RAG-Bot fuer Kunden: Von der Idee zur marktfertigen Loesung

Ein RAG-Bot (Retrieval-Augmented Generation) ist 2026 eines der meistgefragten KI-Projekte im Agenturgeschaeft. Die Idee ist simpel: Ein Chatbot beantwortet Fragen, aber statt auf Trainings-Wissen zu vertrauen, zieht er Antworten aus einer eigenen Wissensdatenbank - Produktseiten, PDFs, Support-Dokumentation. Fuer Kunden bedeutet das: 24/7-Support, weniger Rueckfragen, mehr Leads. Dieser Artikel beschreibt den typischen Weg von der ersten Kundenanfrage bis zur Uebergabe.

Typisches Kundenprojekt: Website-Chatbot mit RAG

Ein mittelstaendiges SaaS-Unternehmen moechte einen Chatbot auf der Website, der Fragen zu Preisen, Funktionen und Onboarding beantwortet. Gleichzeitig soll er Leads qualifizieren und an das CRM uebergeben.

Dieses Szenario ist repraesentativ: Reale Fallstudien zeigen, dass RAG-Chatbots in solchen Einsaetzen bis zu 45 % weniger Support-Tickets generieren und bis zu 82 % der eingehenden Anfragen automatisch beantworten koennen.

Phase 1: Anforderungsaufnahme

Vor jeder technischen Entscheidung kommen die richtigen Fragen:

• Welche Dokumente sollen die Wissensbasis bilden? (PDFs, Website, Notion, Confluence?)
• In welcher Sprache kommuniziert der Bot? Mehrsprachig?
• Wie viele Anfragen pro Monat werden erwartet?
• Welche Aktionen soll der Bot ausfuehren koennen? (Nur antworten, oder auch Formulare abschicken, CRM-Eintrag erstellen?)
• Wo soll der Bot eingebettet werden? (Website-Widget, Slack, WhatsApp?)

Diese Fragen bestimmen Architektur und Budget. Ein Bot, der nur liest, ist wesentlich guenstiger als ein Bot, der handelt.

Phase 2: Architektur

Ein typischer RAG-Stack 2026:

Dokumente --> Chunking --> Embedding --> Vektordatenbank (z.B. Qdrant, Chroma)
                                              |
Nutzerfrage --> Embedding --> Suche in Vektordatenbank
                                              |
                               Top-K relevante Chunks
                                              |
                          LLM (GPT-4o / Claude) + Kontext --> Antwort

Fuer einfache Projekte reicht ein Managed Stack: Botpress, Flowise oder LangChain mit OpenAI und Supabase (pgvector). Fuer anspruchsvollere Anforderungen empfiehlt sich ein selbst-gehosteter Stack mit Qdrant.

Phase 3: Aufwandsschaetzung

Komponente	Aufwand
Anforderungsaufnahme + Konzept	3-5h
Datenaufbereitung (Chunking, Cleaning)	4-8h
Backend (Embeddings, Retrieval, API)	8-16h
Frontend (Chat-Widget, Integration)	4-8h
Testing + Prompt-Tuning	4-6h
Dokumentation + Uebergabe	2-3h
Gesamt	25-46h

Typischer Projektpreis: 4.000-9.000 Euro. Bei einfachen Projekten mit No-Code-Tools: 2.000-4.000 Euro.

Was kostet ein RAG-Bot im Betrieb?

Die laufenden Kosten bestehen aus:

• LLM-API-Kosten: 10-80 Euro/Monat je nach Anfragevolumen
• Embedding-API: 2-10 Euro/Monat
• Hosting der Vektordatenbank: 0 Euro (self-hosted) bis 50 Euro/Monat (managed)
• Server/Container: 5-20 Euro/Monat

Gesamtbetriebskosten fuer einen kleinen Bot: 20-100 Euro/Monat.

Wiederkehrende Einnahmen durch Hosting

Hier liegt der eigentliche Business Case: Wer den Bot betreibt, kann einen Hosting-Retainer verrechnen.

Typische Modelle:

• Basis-Hosting (eigener Server): 100-200 Euro/Monat
• Managed Hosting inkl. Updates: 200-400 Euro/Monat
• Full-Service (Hosting + Support + neue Dokumente einpflegen): 400-800 Euro/Monat

Bei 5 laufenden Kunden: 1.000-4.000 Euro/Monat passiv.

Phase 4: Uebergabe und Dokumentation

Kunden erwarten nach dem Projekt:

1. Kurze Administrations-Dokumentation: Wie werden neue Dokumente eingepflegt?
2. Eskalations-Logik: Wann greift ein Mensch ein?
3. Dashboard oder Log-Zugang: Welche Fragen wurden gestellt, was wurde nicht beantwortet?
4. Klare SLA: Wer wird kontaktiert, wenn der Bot ausfaellt?

Der letzte Punkt ist oft der Weg zum Retainer.

Fazit

Ein RAG-Bot ist 2026 kein Forschungsprojekt mehr - es ist ein standardisierbares Dienstleistungsprodukt. Wer einen reproduzierbaren Prozess aufbaut, kann mehrere Projekte parallel abwickeln und durch Hosting-Retainer einen wachsenden passiven Anteil aufbauen. Der Einstieg ist mit bestehenden Frameworks und Managed-Diensten auch ohne tiefes ML-Know-how moeglich.

Quellen: How to Build a RAG Chatbot 2026 - Botpress | Top RAG Chatbots for Business - Wonderchat | RAG Customer Support Case Study