Fahrzeugkonfiguration mit KI

Das echte Ausmaß des Problems

Ein modernes Fahrzeug kann in Deutschland mit mehreren Tausend Optionskombinationen konfiguriert werden. Antrieb, Karosserie, Farbe, Innenausstattung, Assistenzsysteme, Infotainment, Sonderausstattung, bei einem Premiumfahrzeug leicht 18–25 Konfigurationsschritte, viele voneinander abhängig, einige sich gegenseitig ausschließend.

Dass ein erheblicher Teil dieser Sitzungen ohne Kontaktaufnahme endet, ist im Handel unbestritten. Eine belastbare, nachprüfbare Quote dafür nennen wir hier nicht mehr: Eine frühere Fassung dieser Seite sprach von 60 bis 70 Prozent unter Berufung auf “Branchenauswertungen” und eine Studie, die wir nicht auffinden konnten. Solche Zahlen zirkulieren zwischen Fachbeiträgen, ohne dass eine Primärerhebung dahintersteht.

Die gute Nachricht: Diese Zahl brauchst du nicht von uns. Sie steht in deiner eigenen Webanalyse, und zwar genauer, als jede Branchenzahl sie je liefern könnte. Bevor du über einen Assistenten nachdenkst, hol dir drei Werte: Wie viele Konfigurator-Sitzungen pro Monat? Wie viele erreichen den letzten Schritt? Wie viele davon führen zu einer Anfrage? Ohne diese drei Zahlen kannst du hinterher nicht sagen, ob der Assistent etwas gebracht hat.

Der Hebel ist einfache Arithmetik, und deshalb ist er belastbar: Wenn heute 35 von 100 Sitzungen durchlaufen und morgen 50, sind das gut 40 Prozent mehr abgeschlossene Konfigurationen bei gleichem Traffic. Ob dein Assistent diesen Sprung schafft, ist die offene Frage, nicht die Rechnung dahinter.

Für unabhängige Autohäuser und Händlerverbünde gilt das Problem noch direkter: Ein Berater hat begrenzte Zeit. Im Gespräch mit 20 Kunden pro Woche kann er nicht für jeden eine vollständige, bedarfsgerechte Konfiguration erarbeiten, und Kunden, die schlecht vorbereitet ins Gespräch kommen, brauchen länger.

Mit vs. ohne KI, ein ehrlicher Vergleich

Ehrlicher Hinweis: In der ersten Zeile stand früher “60–70 %” gegen “40–55 %”. Beide Zahlen waren nicht belegt, und eine Tabelle, die eine unbelegte Verbesserung gegen einen unbelegten Ausgangswert stellt, ist schlimmer als eine leere Zelle, weil sie nach Messung aussieht. Die tatsächliche Wirkung hängt an der Umsetzungsqualität, am Sortiment und an den Kunden. Wer einen schlecht gebauten Assistenten einführt, der falsche Empfehlungen gibt, verschlechtert die Konversion, und auch das wirst du nur sehen, wenn du vorher gemessen hast.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Berater verbringen weniger Zeit damit, Grundlagen zu erklären, Kunden kommen mit einer konkreteren Vorstellung ins Gespräch. Das ist eine echte Entlastung, aber sie tritt nicht täglich und nicht messbar ein. Im Vergleich zum KI-Kundenservice (der täglich Standardanfragen übernimmt) ist die tägliche Zeitersparnis geringer. Mittelfeldposition.

Kosteneinsparung, niedrig (2/5) Die Investition in Entwicklung und Pflege des Assistenten ist real und fällt an, bevor irgendetwas zurückkommt. Der Gegenwert entsteht über höhere Konversion und möglicherweise höhere Bestellwerte, aber er lässt sich keinem einzelnen Fahrzeugkauf zuordnen. Es werden keine Kosten gesenkt, es wird Umsatz in Aussicht gestellt. Das ist intern schwerer zu finanzieren als eine Kostensenkungsmaßnahme, und das ist der eigentliche Grund für die niedrige Bewertung auf dieser Achse.

