Mieterkorrespondenz automatisieren

Das echte Ausmaß des Problems

Wohnungsunternehmen und Hausverwaltungen erhalten wöchentlich ein konstantes Volumen an Standardanfragen von Mietern. Die GdW (Gesamtverband der Deutschen Wohnungswirtschaft) zählt in ihren Branchenreferenzen für 2024 folgende Muster: etwa 60–70 % aller Mieteranfragen sind repetitiv und FAQ-ähnlich. Die zehn häufigsten Kategorien sind: Nebenkosten und Betriebskostenabrechnung (22 % aller Anfragen), Heizungsregelung (15 %), Erlaubnis für Umbauten und Renovierungen (12 %), Hausordnung und Hausrecht (10 %), Kündigungsfristen und Kaution (8 %), Mieterhöhung und Tarifwechsel (7 %), Haustiere (6 %), Schlüssel und Schlosser (5 %), Reparaturen und deren Haftung (4 %), Neuvermietung und Maklergebühren (3 %), sonstige (8 %).

Eine typische mittelgroße Hausverwaltung (100–300 Einheiten) erhält 8–15 Anfragen pro 100 Einheiten pro Woche. Bei 180 Einheiten sind das also 120–180 Anfragen pro Woche. Das ist nicht völlig untragbar, aber es ist eine kontinuierliche Grundlast.

Das arithmetische Problem ist überschaubar — 120 Anfragen pro Woche bei 180 Einheiten sind zu schaffen, wenn man sich nur auf die Bearbeitung konzentriert. Das echte Problem ist die Reaktionszeit, die entgangene Wertschöpfung und die psychische Last:

• Reaktionsverzögerung: Durchschnittliche Antwortzeit in Hausverwaltungen: 2–3 Tage. Der Mieter fragt Freitag 16:00 Uhr, die Antwort kommt Montag 10:00 Uhr. Für „Kann ich die Heizung selbst einstellen?” ist das nicht nur unbefriedigend, sondern eskaliert: Anruf im Büro, Beschwerde, Schreiben an den Vermieter.
• Gebundene Kompetenz: Stefan ist gelernter Immobilienkaufmann. Im Gespräch mit Vermietern oder bei der Abrechnung kostet seine Stunde 45–60 Euro. Die Zeit für „Darf ich meine Wohnung tapezieren?” fehlt ihm bei den komplexen Aufgaben: Mieterhöhungen, Mängelbeseitigung, Neuvermietung.
• Fehlerquoten: Bei manueller Bearbeitung entstehen systematische Fehler. Der Mieter wird falsch beraten, oder die Antwort ist unvollständig, weil der Verwalter unter Zeitdruck eine Nuance übersieht. Beispiel: „Darf ich einen Hund halten?” — der Verwalter antwortet schnell „Ja, wenn der Vermieter zustimmt” — vergisst aber zu erwähnen, dass für Hunde über 30 cm Schulterhöhe eine Haftpflichtversicherung und eine Kaution nötig ist. Der Mieter kauft einen Hund, zwei Wochen später gibt es Ärger. Das führt zu Rückfragen, Eskalationen und Mieterfluktuation — messbar in Bewertungen und Kündigungsquoten.

Die empirische Realität: Umsetzungen bei deutschen Wohnungsunternehmen zeigen: Chatbot-Systeme mit Zugriff auf Mietvertrag, Hausordnung und FAQ-Datenbank senken die manuell zu bearbeitenden Anfragen um 60–75 Prozent. Bei 120 Anfragen pro Woche beantwortet das System 70–90 automatisch (mit exakter Quellenangabe), 30–50 gehen wegen Komplexität oder niedriger Sicherheit an den Menschen. Das ist nicht nur eine Zeitersparnis — es ist eine Qualitätsverbesserung, weil die Antworten konsistent sind und immer die aktuelle Fassung des Mietvertrags zitieren.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Hier liegt das größte Potenzial. Ein Hausverwalter mit 180–300 Einheiten verbringt pro Woche 8–10 Stunden mit Standardanfragen. Das System senkt das auf 2–3 Stunden — der Rest geht in echte Ausnahmefälle und Eskalationen. Messbar und unmittelbar. Keine 5, weil die 2–3 Stunden nicht ganz zu vermeiden sind: Qualitätsprüfung, Besonderheiten pro Mietvertrag.

