KI-Chatbot für Finanzberatung bei maiwerk

Ausgangslage

maiwerk ist eine unabhängige Finanzberatung aus Köln. Die Beratung ist transparent, unabhängig und konsequent menschlich – kein Produktvertrieb, sondern Begleitung bei Entscheidungen, die für die Lebensplanung der Klienten wirklich zählen. Diese Beratungsqualität braucht Zeit, Aufmerksamkeit und einen Termin.

Genau hier entsteht eine Lücke: Zwischen den Sitzungen tauchen Fragen auf, die schnell beantwortet werden müssten – und potenzielle Klienten suchen Orientierung außerhalb der Sprechzeiten. Wer Finanzberatung zugänglicher machen will, ohne die Qualität und den Charakter der Beratung zu verwässern, braucht einen Weg, das vorhandene Wissen aus der Beratungspraxis nutzbar zu machen – ohne den menschlichen Anteil zu ersetzen.

Delivery

Gemeinsam mit dem maiwerk-Team bauen wir einen KI-Chatbot, der auf der strukturierten Wissensbasis von maiwerk aufsetzt. Über Retrieval-Augmented Generation (RAG) greift der Bot auf die fachlichen Inhalte zu und liefert Antworten, die nicht generisch klingen, sondern den Tonfall und die Werte der maiwerk-Beratung tragen. Die Lieferung läuft iterativ: jede Konversation wird zur Grundlage für die nächste Verfeinerung.

• RAG-Pipeline auf der maiwerk-Wissensbasis – strukturierte Beratungsinhalte als Quelle, nicht generische Web-Antworten
• Context Design als Qualitätshebel – iteratives Verfeinern der Antwort-Templates, damit Antworten nicht nur korrekt, sondern relevant, persönlich und wirklich hilfreich sind
• Klar abgegrenzter Verantwortungsbereich – der Bot weiß, wann er antworten kann und wann eine persönliche Beratung notwendig ist
• Modulare Wissenspflege – maiwerk kann eigene Inhalte ergänzen, ohne Engineering-Aufwand
• Kontinuierliche Auswertung – jede Konversation liefert Signale, wo die Antwortqualität noch nicht passt, und fließt zurück ins Context Design

Eingesetzte Technologien

Die Plattform kombiniert eine LLM-basierte Konversations-Engine mit einer RAG-Pipeline auf der maiwerk-Wissensbasis. Embeddings werden in einem Vector Store verwaltet und ermöglichen die schnelle und präzise semantische Suche in den Beratungsinhalten. Context Design – also die systematische Gestaltung der Prompt- und Antwortmuster – ist der Qualitätshebel, der aus einem generischen LLM ein Beratungswerkzeug im Sinne von maiwerk macht. Die Auswertung der Konversationen ist Teil der Pipeline und sorgt dafür, dass die Antwortqualität nicht stagniert, sondern systematisch wächst.

Ergebnisse

Das Projekt ist eine fortlaufende Zusammenarbeit – die Wirkung zeigt sich entlang der gesamten Klienten-Reise:

• Skalierbare Expertise – Beratungsqualität ist nicht mehr an freie Termine im Kalender gebunden
• Mehr Zugänglichkeit – Finanzbildung wird verfügbar, wann und wo Klienten sie brauchen
• Vertrauen durch Konsistenz – Antworten spiegeln Werte und Sprache der maiwerk-Beratung, nicht den generischen Tonfall eines beliebigen Modells
• Intelligente Übergaben – der Bot kennt seine Grenzen und reicht klar in die persönliche Beratung weiter, wo es notwendig ist

Der entscheidende Hebel war nicht das Modell, sondern der Inhalt: maiwerk verfügt über eine strukturierte, nutzerfokussierte Wissensbasis – und genau diese redaktionelle Disziplin macht den Unterschied zwischen einem mittelmäßigen und einem präzise antwortenden Chatbot.

Lessons Learned

Erstens: Die Qualität eines RAG-Systems wird nicht in der Modell-Auswahl entschieden, sondern in der Wissensbasis. Strukturierter, klar formulierter Beratungsinhalt schlägt jedes Prompt-Engineering.

Zweitens: Context Design ist nicht „fertig nach dem Setup". Jede Konversation liefert Signale, wo die Antwortmuster noch zu allgemein, zu vorsichtig oder zu technisch sind. Wer diese Schleife nicht systematisch fährt, lässt das größte Qualitätspotenzial liegen.