ermöglichen es, schnell Gespräche zu finden, bei denen etwas schiefgelaufen ist. Einmal pro Woche sollte jemand aus dem Serviceteam eine Stichprobe solcher Gespräche durchsehen. Das ist die günstigste Methode, um Fehler zu entdecken, bevor es die Kunden tun.
Wie Sie mit der Implementierung beginnen
Ausgangspunkt ist nicht die Wahl des Modells, sondern die Gesprächshistorie der letzten Monate. Aus ihr lässt sich ablesen, wonach die Kunden am häufigsten fragen. Üblicherweise entfallen auf ein gutes Dutzend Themen der Großteil des Aufkommens, und ein Teil davon erfordert keine KI, sondern eine bessere Seite mit Informationen zur Lieferung.
Eine sinnvolle Reihenfolge sieht so aus:
- Historie der Gespräche und E-Mails analysieren, die am häufigsten auftretenden Themen auswählen.
- Wissensdatenbank für diese Themen ordnen und festlegen, wer sie aktualisieren wird.
- Assistenten mit Wissensdatenbank und klarer Übergabe an einen Menschen starten.
- Erst danach Werkzeuge hinzufügen, beginnend mit dem Lesen von Daten und später mit umkehrbaren Änderungen.
Eine solche Etappierung erlaubt es, die Qualität der Antworten zu prüfen, bevor der Agent beginnt, etwas in den Systemen zu ändern. Beim Entwurf unserer KI-Chatbots beginnen wir genau mit der Analyse der Gespräche und der Integration mit den Systemen, die der Bot nutzen soll, und nach dem Start überwachen wir die Treffsicherheit der Antworten und den Anteil der Übergaben an Berater.
Ein Beispiel ist der Chatbot für BlueApart, eine Plattform zur Reservierung von Apartments. Die Logik funktioniert auf Basis von n8n, und ein eigenes Widget zeigt den Gästen Bildkarussells und klickbare Karten der Apartments statt reinen Textes. Die Wissensdatenbank wird vom Team des Kunden gepflegt, und der Chatbot nutzt dasselbe Backend wie das Reservierungssystem, sodass kein Risiko besteht, dass er andere Daten ausgibt als die Website.
FAQ
FAQ – Häufig gestellte Fragen zu künstlicher Intelligenz im Kundenservice
- Die Kosten eines KI-Chatbots hängen vor allem davon ab, ob er nur auf Grundlage der Wissensdatenbank antwortet oder auch Aktionen in den Firmensystemen ausführt. Die einfachste Variante, also ein Assistent, der Fragen aus AGB und FAQ beantwortet, wird in der Regel in einigen Wochen implementiert, und die Kosten umfassen die Vorbereitung der Wissensdatenbank, die Konfiguration und die Einbettung des Widgets auf der Website. Ein in das Bestellsystem, CRM oder Reservierungen integrierter Agent erfordert die Gestaltung von Berechtigungen, Tests und Monitoring, daher dauern die Arbeiten üblicherweise von einigen Wochen bis zu einigen Monaten. Zu den einmaligen Kosten kommen laufende Gebühren hinzu: für die Nutzung des Sprachmodells, die mit der Anzahl der Gespräche steigen, für das Hosting sowie für Wartung und Aktualisierungen. Bei fertigen Plattformen zahlt man statt der Baukosten ein Abonnement, oft abhängig von der Anzahl der Gespräche oder gelösten Anliegen.
- Ja, moderne Sprachmodelle verstehen und schreiben Polnisch gut, einschließlich Flexion, umgangssprachlichen Formulierungen und Tippfehlern. Der Kunde kann „wo ist mein paket es sollte doch gestern da sein“ schreiben, und der Assistent erkennt richtig, dass es um den Sendungsstatus geht. Die Qualität der Antworten hängt jedoch von mehreren Faktoren ab: der Wahl des Modells, denn einige kommen mit Polnisch deutlich besser zurecht, der Sprache der Wissensdatenbank, die der Assistent nutzt, sowie den Anweisungen, die Ton und Stil der Antworten beschreiben. Derselbe Assistent kann auch Kunden in anderen Sprachen bedienen und dabei die polnische Wissensdatenbank nutzen, was für Unternehmen bequem ist, die ins Ausland verkaufen.