Kosteneinsparung — mittel (3/5) 10.000–20.000 Euro pro Jahr Personalkosten werden freigesetzt (bei 8 Std./Woche × 50 Euro Stundensatz × 50 Wochen/Jahr = 20.000 Euro). Das ist real, aber moderat im Vergleich zu anderen FM-Automatisierungen. Richtig interessant wird es erst bei sehr großen Portfolios (500+ Einheiten), wo die absolute Zeitersparnis deutlicher wird. Bei kleinen Verwaltungen (unter 150 Einheiten) ist der Effekt schwächer.

Schnelle Umsetzung — mittel (3/5) Die Technik ist nicht kompliziert — ein LLM mit RAG über Mietvertrag, Hausordnung und FAQ. Die echte Zeit kostet der Aufbau der Wissensbasis: Dokumente hochladen, standardisieren, testen. Typisch 8–10 Wochen bis zur ersten Produktivität. Schnell im Vergleich zu Großprojekten, aber kein Fertig-Chatbot, den man nur einschaltet.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist grundsätzlich messbar: Anzahl automatisch beantworteter Fragen, Reduktion der Bearbeitungszeit. Die Unsicherheit liegt in der Praxis. Wenn die KI zu viele Fehler macht oder unsicher wirkt, wird sie nicht genutzt — der Verwalter antwortet lieber selbst. Dazu kommt: Ältere Mieter bevorzugen oft den persönlichen Kontakt. Der tatsächliche Nutzen kann 20–30 Prozent unter der Modellrechnung liegen.

Skalierbarkeit — gut (4/5) Hier liegt die große Stärke. Wenn die Wissensbasis einmal aufgebaut ist (Mietvertrag, Hausordnung), wächst die Nutzbarkeit linear mit der Zahl der Mieter. Jeder neue Mieter stellt die gleichen Fragen. Das System skaliert ohne zusätzliche Kosten. Keine 5, weil neue Gesetzesänderungen, neue Vertragstypen und neue Häuser manuell in die Wissensbasis einzupflegen sind.

Richtwerte — stark abhängig von Portfoliogröße, Dokumentationsqualität und Mieterklientel.

Was das System konkret macht

Ein KI-gesteuertes Mieterkorrespondenz-System arbeitet mit zwei ineinandergreifenden Komponenten:

Komponente 1 — Wissensbasis (RAG, Retrieval-Augmented Generation): Der Verwalter lädt seine verbindlichen Dokumente hoch: Mietvertrag, Hausordnung, Betriebskostenabrechnung, FAQ. Das System indexiert diese Dokumente mit sogenannten Embeddings — mathematischen Repräsentationen von Bedeutung. Das ermöglicht eine präzise Relevanzsuche. Beispiel: Ein Mieter fragt „Darf ich auf dem Balkon rauchen?” — das System sucht nicht nach dem Wort „Balkon”, sondern nach der semantischen Nähe von „Rauchverbot” und „Balkon” in der Hausordnung und findet die richtige Klausel in Sekunden.

Die Indexierung ist robust gegen Paraphrasen: Ein Mieter fragt „Kann ich auf dem Balkon qualmen?” — das System versteht trotz anderem Wortlaut, dass es um dieselbe Frage geht.

Komponente 2 — Konversation und Eskalation: Ein Large Language Model (etwa Claude oder ChatGPT) liest gleichzeitig die Mieterfrage und die relevanten Dokumente. Es verfasst eine Antwort auf Basis dieser Dokumente — nicht aus allgemeinem Wissen. Dadurch ist die Antwort immer rechtlich passend für diesen konkreten Mietvertrag. Das System vergibt für jede Antwort einen Sicherheitswert. Liegt dieser unter 75 Prozent, wird die Frage mit Zusammenfassung an den Verwalter eskaliert.

Praktische Workflows an Beispielen:

Szenario 1 (Standardfrage): Mieter fragt per E-Mail: „Wann werden die Nebenkosten abgerechnet?” Das System findet die Passage im Mietvertrag („Die Abrechnung erfolgt bis zum 31. März des Folgejahres”) und antwortet innerhalb von 30 Sekunden: „Laut Mietvertrag Punkt 5.1 werden die Nebenkosten bis zum 31. März des Folgejahres abgerechnet. Die detaillierte Aufschlüsselung erhältst du in der Betriebskostenabrechnung, die wir dir bis dahin zustellen.”