Schnelle Umsetzung, mittel (3/5) Ein Prototyp mit einem LLM-Backend und produktspezifischem Systemprompt ist in 4–6 Wochen machbar. Das ist einer der zugänglichsten Einstiege in der Automotive-Branche, deutlich einfacher als Predictive Maintenance oder Computer Vision, aber aufwändiger als ein einfacher FAQ-Chatbot. Die Datenbasis (Optionsabhängigkeiten, Produktdaten, sauber strukturiert) ist der größte Aufwandsblock.

ROI-Sicherheit, sehr niedrig (1/5) Das ist der schwächste Punkt in dieser Kategorie. Du kannst Klickdaten, Konversionsraten und Bestellwerte messen, aber du kannst nie mit Sicherheit sagen, ob ein Kauf wegen des Assistenten stattgefunden hat oder trotzdem. Attribution im Automobilhandel ist notorisch schwierig: Kaufentscheidungen dauern Wochen bis Monate, involvieren Probefahrten, Finanzierungsgespräche, Verhandlungen. Ein A/B-Test mit und ohne Assistent ist methodisch möglich, aber selten sauber durchführbar.

Skalierbarkeit, sehr hoch (5/5) Das ist der klare Vorteil gegenüber Hardware-Projekten: Ein einmal entwickelter LLM-Assistent skaliert auf beliebig viele gleichzeitige Gespräche, ohne proportional steigende Kosten. Von 100 auf 10.000 monatliche Konfigurator-Sitzungen verändert sich nur der API-Kostenbetrag. Das macht diesen Anwendungsfall besonders attraktiv für Importeure und Händlerverbünde mit wachsenden digitalen Kanälen.

Richtwerte, stark abhängig von Produktsortiment, Implementierungsqualität und Kundensegment.

Was das System konkret macht

KI-gestützte Fahrzeugkonfiguration kann auf zwei Arten implementiert werden: als konversationaler Assistent im Konfigurator oder als Erklärungs- und Empfehlungs-KI im Hintergrund des bestehenden Tools.

Konversationaler Ansatz: Funktioniert wie ein geführtes Gespräch, “Was ist dir beim nächsten Auto am wichtigsten?” → “Verbrauch und Reichweite” → “Fährst du eher Autobahn oder Stadt?” → basierend auf den Antworten empfiehlt der Assistent konkrete Konfigurationsoptionen mit Erklärung. Das reduziert 25 Entscheidungen auf 5–7 Präferenz-Fragen. Tiefster Eingriff in die UX, höchste Wirkung.

Erklärungs-Ansatz: Der bestehende Konfigurator bleibt, aber an jeder Entscheidung gibt es eine KI-Erklärung: “Was bringt mir das Fahrassistenzpaket Pro?”, Der Assistent erklärt in natürlicher Sprache, für welche Fahrsituationen es relevant ist, was es im Vergleich zur Basisausstattung zusätzlich kann, und verweist auf ähnliche Nutzungsprofile. Weniger Eingriff in die Infrastruktur, schneller umsetzbar.

Ein Hybrid ist sinnvoll: Erklärungs-Layer zuerst (wenig Eingriff, schnell live), langfristig Ausbau zum konversationalen Assistenten.

Technische Basis: Ein LLM (etwa ein aktuelles OpenAI-Modell oder Claude Sonnet 5) mit umfangreichem Systemprompt, alle Fahrzeugoptionen mit Beschreibungen, Preisen, Abhängigkeiten, typischen Nutzerprofilen. Das Modell muss nicht trainiert werden, es reicht in aller Regel ein sorgfältig konfigurierter Assistent mit vollständigem Produktwissen im Kontext. Der begrenzende Faktor ist damit die Produktdatenqualität, nicht das Modell: Ein Assistent kann nur so gut beraten, wie seine Optionsliste, seine Preise und seine Abhängigkeiten stimmen. Eine frühere Fassung dieser Seite bezifferte diesen Anteil mit “80 Prozent”, eine Zahl ohne jede Grundlage.