- Ja, die Integration mit den Firmensystemen ist genau das, was einen KI-Agenten von einem gewöhnlichen Chatbot mit Wissensdatenbank unterscheidet. Die Verbindung erfolgt über eine API, also eine Schnittstelle, die das CRM-System, der Shop oder das Reservierungssystem anderen Programmen bereitstellt. Dadurch kann der Bot den Bestellstatus eines konkreten Kunden prüfen, einen Vorgang im CRM speichern, einen Termin im Kalender reservieren oder einen Lead mit vollständiger Gesprächsbeschreibung an den Vertrieb übergeben. Der Umfang der Möglichkeiten hängt davon ab, was das jeweilige System über die API bereitstellt, und der Aufwand von der Anzahl der Integrationen und davon, ob der Bot die Daten nur lesen oder auch verändern soll. Ältere Systeme ohne API erfordern meist eine zusätzliche Zwischenschicht.
- Das Risiko erfundener Antworten lässt sich sehr stark begrenzen, indem der Assistent so aufgebaut wird, dass er ausschließlich auf Grundlage der Firmendokumente antwortet und sich zu Nichtwissen bekennt. In der Praxis bedeutet das mehrere Vorkehrungen: Das System sucht in der Wissensdatenbank zur Frage passende Fragmente und übergibt sie dem Modell, die Anweisungen verbieten Antworten außerhalb dieser Fragmente, und wenn nichts Passendes vorhanden ist, schlägt der Bot den Kontakt mit einem Berater vor. Auf die Frage nach einer Aktion, die nicht in der Datenbank steht, antwortet ein korrekt konfigurierter Assistent beispielsweise, dass es eine solche Information nicht gibt, statt zu raten. Die Wirksamkeit hängt von der Qualität und Aktualität der Wissensdatenbank sowie von der regelmäßigen Durchsicht von Gesprächen ab, bei denen sich die Antwort als falsch erwiesen hat.
- Ja, technisch kann ein KI-Agent eine Erstattung über das Zahlungssystem anstoßen, aber die meisten Unternehmen beschränken ihn bewusst auf die Vorbereitung der Erstattung, die ein Mensch genehmigt. Eine solche Aufteilung ist sinnvoll, denn eine Erstattung ist eine Entscheidung mit unmittelbaren Kosten und lässt sich schwer rückgängig machen. In der Praxis sammelt der Agent Daten vom Kunden, prüft die Bestellung und die Rückgabebedingungen, berechnet den Betrag und erstellt einen Antrag, und der Berater genehmigt ihn mit einem Klick. Ein Teil der Unternehmen lässt den Agenten selbstständige Erstattungen unterhalb einer festgelegten Betragsgrenze oder in klar beschriebenen Fällen durchführen, zum Beispiel bei einer nicht zugestellten und vom Spediteur bestätigten Sendung. Die Grenzen hängen vom Umsatz, dem Missbrauchsrisiko und davon ab, wie genau sich die Regeln beschreiben lassen.
- Die Implementierung eines KI-Agenten dauert üblicherweise von einigen Wochen für einen einfachen Assistenten mit Wissensdatenbank bis zu einigen Monaten für einen Agenten, der in mehreren Systemen agiert. Die ersten Wochen nimmt die Analyse der Gesprächshistorie, die Auswahl der häufigsten Themen und das Ordnen der Wissensdatenbank in Anspruch, was sich oft als zeitaufwendiger erweist als die Technologie selbst. Danach folgen die Inbetriebnahme des Assistenten, Tests mit tatsächlichen Fragen und das schrittweise Hinzufügen von Integrationen, beginnend mit dem Lesen von Daten. Die Zeit verlängern die Anzahl der zu verbindenden Systeme, das Fehlen einer Dokumentation ihrer API, die Unterstützung für mehrere Sprachen und Kanäle wie Telefon oder E-Mail sowie die Anforderungen der Sicherheitsabteilung. Eine etappenweise Implementierung erlaubt es jedoch, bereits von den ersten Ergebnissen zu profitieren, bevor das gesamte Projekt abgeschlossen ist.