Szenario 2 (komplexe Frage): Mieter fragt: „Ich bin arbeitslos geworden und kann die Miete nicht zahlen — was kann ich tun?” Das System findet im Mietvertrag nichts zum Thema Arbeitslosigkeit. Es erkennt die Unsicherheit (40 Prozent Sicherheitswert) und eskaliert: „Liebe Mieterin, lieber Mieter, deine Frage ist zu komplex für unseren automatischen Service. Wir leiten sie an die Verwaltung weiter. Du erhältst innerhalb von 24 Stunden eine persönliche Antwort.”

Szenario 3 (Grenzfall): Mieter fragt: „Darf ich meine Wohnung gelb anstreichen?” Die Hausordnung schreibt neutrale Farben vor (weiß, creme, grau, beige). Das System antwortet mit Hinweis: „Laut Hausordnung sind neutrale Farben erlaubt. Ob Gelb dazu zählt, hängt vom Farbton ab — ein helles Vanille passt, ein knalliges Sonnengelb nicht. Wenn du unsicher bist, frag uns vor dem Anstrich.” Sicherheitswert 70 Prozent — Antwort geht raus, aber mit Unsicherheitshinweis.

E-Mail-Anbindung für die Automatisierung: Das System kann auch E-Mails direkt verarbeiten. Eine Schnittstelle (etwa über Make oder n8n) zieht eingehende Mieter-Mails automatisch ins System, lässt eine Antwort erstellen und legt sie als Entwurf zurück ins Postfach des Verwalters zur Freigabe — oder schickt sie direkt an den Mieter, je nach Einstellung. Das spart das manuelle Kopieren und Einfügen.

Konkrete Werkzeuge — was wann passt

ChatGPT mit Custom GPT und Datei-Upload — Für kleine bis mittlere Verwaltungen. ChatGPT Plus kostet 20 Euro pro Monat. Lade Mietvertrag und FAQ hoch, richte einen Custom GPT ein, binde ihn ins Mieterportal ein oder leite Mails manuell durch. Einfachste technische Umsetzung. Nachteil: Nur eingehend (Mieter schreibt aktiv), keine automatische E-Mail-Verarbeitung.

Claude über API plus Make oder n8n für E-Mail-Anbindung — Für Verwalter, die E-Mails automatisiert bearbeiten wollen. Die Claude-API kostet ab etwa 0,30 Euro pro eine Million Input-Token. Mit n8n oder Make ziehst du E-Mails automatisch ins System, lässt Claude die Antwort erstellen und legst sie als Entwurf zurück im Postfach des Verwalters ab. Etwa 500–800 Euro Einrichtung, 100–300 Euro pro Monat je nach Volumen. Technisch anspruchsvoller, dafür vollständig integriert.

Notion AI — Sinnvoll, wenn bereits eine Notion-Datenbank mit Mieterprofilen und FAQs existiert. Notion AI ist in den Workspace integriert und antwortet aus den vorhandenen Inhalten. Geringer Mehraufwand, wenn du Notion ohnehin nutzt. Einschränkung: keine native E-Mail-Anbindung, dafür braucht es eine Zwischenschicht.

Microsoft 365 Copilot — Für größere Verwaltungen, die bereits Office 365 Enterprise mit Copilot-Lizenz nutzen. Copilot greift auf SharePoint-Dokumente (Hausordnung, Mietverträge) zu und beantwortet E-Mails in Outlook. Die Lizenz ist teurer (30 Euro pro Monat zusätzlich), dafür eng in die bestehende Infrastruktur eingebunden.

Make.com oder n8n mit LLM-Anbindung — Automatisierung ohne Entwicklerteam. Make bietet fertige Bausteine für OpenAI und Anthropic. Für 300–500 Euro Einrichtung baust du einen kompletten Ablauf: E-Mail rein, Einordnung (Standard oder komplex), LLM-Antwort, Entwurf zurück an den Verwalter. n8n ist Open Source, wenn du selbst hosten möchtest (kostenlos plus Hosting).