Was das System nicht kann

Falsch konfigurierte Optionskombinationen, zum Beispiel Ausstattungen, die sich technisch ausschließen, muss das System explizit kennen, um sie nicht zu empfehlen. Das ist keine KI-Schwäche, sondern eine Datenpflegepflicht: Alle Abhängigkeiten und Inkompatibilitäten müssen strukturiert hinterlegt sein, bevor der Assistent live geht.

Konkrete Werkzeuge, was wann passt

ChatGPT oder Claude via API, Für Importeure, Händlerverbünde und Software-Agenturen, die selbst entwickeln: Ein LLM-Backend mit produktspezifischem Systemprompt lässt sich in wenigen Wochen zu einem funktionsfähigen Konfigurations-Assistenten entwickeln. Zu den laufenden API-Kosten nennen wir bewusst keinen Monatsbetrag mehr: Sie hängen an Token-Volumen, Modellwahl und Gesprächslänge, und beide Anbieter veröffentlichen Token-Preise, mit denen sich das vorab durchrechnen lässt. Multipliziere erwartete Gespräche mal Tokens pro Gespräch mal Token-Preis, das ist eine belastbare Schätzung, ein geratener Monatsbetrag ist es nicht. Erfordert Entwicklungskapazität.

Salesforce Automotive Cloud mit Einstein, Für Autohäuser und Händlerverbünde, die bereits Salesforce nutzen: Die Automotive Cloud bringt Fahrzeug-, Händler- und Kundendatenmodelle mit, die KI-Funktionen laufen unter Einstein beziehungsweise Agentforce. Hoher Reifegrad, komplexe Implementierung, Enterprise-Preissegment, Kosten auf Anfrage. Prüfe vor der Entscheidung, welche Funktion in welcher Edition enthalten ist, die KI-Bausteine sind bei Salesforce häufig eigene Lizenzposten.

Spectrm, Plattform für konversationelles Marketing mit ausgewiesenem Automotive-Schwerpunkt, Volkswagen wird auf der Website als Anwendungsfall genannt. Wichtig für die Anbieterauswahl: Spectrm ist nicht mehr eigenständig, das Unternehmen wurde von charles übernommen. Das Produkt läuft weiter, aber Roadmap, Ansprechpartner und Vertragspartner können sich ändern, frag das im Erstgespräch ab. Preise werden nicht veröffentlicht.

Fahrzeug- und Konfigurationsdaten vom Hersteller, Hier ist Vorsicht angebracht, und eine frühere Fassung dieser Seite war zu großzügig: Sie behauptete pauschal, VW, BMW und Mercedes stellten Konfigurations-APIs bereit, die Händler und Partner nutzen könnten. Ob dein Hersteller eine solche Schnittstelle anbietet, zu welchen Bedingungen und für welche Partnerrolle, klärt ausschließlich dein Händler- oder Partnerportal. Diese Programme ändern sich, und einzelne OEM-Entwicklerportale wurden in den vergangenen Jahren eingestellt oder umgebaut.

Zwei Dinge sind dabei sauber zu trennen. Produktdaten (Modelle, Optionen, Abhängigkeiten, Preise) sind eine Vertriebs- und Lizenzfrage zwischen dir und dem Hersteller. Fahrzeugdaten aus dem Fahrzeug (Nutzung, Position, Zustand) sind etwas völlig anderes und regulatorisch eingehegt: Für Daten, die bei der Nutzung vernetzter Produkte entstehen, gilt der EU Data Act, die Verordnung (EU) 2023/2854, und daneben die DSGVO, sobald ein Personenbezug besteht. Für einen Konfigurations-Assistenten brauchst du diese Daten nicht. Bau ihn so, dass er sie auch nicht anfasst, dann ist die ganze Frage erledigt.

