Chatbot mit eigenen Daten und PDFs trainieren

Wer einen Chatbot mit eigenen Daten trainieren will, stellt sich meist etwas Großes vor: Man gibt der KI seine Unterlagen, sie lernt eine Weile, und danach weiß sie Bescheid. So funktioniert es bei Mignuti Chatbot nicht, und bei den meisten anderen Website-Bots auch nicht. Das ist eine gute Nachricht. Denn was stattdessen passiert, ist schneller, nachvollziehbarer und lässt sich jederzeit korrigieren.

Hier steht, was mit deinen Daten wirklich passiert, welche Quellen du anbinden kannst und wie du sie so aufbereitest, dass der Bot gute Antworten gibt.

Chatbot mit eigenen Daten trainieren heißt: nachschlagen

Das Sprachmodell hinter deinem Bot wird nicht mit deinen Daten trainiert. Es bleibt, wie es ist. Stattdessen läuft bei jeder Frage ein Nachschlage-Schritt davor. Fachleute nennen das RAG, kurz für „Retrieval-Augmented Generation“. Im Alltag heißt das:

1. Deine Inhalte werden in kurze Abschnitte von einigen hundert Zeichen zerlegt und so gespeichert, dass man sie nach Bedeutung durchsuchen kann.
2. Stellt ein Besucher eine Frage, sucht der Bot die Abschnitte heraus, die am besten passen.
3. Nur diese Abschnitte bekommt das Modell zusammen mit der Frage. Daraus formuliert es die Antwort.

Der Unterschied zum „Trainieren“ ist praktisch spürbar. Änderst du eine Quelle, gilt die Änderung, sobald sie neu eingelesen ist. Löschst du eine Quelle, verschwindet sie aus den Antworten. Und weil jede Antwort auf konkreten Abschnitten beruht, lässt sich zeigen, woher sie kommt.

Ein Nebeneffekt: Die Suche funktioniert über Sprachgrenzen hinweg. Ein deutsches PDF kann eine spanische Frage beantworten, der Bot antwortet in bis zu 12 Sprachen.

Welche Quellen du anbinden kannst

In der Admin-Oberfläche findest du alles unter Wissen und dort über den Knopf „Wissen hinzufügen“. Zur Auswahl stehen:

• Website: Du gibst eine Adresse oder eine sitemap.xml an, der Crawler liest die Seiten. Er folgt auf Wunsch auch Links derselben Domain, weil viele Systeme ganze Bereiche nicht in die Sitemap schreiben. Seiten, die er über keinen Link findet, heftest du mit „Seite hinzufügen“ einzeln an. Je nach Tarif liest der Bot die Website automatisch monatlich, wöchentlich oder täglich neu ein.
• Dokument: PDF, TXT oder Markdown, bis 25 MB je Datei. Word-Dateien gehen derzeit noch nicht, die exportierst du vorher als PDF.
• Freitext: Text einfügen, der sonst nirgends steht, zum Beispiel aus Notion oder einem internen Dokument.
• Frage & Antwort: eine feste Antwort auf eine feste Frage. Dazu später mehr.
• Glossar-Begriff: Abkürzungen und Fachwörter, die deine Besucher tippen.
• Dropbox-Ordner und Google Drive: ab dem Tarif Standard. Neue und geänderte Dateien liest der Bot nach. Wie das im Detail läuft, steht in unseren Beiträgen zu Dropbox und Google Drive.

Wie viele Dokumente, URL-Quellen und Seiten pro Crawl drin sind, hängt vom Tarif ab. Die Übersicht steht auf der Preisseite.

Frage-Antwort-Paare: der direkte Weg

Für Dinge, die immer gleich beantwortet werden sollen, sind Frage-Antwort-Paare das schärfste Werkzeug. Öffnungszeiten, Rückgabefristen, „Wie erreiche ich euch?“. Ein Paar ist in einer Sekunde gespeichert, und der Bot kennt es ab sofort.