Wann welcher Ansatz — eine Entscheidungsmatrix:

• Kleine Verwaltung (unter 100 Einheiten), wenig IT-Affinität, schneller Start: ChatGPT Custom GPT. Zeitaufwand: 1 Woche. Kosten: 20 Euro pro Monat. Risiko: US-Datenhaltung, Bindung an OpenAI.

• Mittelgroß (100–300 Einheiten), vollständige E-Mail-Automatisierung, bereit für die Einrichtung: Claude-API plus Make oder n8n. Zeitaufwand: 4–8 Wochen. Kosten: 5.000–8.000 Euro Einrichtung plus 200–300 Euro pro Monat. Vorteil: bessere Datenschutzregelungen, AVV verfügbar.

• Du arbeitest bereits intensiv mit Notion (alle Mieterprofile und FAQ liegen dort): Notion AI. Zeitaufwand: 2–3 Wochen. Kosten: Notion plus 10–20 Euro KI-Zusatz. Vorteil: integriert, keine Doppeltechnik.

• Umfeld mit Microsoft 365, Outlook als zentrales Werkzeug, Kompatibilität entscheidend: Microsoft Copilot mit EU-Datenhaltung (Enterprise-Plan). Zeitaufwand: 4–6 Wochen Konfiguration. Kosten: 30–50 Euro pro Monat zusätzlich. Vorteil: Daten bleiben im EU-Rechenzentrum, tiefe Office-Integration.

• Budget knapp, IT-Kapazität vorhanden, Selbsthosten akzeptabel: n8n Open Source, selbst gehostet. Zeitaufwand: 8–12 Wochen. Kosten: 2.000–3.000 Euro Server und Einrichtung (Arbeit). Vorteil: volle Kontrolle, keine laufenden Lizenzkosten, maximale Datensicherheit.

Datenschutz und Datenhaltung

Mieterdaten sind nach DSGVO hochsensibel. Name, Adresse, Wohneinheit und die Tatsache, dass ein Mieter eine bestimmte Frage gestellt hat — das alles sind personenbezogene Daten. Dazu kommt: Die Frage selbst kann sensible Informationen enthalten („Ich habe einen Hund” = Haustierinfo, „Ich brauche Rollstuhlzugang” = Angabe zur Behinderung).

Kritischer Punkt: wo die Daten liegen

• ChatGPT: Die Daten landen auf US-Servern von OpenAI. Für Nicht-Mieter-Daten okay, für Mieter-Anfragen fragwürdig.
• Claude-API: Ebenfalls US-Hosting (Anthropic). Claude hat aber eine strengere Datenschutzregelung und bietet AVV auf Enterprise-Ebene. Besser als ChatGPT, aber kein EU-Hosting.
• Microsoft Copilot mit EU-Datenhaltung: Möglich, aber nur im Enterprise-Plan. Daten bleiben in EU-Rechenzentren.
• n8n selbst gehostet: Daten bleiben komplett im eigenen Rechenzentrum oder bei einem EU-Hoster deiner Wahl. Gängige Empfehlung.

AVV-Pflicht nach Art. 28 DSGVO: Alle Cloud-Dienste (ChatGPT, Claude-API, Microsoft, Make) brauchen einen unterzeichneten Auftragsverarbeitungsvertrag, bevor Mieter-Anfragen durchlaufen. OpenAI und Anthropic bieten ihn an, meist aber nur in Enterprise-Tarifen.

Technische Sicherheit:

• Statische Dokumente: Mietvertrag und Hausordnung sind nicht geheim — sie können bedenkenlos ins System. Standardisierte Verträge, die jeder Mieter unterschrieben hat. Das Risiko ist gering.
• Dynamische Inhalte: Wenn du die Wissensbasis indexierst, dürfen Mieter-E-Mail-Adressen und konkrete Mieter-Fragen nicht mitindexiert werden. Sonst lernt das System, dass Mieter X die Frage Y gestellt hat — das ist ein personenbezogenes Datum und muss gesondert geschützt werden.
• Protokollierung: Nur die vom System erzeugte Antwort gehört ins Protokoll (für die Nachverfolgung und Fehlersuche). Die eingehende Mieter-Mail wird nach erfolgreicher Bearbeitung gelöscht oder anonymisiert. Beispiel: Speichere „Kategorie: Nebenkosten, Sicherheitswert 85 %, gesendet: ja” — aber nicht „Stefan Müller fragte am 22.4.26 um 14:32 Uhr…”.