Zusammenfassung: Wann welcher Ansatz

• Eigene Entwicklung, flexibel → aktuelles LLM (OpenAI-Modell oder Claude Sonnet 5) via API
• Kein Entwicklungsteam, fertige Automotive-Workflows → Spectrm, mit Blick auf die neue Eigentümersituation
• Salesforce-Ökosystem → Automotive Cloud mit Einstein
• Eigener Konfigurator mit Herstellerdaten → zuerst das Partnerportal fragen, dann den LLM-Layer planen

Datenschutz und Datenhaltung

Ein KI-Konfigurations-Assistent, der Konfigurationspräferenzen und Nutzerverhalten erfasst, verarbeitet personenbezogene Daten, sobald Gespräche einer identifizierbaren Person zugeordnet werden können. Das ist ab dem Moment der Fall, wenn Nutzer sich einloggen oder ein Lead-Formular ausfüllen.

Pflichten: Datenschutzerklärung anpassen, DSGVO-konforme Rechtsgrundlage für die Verarbeitung klären, Auftragsverarbeitungsvertrag (AVV) mit dem LLM-Anbieter abschließen. Beide großen Anbieter stellen AVV-Vorlagen bereit. Ob und in welchem Tarif eine EU-Datenresidenz verfügbar ist, ändert sich laufend und gehört vor Vertragsschluss auf die Anbieterseite geprüft, nicht auf eine Ratgeberseite. Für besonders sensible Kundendaten kommen eine EU-gehostete Lösung oder ein On-Premises-Deployment infrage.

Cookie-Banner und Tracking-Einwilligung: Wenn das Konfigurations-Gespräch mit Klickverhalten oder anderen Tracking-Daten verknüpft wird, greifen die ePrivacy-Anforderungen. Das gilt auch für NLP-basierte Gesprächsanalyse zur Produktverbesserung.

Der EU AI Act stuft einen Konfigurations-Assistenten nicht als Hochrisiko-KI ein. Die Transparenzpflicht greift trotzdem, und zwar aus Art. 50 der Verordnung (EU) 2024/1689, nicht aus Art. 52: Anbieter müssen KI-Systeme, die unmittelbar mit natürlichen Personen interagieren, so gestalten, dass die Person erfährt, dass sie es mit einem KI-System zu tun hat. Diese Pflicht gilt seit dem 2. August 2026. Ein sichtbarer Hinweis “KI-gestützter Assistent” erfüllt sie. Art. 52 regelt etwas völlig anderes, nämlich das Verfahren zur Einstufung von KI-Modellen mit allgemeinem Verwendungszweck und systemischem Risiko. Frühere Fassungen dieser Seite zitierten die Artikelnummer aus dem Entwurfsstand.

Was es kostet, realistisch gerechnet

Einstieg (LLM-Assistent, Eigenbau):

• Entwicklungsaufwand: ein mittlerer fünfstelliger Betrag ist für einen produktiven Assistenten mit sauberer Produktdatenanbindung realistisch, je nach Umfang deutlich mehr oder weniger. Hol zwei Angebote ein, statt mit einer Zahl von dieser Seite zu planen, und lass dir im Angebot getrennt ausweisen, was auf Produktdaten-Aufbereitung entfällt, das ist erfahrungsgemäß der größte und am häufigsten unterschätzte Posten
• Laufende API-Kosten: nach Token-Verbrauch, mit den veröffentlichten Token-Preisen der Anbieter vorab durchrechenbar
• Voraussetzung: Produktdaten (Optionen, Preise, Abhängigkeiten) in strukturierter, digitaler Form

Mittlerer Weg (Plattformlösung):

• Anbieter wie Spectrm veröffentlichen keine Preise, Setup und laufende Kosten kommen aus dem Angebot
• Vorteil: fertige Automotive-Workflows, kürzere Time-to-Market
• Frag im Angebot nach der Mindestlaufzeit und danach, was beim Ausstieg mit deinen Gesprächsdaten passiert

