Automatisierung scheitert oft an starren Regeln. Klassische Entscheidungsbäume sind wartungsintensiv. Warum RAG die überlegene Alternative für moderne Webshops ist.
Die Illusion der einfachen Regel: Warum Skalierung scheitert
Zu Beginn vieler Automatisierungs-Projekte wirkt die Welt noch ordentlich: Man skizziert einen Entscheidungsbaum (Decision Tree), der den Kunden logisch von A nach B führt. Das Prinzip ist von klassischen Telefon-Hotlines bekannt: „Drücken Sie die 1 für Versand, die 2 für Reklamationen“. Technisch basiert dies auf einer vorprogrammierten If-This-Then-That-Logik. Für sehr simple Anfragen mag das funktionieren.
Doch im E-Commerce, speziell bei Webshops mit einem tiefen Sortiment, laufen Unternehmen hier gegen eine Wand. Wir haben analysiert, warum dieser Ansatz in der Praxis kollabiert. Das Kernproblem ist die sogenannte kombinatorische Explosion.
Nehmen wir einen Shop, der Lampen verkauft. Ein einzelnes Modell gibt es oft in zehn Farben, drei Grössen und mit verschiedenem Zubehör. Ein klassischer Entscheidungsbaum müsste für jede denkbare Kombination einen eigenen Pfad vorhalten.
- Möchte der Kunde ein Ersatzteil? -> Welches Modell? -> Welche Farbe? -> Welches Bauteil?
- Fragt der Kunde nach der Helligkeit? -> Welches Modell? -> Welche Grösse?
Bei einem Sortiment von 50 Basis-Produkten entstehen so schnell tausende von theoretischen Pfaden. Diese manuell zu skripten, ist praktisch unmöglich fehlerfrei zu gewährleisten.
Die Wartungs-Falle im Tagesgeschäft
Noch kritischer als die initiale Programmierung ist der operative Betrieb. Märkte sind dynamisch: Preise ändern sich, Produkte erhalten neue Spezifikationen oder Farben laufen aus.
Bei einem Entscheidungsbaum-Bot bedeutet jede dieser Änderungen einen Eingriff in den Programmcode.
Das Business-Risiko: Die Verantwortung für die Aktualität der Daten verschiebt sich vom Produktmanagement zur IT. Ein Marketing-Mitarbeiter kann zwar den Preis im Shop-Backend ändern, er kann aber meist nicht den Chatbot-Flow umschreiben. Die Folge sind Bots, die veraltete Preise nennen oder Produkte empfehlen, die gar nicht mehr lieferbar sind. Das frustriert Kunden und beschädigt die Marke.
Die Lösung: Ein Chatbot mit „offenem Buch“
Die moderne Antwort auf dieses Dilemma lautet Retrieval Augmented Generation (RAG). Statt dem Bot Antworten hart einzuprogrammieren, geben wir ihm die Fähigkeit, Informationen bei Bedarf nachzuschlagen. Wir verknüpfen das Sprachmodell mit einer externen Wissensbasis, in unserem Fall die strukturierte Produktdatenbank.
Für Geschäftsprozesse bedeutet dieser Architekturwechsel eine Revolution:
- Echtzeit-Aktualität: Ändert der Shop-Betreiber einen Preis im ERP, greift der Bot sofort auf diese neue Information zu. Es ist kein „Umprogrammieren“ nötig.
- Semantisches Verständnis: RAG erlaubt es dem Bot, den Sinn einer Frage zu verstehen, nicht nur Schlüsselwörter.
Praxisbeispiel: Wenn der Kunde „Atmosphäre“ sucht
Der Unterschied wird an einem konkreten Beispiel deutlich. Ein Kunde fragt: „Ich suche ein Licht für ein romantisches Dinner auf der Terrasse, habt ihr da was?“
Der Entscheidungsbaum scheitert:
Er sucht nach Keywords. Er findet das Wort „romantisch“ nicht in seiner Datenbank und fragt stumpf zurück: „Meinten Sie: Aussenbeleuchtung? Ja/Nein.“ Der Kunde fühlt sich nicht verstanden.
Der RAG-Bot versteht:
Durch das Sprachmodell (LLM) versteht der Bot den Kontext. Er weiss, dass „romantisches Licht“ oft mit einer warmen Farbtemperatur (z.B. 2700 Kelvin) assoziiert wird. Er sucht in der Datenbank also nicht nach dem Wort „romantisch“, sondern nach Produkten, die diese technischen Eigenschaften (warmweiss, dimmbar, akkubetrieben) besitzen.
Er antwortet: „Für ein Dinner auf der Terrasse empfehle ich unsere dimmbaren Tischleuchten mit warmweissem Licht (2700K), da sie eine gemütliche Atmosphäre schaffen.“
Das ist der Unterschied zwischen einem Roboter, der Skripte abarbeitet, und einem Assistenten, der berät.
Fazit: Warum das Skript ausgedient hat
Die Praxis zeigt: Wer heute Geschäftsprozesse im Kundenservice digitalisieren will, darf nicht in starren Pfaden denken. Entscheidungsbäume haben ihre Berechtigung bei simplen Ja/Nein-Prozessen. Aber im modernen E-Commerce, wo Kunden individuelle Beratung erwarten, sind sie ein Relikt aus der Vergangenheit.
Der Wartungsaufwand eines komplexen Baums frisst die Vorteile der Automatisierung auf, da jede Sortimentsänderung IT-Ressourcen bindet. RAG hingegen dreht den Spiess um: Die KI passt sich den Daten an, nicht umgekehrt. Die Hoheit über die Informationen bleibt beim Fachbereich, nicht bei den Programmierern. Wer heute noch komplexe Beratungsgespräche skripten will, verwaltet nur den Mangel an Flexibilität.
Weiterführende Links
Entscheidungsbaum (Wikipedia)
https://de.wikipedia.org/wiki/Entscheidungsbaum
Was ist Retrieval-augmented Generation (RAG)? (Computer Weekly)
https://www.computerweekly.com/de/definition/Retrieval-augmented-Generation-RAG
Was ist ein LLM? (AWS)
https://aws.amazon.com/de/what-is/large-language-model/
Haftung: Ihr KI-Bot darf nicht lügen (IT-Recht Kanzlei)
https://www.it-recht-kanzlei.de/ki-chatbot-x-grok-haftung-falsche-tatsachenbehauptung.html
Quellen
Bilder:
Titelbild: Mithilfe von Google Gemini Nano Banana erstellt.
IBM (2023): Was ist Retrieval-Augmented Generation (RAG)? Online verfügbar unter
https://www.ibm.com/de-de/think/topics/retrieval-augmented-generation
Talkative (2024): Decision Tree vs. AI Chatbots: What’s the difference? Online verfügbar unter https://gettalkative.com/info/decision-tree-vs-ai-chatbots
KI Nutzung
Dieser Blog-Beitrag wurde mithilfe der Sprachmodelle ChatGPT, Gemini und Claude erstellt.
Hinweis: Dieser Beitrag basiert auf praktischen Erfahrungen und Erkenntnissen, die im Rahmen des Projektmoduls NPE 2 (National Project Experience 2) an der Hochschule Luzern erarbeitet wurden.