- Ja, in einem kleinen Unternehmen bringt ein KI-Chatbot oft einen schnellen Effekt, denn er entlastet Personen, die Kunden neben anderen Aufgaben bedienen. Der Inhaber eines Online-Shops oder eines Dienstleistungsbüros beantwortet üblicherweise dieselben gut ein Dutzend Fragen: zu Terminen, Preisen, Verfügbarkeit und Rückgaberegeln, und ein Assistent mit Wissensdatenbank kann sie auch abends und am Wochenende übernehmen. Für ein kleines Unternehmen reicht meist eine fertige Plattform oder ein einfacher Assistent ohne tiefe Integrationen, was Kosten und Implementierungszeit begrenzt. Die Wirtschaftlichkeit hängt von der Zahl der Anfragen, ihrer Wiederholbarkeit und davon ab, ob jemand im Unternehmen Zeit findet, die Wissensdatenbank zu aktualisieren. Bei wenigen Fragen pro Woche ist ein guter erster Schritt oft eine gute Seite mit Antworten auf häufige Fragen.
Blog
Verwandte Artikel
Chatbot auf der Website. Wobei kann ein virtueller Assistent helfen?
Ein Chatbot, also ein virtueller Assistent, ist eine immer beliebtere Lösung auf Websites. Seine Aufgabe ist es, Fragen der Nutzer zu beantworten, Prozesse zu automatisieren und die Kommunikation mit Kunden zu erleichtern.
Voicebots im Unternehmen: Wie Gesprächsautomatisierung den Kundenservice verändert
Die Entwicklung des Kundenservice wird heute zu immer anspruchsvolleren Prozessen. Eine Schlüsselrolle spielen dabei Voicebots, die der Automatisierung im Unternehmen eine innovative Dimension verleihen. Sie ermöglichen eine effizientere Kommunikation und sparen wertvolle Zeit, sodass sie zu einem festen Bestandteil moderner Unternehmen werden.
Agentic Commerce Protocol – der neue Standard für Einkäufe durch KI
Das Agentic Commerce Protocol (ACP) von OpenAI und Stripe beschreibt, wie ein KI-Agent im Namen eines Kunden im Online-Shop eine Bestellung aufgibt. Wir zerlegen es in sechs Begriffe – vom Produkt-Feed bis zum Bestell-Webhook – und zeigen, was die erste Implementierung in ChatGPT für einen polnischen Shop bedeutet.
Künstliche Intelligenz im Unternehmen – wie Sie die KI-Einführung im Betrieb starten
Die KI-Einführung im Unternehmen beginnt selten mit dem Kauf eines großen Systems. Wir zeigen sie als fünf Stufen – von Regeln für Werkzeuge, die Mitarbeitende bereits nutzen, bis zu KI im eigenen Produkt – und erklären, wie Sie den ersten Prozess auswählen und woran Sie erkennen, dass sich der Pilot gelohnt hat.
Künstliche Intelligenz in der Hotellerie – von der Buchung bis zur Betreuung nach dem Aufenthalt
Künstliche Intelligenz in der Hotellerie ist heute ein Set konkreter Werkzeuge für jede Etappe der Gästereise, von Fragen vor der Buchung bis zu Bewertungen nach der Abreise. Wir teilen sie in drei Gruppen: das, was sich bereits rechnet, das, was Vorbereitung erfordert, und das, was vorerst vor allem ein Versprechen ist.
KI im Finanzwesen: Wie Finanzinstitute Entscheidungsprozesse automatisieren
KI im Finanzwesen trifft immer häufiger die erste Entscheidung anstelle eines Menschen – bei der Bonitätsprüfung, der Betrugserkennung oder der Qualifizierung von Anträgen. Wir erklären, wie solche Systeme funktionieren, welche Daten sie nutzen und wo die realen Schwierigkeiten der Implementierung liegen.