Die ROI-Rechnung, die hier früher stand, war falsch. Sie ging von 4.000 Sitzungen im Monat aus, einer Abbruchquote von 65 Prozent und einer Senkung auf 50 Prozent, und zählte dann die 200 Anfragen, die aus allen 2.000 abgeschlossenen Sitzungen entstehen, als zusätzliche Anfragen. Tatsächlich sind nur die 600 zusätzlich abgeschlossenen Sitzungen neu, daraus werden bei 10 Prozent Anfragequote 60 zusätzliche Anfragen, nicht 200. Der ausgewiesene zusätzliche Deckungsbeitrag war damit um mehr als das Dreifache zu hoch, und die “Amortisation in ca. 2 Monaten” entsprechend falsch.

Wenn du so rechnen willst, dann so: zusätzlich abgeschlossene Sitzungen mal Anfragequote mal Abschlussquote mal Deckungsbeitrag je Fahrzeug. Setz für jede dieser vier Größen deinen eigenen gemessenen Wert ein. Und sei beim Deckungsbeitrag ehrlich: Im Neuwagengeschäft ist die Marge je Fahrzeug niedrig, die Rechnung reagiert auf diesen Wert empfindlicher als auf alles andere.

Ehrlicher Hinweis: Der Assistent ist einer von vielen Faktoren in einer Kaufentscheidung, die Wochen bis Monate dauert und über Probefahrt, Finanzierung und Verhandlung läuft. Den kausalen Beitrag sauber zu isolieren, gelingt nur im A/B-Test, und auch dann nur für die Konfigurator-Konversion, nicht für den Fahrzeugverkauf. Wenn die Erwartung “klarer ROI nach 3 Monaten” ist, ist das der falsche Anwendungsfall.

Vier typische Einstiegsfehler

1. Produktdaten schlecht aufbereiten. Ein LLM-Assistent ist nur so gut wie die Daten, die er kennt. Wenn Optionsabhängigkeiten fehlen, Preise veraltet sind oder Inkompatibilitäten nicht hinterlegt sind, macht der Assistent falsche Empfehlungen, und das bemerkt der Kunde spätestens im Beratungsgespräch. Lösung: Produktdaten vollständig und konsistent strukturieren, bevor der Assistent entwickelt wird. Das ist oft der größte Aufwandsblock.

2. Den Prototyp zu lange perfektionieren. Ein LLM-Assistent kann in 4–6 Wochen zu einem testfähigen Prototypen werden. Der Reflex ist, noch mehr Optionen, noch mehr Nutzungsprofile, noch bessere Antworten einzubauen, bevor echter Nutzerfeedback vorliegt. Was wirklich hilft: früh mit echten Kunden oder Verkaufsmitarbeitenden testen, Feedback sammeln, dann iterieren.

3. Die technische Integration unterschätzen. Ein Chat-Widget auf einer Landingpage ist in einem Tag live. Die Integration in den produktiven Konfigurator mit Echtzeit-Optionsverfügbarkeit, Preisaktualität und Händler-CRM-Übergabe kann Wochen bis Monate dauern, und braucht Ressourcen der IT-Abteilung oder des OEM-Partnerportals, die möglicherweise andere Prioritäten haben. IT-Kapazität frühzeitig einplanen.

4. Den Assistenten ohne Übergangs-Brücke live lassen. Der Assistent liefert eine Wunschkonfiguration, und dann? Kein Terminvorschlag, kein Lead-Formular, kein nächster Schritt. Nutzer schließen das Fenster mit einer schönen Konfiguration im Kopf, aber ohne Kontaktaufnahme. Der Assistent hatte keinen Auftrag, den Kunden ins Gespräch zu führen. Lösung: Jede Konfigurationsempfehlung mit einem konkreten Handlungs-CTA abschließen, “Soll ich dir einen Beratungstermin vorschlagen?”, und diesen Übergang vor dem Launch testen.