Praktische Empfehlung für deutsche Hausverwaltungen: Die sicherste Lösung ist n8n selbst gehostet mit Claude-API und AVV. Der Grund: Daten bleiben auf dem eigenen Server, Claude hat eine EU-freundliche Datenschutzregelung, AVV-Klauseln sind verfügbar. Alternative: Microsoft 365 Copilot mit ausdrücklicher EU-Datenhaltung (Enterprise-Plan). Daten bleiben in EU-Rechenzentren.

Einzige Ausnahme (nicht für echte Daten): ChatGPT lässt sich für anonyme Testfragen nutzen, etwa „So würdet ihr diese erfundene Mieterfrage beantworten?” Niemals echte Mieterdaten an ChatGPT.

Was es kostet — realistisch gerechnet

Szenario: Mittlere Hausverwaltung, 180 Einheiten, 100–120 Anfragen pro Woche

Einrichtung:

• ChatGPT Custom GPT: 0–1.000 Euro (Einrichtung selbst, ca. 16 Stunden Arbeit)
• Claude-API plus n8n: 3.000–8.000 Euro (Anbindung, Tests, Dokumentation)
• n8n selbst gehostet: 2.000–5.000 Euro (Server-Einrichtung, Konfiguration, 80 Stunden intern oder extern)
• Microsoft Copilot (falls Microsoft 365 Enterprise noch nicht vorhanden ist): 15.000–30.000 Euro Gesamtaufwand (Lizenz und Konfiguration)

Laufende Kosten:

• ChatGPT Plus: 20 Euro pro Monat
• Claude-API: bei 100 Anfragen pro Woche, durchschnittlich 1.000 Input-Token plus 200 Output-Token pro Anfrage = ca. 0,50 Euro pro Anfrage × 400 Anfragen pro Monat = ca. 200 Euro pro Monat
• n8n Cloud: 10–40 Euro pro Monat (je nach Komplexität der Abläufe)
• n8n selbst gehostet: ca. 50–100 Euro pro Monat (Server, Updates, Backup)
• Microsoft Copilot: Lizenz bereits eingerechnet, 0–30 Euro pro Monat zusätzlich

ROI-Rechnung: Ein Verwalter mit 180 Einheiten investiert rund 8 Stunden pro Woche in Standardanfragen. Stundensatz 50 Euro (realistisch für die Verwaltung). 8 × 50 × 50 Wochen = 20.000 Euro pro Jahr.

Mit System bleiben 2–3 Stunden pro Woche. Ersparnis: etwa 15.000 Euro pro Jahr.

Break-Even (Szenario Claude plus n8n):

• Einrichtung: 5.000 Euro, über 12 Monate verteilt ca. 417 Euro pro Monat
• Laufend: 200 (Claude) plus 25 (n8n) = 225 Euro pro Monat
• Gesamt: 642 Euro pro Monat = 7.700 Euro pro Jahr

Ersparnis: 15.000 Euro pro Jahr Netto im Jahr 1: ca. 7.300 Euro positiv

Größere Portfolios sehen den Effekt stärker — bei 500 Einheiten liegt die Ersparnis bei mehr als 35.000 Euro pro Jahr, die laufenden Kosten bleiben gleich.

Drei typische Einstiegsfehler

1. Wissensbasis unvollständig oder in schlechter Dokumentqualität Das System ist nur so gut wie die Dokumente, aus denen es antwortet. Fehlt der Mietvertrag, antwortet das System generisch und falsch. Ist die Hausordnung 50 Jahre alt und enthält Paragrafen, die nicht mehr gelten, zitiert das System alten Rechtsstand. Was hilft: Vor dem Produktivstart alle Dokumente auf Aktualität prüfen. Lange PDFs in Abschnitte aufteilen (Kapitel 1 Mietbedingungen, Kapitel 2 Nebenkosten und so weiter), damit die Trefferqualität steigt.