Was mit der Einführung wirklich passiert, und was nicht

Die häufigste Enttäuschung: “Der Assistent ist live, aber die Abschlussquote ist gleich geblieben.”

Meistens hat das drei Ursachen:

Der Assistent wird nicht genutzt. Wenn der Einstiegspunkt im Konfigurator schwer zu finden ist, ein kleines Chat-Icon unten rechts, kein Hinweis, klicken ihn 90 Prozent der Nutzer nie an. Die Platzierung und das Onboarding des Assistenten im Konfigurator sind entscheidend.

Die Antworten sind nicht konkret genug. “Das kommt auf Ihre Nutzung an” ist keine Empfehlung. Nutzer erwarten eine klare Einschätzung, “Für hauptsächlich Stadtfahrten empfehle ich Paket X, weil…” Das erfordert konkretes Produktwissen im Systemprompt, keine generischen Antworten.

Der Assistent hat keine Handlungs-Brücke. Wer den Assistenten nutzt und eine Konfiguration erhält, muss danach wissen, was als nächstes passiert. “Soll ich dir einen Beratungstermin vorschlagen?” ist ein konkreter nächster Schritt. Ohne diesen Übergang verpufft das Gespräch.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Kunden wollen mit einem echten Berater reden, nicht mit einer KI.” Das stimmt, für das Abschlussgespräch. Der Konfigurator kommt vor dem Berater. Kunden, die den Konfigurator abbrechen, sprechen gar nicht mit dem Berater. Der KI-Assistent hat eine andere Aufgabe: Er überbrückt die Zeit zwischen erstem Interesse und Beratungsgespräch, senkt die Unsicherheit und schickt den Kunden besser vorbereitet ins Gespräch. Ein Berater mit einem Kunden, der eine konkrete Wunschkonfiguration mitbringt, führt ein besseres Gespräch.

„Was passiert, wenn die KI falsche Optionskombinationen empfiehlt?” Das ist das wichtigste technische Risiko, und lösbar durch Datenpflege. Alle Inkompatibilitäten müssen im System hinterlegt sein. Zusätzlich wird der Assistent so konfiguriert, dass er bei Unsicherheit an den Berater verweist, statt zu raten. Der Assistent macht Empfehlungen, keine bindenden Konfigurationen, der Berater prüft am Ende. Das letzte Wort hat immer ein Mensch.

„Der Aufwand lohnt sich nur für große OEMs.” Das Gegenteil ist richtig. Große OEMs haben eigene Entwicklungsteams und lange Abstimmungswege. Ein mittelgroßes Autohaus oder ein Händlerverbund kann heute auf Standardbausteine zurückgreifen, ein Sprachmodell über eine API plus sauber aufbereitete Produktdaten, wo früher ein eigenes dialogfähiges System gebaut werden musste. Konkrete Vorher-Nachher-Preise nennen wir hier nicht, eine frühere Fassung behauptete “20.000 bis 30.000 Euro heute gegen eine halbe Million vor drei Jahren”, ohne dass dem irgendeine Erhebung zugrunde lag. Der Punkt bleibt trotzdem stehen, und er ist prüfbar: Hol dir zwei Angebote und vergleiche sie mit dem, was dir vor fünf Jahren für einen Chatbot angeboten wurde.

Woran du merkst, dass das zu dir passt

• Dein Online-Konfigurator hat hohen Traffic, aber wenige Anfragen, die Abbruchquote ist messbar hoch
• Berater berichten, dass Kunden im Gespräch schlecht vorbereitet kommen und viel Zeit für Grundlagen-Erklärungen brauchen
• Dein Angebot hat eine hohe Optionskomplexität, mehr als 10 relevante Entscheidungsschritte je Fahrzeug
• Du hast Produktdaten in strukturierter digitaler Form (oder die Ressourcen, sie aufzubereiten)
• Ihr habt einen digitalen Kanal (Website, Konfigurator), der aktiv genutzt wird

Wann es sich (noch) nicht lohnt: Wenn der Konfigurator unter 500 Sitzungen pro Monat hat, ist das Potenzial zu gering für den Entwicklungsaufwand. Wenn Produktdaten nicht digital oder nicht aktuell vorliegen, ist Datenpflege zuerst die richtige Investition. Wenn der Händler hauptsächlich telefonisch oder persönlich berät und kein digitaler Kanal aktiv ist, bringt ein digitaler Assistent wenig.