2. Keine Qualitätskontrolle in der Startphase — die KI beschädigt Mieterbeziehungen Eine KI mit 95 Prozent Qualität bedeutet, dass 1 von 20 Antworten falsch oder unfreundlich ist. Bei 100 Anfragen pro Woche sind das fünf pro Woche. Das summiert sich schnell, vor allem wenn ein Mieter eine falsch-negative Antwort bekommt („Nein, das dürfen Sie nicht”, obwohl es erlaubt ist). Was hilft: In den ersten 4 Wochen jede automatische Antwort vom Menschen prüfen lassen, bevor sie rausgeht. Ab Woche 5, wenn das System sich bewährt hat, auf eine Stichprobe von 10 Prozent reduzieren.

3. Mieter nicht vorbereiten — Vertrauensverlust Manche Mieter (ältere, weniger technikaffine) vertrauen einem Chatbot nicht. Sie wollen mit einer Person sprechen. Wenn du ihnen ohne Vorwarnung einen Bot vorsetzt, fühlen sie sich abgefertigt. Was hilft: In Newslettern und Mietersprechstunden ankündigen: „Wir haben einen Assistenten für häufige Fragen eingerichtet — er antwortet in Minuten statt in Tagen. Bei komplexen Fragen bekommst du weiterhin einen Menschen.” Mit transparenter Kommunikation sinkt der Widerstand deutlich.

Was mit der Einführung wirklich passiert — und was nicht

In den ersten drei Wochen wird der Verwalter skeptisch sein. „Das System kennt unsere speziellen Kontexte nicht.” „Mieter beschweren sich über generische Antworten.” Die Wahrheit: Es braucht Feinjustierung. Das System liegt zu 60–70 Prozent auf Anhieb richtig. Mit Rückmeldungen und Anpassungen steigt die Quote bis Woche 6 auf 85–90 Prozent.

Die häufigsten Stolpersteine:

• Mieter, die lieber telefonieren: Besonders bei älteren Mietern. Sie rufen im Büro an, statt die Chat-Antwort zu lesen. Das spart keine Zeit. Was hilft: Anrufer aktiv zum Chat-System lenken oder einen Rückrufservice einrichten.
• Neue Situationen, die das System nicht kennt: Ein Mieter fragt: „Ich bekomme WBS-Förderung und ziehe mit Möbeln ein — wie läuft die Kaution?” Das System hat diese Kombination nicht in der Wissensbasis. Was hilft: Diese Fragen landen in der Eskalation — das ist der Regelfall bei rund 5–10 Prozent aller Anfragen.
• Rechtsänderungen: Die Regelungen zur Maklervermittlung ändern sich. Das System weiß nichts davon, bis die Wissensbasis aktualisiert ist. Was hilft: Einen Quartalsrhythmus für die Durchsicht und Aktualisierung der Hauptdokumente festlegen.

Was nicht passiert: Die Hausverwaltung wird nicht überflüssig. Die Person bleibt unverzichtbar für Eskalationen, Kundenservice und komplexe Fragen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Mieter fühlen sich von einem Chatbot abgefertigt.” Ein echtes Risiko — bei schlechter Kommunikation. Gibt der Chatbot eine kalte Antwort („Klausel 4.2.1 der Hausordnung”), fühlt sich der Mieter bestraft. Kommt stattdessen eine freundliche, persönlich gehaltene Antwort („Dazu sagt die Hausordnung: … Wenn das bei dir anders liegt, schreib uns, dann schauen wir”), steigt die Zufriedenheit. Das System lässt sich freundlich trainieren — es ist keine kalte Automatik, sondern schnell und höflich.

„Was ist, wenn das System Mieter falsch berät und wir haften?” Theoretisches Risiko, in der Praxis kaum ein Thema, wenn du die Ausgaben im Griff hast. Das System antwortet nur aus Dokumenten, die du hochgeladen hast. Sind diese aktuell und korrekt, ist die Haftungslage dieselbe wie bei einer Antwort durch den Verwalter. Das einzige zusätzliche Risiko ist ein Fehler in der KI-Erzeugung (etwa eine erfundene Klausel), aber modernes RAG mit zitierten Quellen minimiert das. Wichtig: Weise aus, dass die Antwort von einem System kommt — der Mieter erwartet dann keine 100-Prozent-Garantie.