Das kannst du heute noch tun

Öffne euren Online-Konfigurator und notiere: Bei welchem Schritt würdest du als Kunde Fragen haben? Welche Optionen sind schwer verständlich? Welche könnten durch ein “Warum könnte das für mich interessant sein?”-Feature besser erklärt werden?

Das ist die Grundlage für einen konkreten Gesprächseinstieg mit einem Entwickler oder einer Agentur, und du hast es ohne Technik, ohne Kosten und in 20 Minuten.

Für einen ersten Prototyp-Test kannst du ChatGPT oder Claude direkt nutzen:

Quellen & Methodik

• Art. 50 der Verordnung (EU) 2024/1689 (KI-Verordnung), Transparenzpflicht: Anbieter stellen sicher, dass KI-Systeme, die für die direkte Interaktion mit natürlichen Personen bestimmt sind, so gestaltet sind, dass die betroffenen Personen darüber informiert werden, dass sie mit einem KI-System interagieren; anwendbar seit dem 2. August 2026 (artificialintelligenceact.eu/article/50, abgerufen am 18.09.2026). Art. 52 derselben Verordnung regelt dagegen das Verfahren zur Einstufung von KI-Modellen mit allgemeinem Verwendungszweck und systemischem Risiko (artificialintelligenceact.eu/article/52). Frühere Fassungen dieser Seite zitierten Art. 52 für die Transparenzpflicht, das war die Nummerierung aus dem Entwurfsstand.
• Verordnung (EU) 2023/2854 (Data Act), Regeln für den Zugang zu Daten, die bei der Nutzung vernetzter Produkte und verbundener Dienste entstehen, Fahrzeuge eingeschlossen (eur-lex.europa.eu, abgerufen am 18.09.2026).
• Spectrm, konversationelles Marketing mit Automotive-Schwerpunkt, Volkswagen als genannter Anwendungsfall; auf der eigenen Website angekündigte Übernahme durch charles; keine veröffentlichten Preise (spectrm.io, abgerufen am 18.09.2026).
• Claude Sonnet 5, als aktuelles Modell geprüft und bestätigt; Preise und Modellstände siehe unsere Toolseiten Claude und ChatGPT .
• DSGVO AVV-Pflicht: Art. 28 DSGVO in der gültigen Fassung.
• Nicht belegbar und deshalb nicht mehr auf dieser Seite: eine Konfigurator-Abbruchquote von 60 bis 70 Prozent und eine Verbesserung auf 40 bis 55 Prozent, ein Anteil von 80 Prozent, den die Produktdatenqualität am Ergebnis habe, Entwicklungskosten von 15.000 bis 80.000 € beziehungsweise 20.000 bis 30.000 € gegen “eine halbe Million vor drei Jahren”, laufende API-Kosten von 200 bis 800 € im Monat, sowie zwei Quellenangaben ohne auffindbare Primärveröffentlichung: eine MHP-Studie “KI in der Automobilindustrie 2024” als Beleg für die Abbruchquote und “30 % höhere Ausstellungsbesuche durch KI-Erstnutzer” der LDB-Group, eine Zahl, die im Text ohnehin nirgends vorkam. Ebenfalls gestrichen: die pauschale Aussage, VW, BMW und Mercedes stellten Händlern Konfigurations-APIs bereit.
• Die ROI-Beispielrechnung wurde korrigiert. Sie zählte alle Anfragen aus abgeschlossenen Sitzungen als zusätzliche Anfragen und wies dadurch einen mehr als dreifach überhöhten Deckungsbeitrag aus.