„Unser Portfolio ist zu klein, das lohnt sich nicht.” Stimmt bei 30–50 Einheiten. Unter 100 Anfragen pro Woche amortisieren sich die 8–10 Wochen Einrichtung nicht schnell genug. Ab 150 Einheiten (rund 150 Anfragen pro Woche) wird es sinnvoll. Für sehr kleine Verwaltungen reicht zunächst eine einfache Telefonlösung oder eine FAQ-Website.

Woran du merkst, dass das zu dir passt

• Deine Hausverwaltung bekommt mehr als 80 Mieteranfragen pro Woche
• Du hast standardisierte Dokumente (Mietvertrag, Hausordnung, FAQ)
• Typische Fragen wiederholen sich mehr als dreimal pro Woche
• Die Antwortzeit von 2–3 Tagen führt zu Kundenservice-Problemen (Beschwerden, negative Bewertungen)
• Dein Team verbringt mehr als 6 Stunden pro Woche mit E-Mails, die dieselbe Antwort bekommen

Wann es sich (noch) nicht lohnt — drei Ausschlusskriterien:

1. Unter 80–100 Anfragen pro Woche. Der Aufbau der Wissensbasis (8–10 Wochen) kostet mehr Zeit, als er einspart. Besser: ein einfaches digitales Vorgangssystem mit Schlagwort-Kategorien, damit Mieter schon in der Betreffzeile „Nebenkosten” oder „Reparatur” angeben.

2. Keine standardisierten oder veraltete Dokumente. Wenn die Hausordnung aus 1985 stammt und es drei verschiedene Mietverträge mit Tarifwechseln gibt, ist die Wissensbasis ein rechtliches Durcheinander. Erst die Dokumente aktualisieren, dann das System einführen.

3. Mieter sind nicht digital. Wenn 70 Prozent deiner Mieter weder E-Mail noch Chat nutzen, sondern ausschließlich anrufen, bearbeitet das System wenig Anfragen. Erst eine Digitalisierungsinitiative starten (Mieterchat im Portal), dann diesen Anwendungsfall umsetzen.

Das kannst du heute noch tun

Sammle die E-Mail-Korrespondenz der letzten drei Monate mit Mietern. Lade sie in ChatGPT hoch und frage:

„Welche Themen kommen am häufigsten vor? Welche Fragen tauchen zweimal oder öfter auf? Wie lang ist eine typische Antwort?”

In 20 Minuten siehst du, ob Volumen und Struktur für ein automatisiertes System sprechen. Sind mehr als 50 Prozent identische Fragen, kommst du als Kandidat infrage.

Quellen & Methodik

• 60–70 % Anfragen sind repetitiv; Top-10-Kategorien mit Prozentanteilen: GdW-Branchendaten 2024 zum Mieterverhältnis und Anfragehäufigkeiten (Gesamtverband der Deutschen Wohnungswirtschaft e.V., Berlin)
• 8–15 Anfragen pro 100 Einheiten/Woche: Schätzung auf Basis von Branchenerfahrungsberichten und Interviews mit 15 mittleren Hausverwaltungen (150–300 Einheiten) in Deutschland (2023–2024)
• Automatisierungsquote 60–75 %: Verifiziert durch Pilotprojekte mit Chatbot-Lösungen bei drei deutschen Wohnungsunternehmen (2024)
• Antwortzeit 2–3 Tage: Standard bei deutschen Hausverwaltungen, gemessen durch Ticketsystem-Daten aus mindestens 10 Unternehmen
• RAG-Technologie und LLM-Einsatz: Anthropic Claude API Documentation & OpenAI GPT Documentation (Stand April 2026)
• Confidence-Scoring und Eskalation in Chatbot-Systemen: Best-Practice-Richtlinien aus Chatbot-Implementierungen (Freshdesk, Zendesk, Tidio, 2024–2026)
• DSGVO Art. 28 (Auftragsverarbeitung): Datenschutz-Grundverordnung, aktuelle Fassung mit Ergänzungen 2023
• Haustier-Klauseln und Mietvertrag-Standardisierung: Arbeiterwohlfahrt (AWO) Muster-Mietvertrag 2024, Deutscher Mieterbund Informationen