Zwei Einstellungen machen Paare besonders nützlich:

• Weitere Formulierungen: Bis zu fünf andere Arten, dieselbe Frage zu stellen. Jede wird einzeln gesucht und führt zur selben Antwort. Wer „Bin ich angenommen?“ tippt, findet so dieselbe Antwort wie jemand, der „Habe ich einen Platz bekommen?“ schreibt.
• Abschließend: Ist das Paar der beste Treffer für eine Frage, antwortet der Bot nur daraus und zieht keine weiteren Quellen hinzu. Sonst führt er alle Treffer zu einer Antwort zusammen. Das lohnt sich für Antworten, an denen nichts ergänzt werden soll, etwa eine verbindliche Preisangabe.

Paare lassen sich auch als JSON-Datei importieren und exportieren, wenn du schon eine FAQ-Liste hast.

Jeder Abschnitt weiß, woher er stammt

Ein Detail, das man nicht sieht, das aber viel ausmacht: Jeder Abschnitt einer Website trägt den Titel seiner Seite als erste Zeile mit. Bei hochgeladenen Texten ist es der Titel, bei PDFs der Dateiname. Warum das wichtig ist, haben wir am Beispiel eines Hochschulverbunds ausführlich beschrieben: Ein Absatz wie „Die Gebühr beträgt 65 Euro“ ist wertlos, wenn hundert Seiten fast denselben Absatz haben und keiner sagt, wozu er gehört.

Für dich folgt daraus ein einfacher Tipp: Gib Dateien sprechende Namen. „Preisliste-Hundepension-2026.pdf“ hilft der Suche, „scan_0034.pdf“ nicht.

Quellen sehen und „weiß ich nicht“ sagen

Unter jeder Antwort kann das Widget zeigen, worauf sie beruht: bis zu drei Quellen, etwa die Seite, das Dokument oder eine hinterlegte Antwort. Das schaltest du im Bot-Studio mit „Quellen für Besucher anzeigen“ ein oder aus. Im Test-Chat siehst du die Quellen immer, damit du jede Antwort nachvollziehen kannst.

Genauso wichtig ist, was passiert, wenn nichts passt. Der Bot antwortet nur aus deinen Quellen. Findet er nichts Passendes, sagt er das ehrlich, statt etwas zu erfinden, und verweist auf deinen Kontaktweg. Den hinterlegst du als Kontakt-URL (Fallback): ein Kontaktformular, eine mailto-Adresse oder eine Telefonnummer. Der Bot leitet nicht an einen Menschen im Chat weiter, er zeigt den Weg zu dir.

Solche unbeantworteten Fragen sammelt die Admin-Oberfläche unter Offene Fragen. Das ist die Liste, aus der du lernst, was in deinen Quellen fehlt.

So bereitest du gute Quellen vor

Der Bot ist so gut wie das, was er findet. Diese Punkte machen in der Praxis den größten Unterschied:

• Ein Thema pro Dokument. Ein 80-seitiges Sammel-PDF mit Preisen, AGB, Anfahrt und Teamfotos ist schwerer zu durchsuchen als vier kurze Dokumente mit klarem Namen.
• Preise und Fristen aktuell halten. Der Bot liest vor, was dasteht. Ein altes PDF mit der Preisliste vom letzten Jahr ist gefährlicher als gar keins. Lösche alte Fassungen, statt neue daneben zu legen.
• Widersprüche vermeiden. Steht die Lieferzeit an einer Stelle mit „zwei Wochen“ und an einer anderen mit „zehn Werktagen“, nennt ein gutes Modell beide und sagt, woher sie stammen. Besser ist, die Quelle zu bereinigen.
• Keine gescannten PDFs. Ein eingescanntes Blatt ist für den Computer ein Bild ohne Text. Bei solchen Dateien meldet die Wissensbasis „Kein auswählbarer Text gefunden“. Nimm die Originaldatei oder exportiere das Dokument neu, sodass sich der Text markieren lässt.
• Keine Passwörter. Passwortgeschützte Dokumente lassen sich nicht einlesen.
• Wichtiges als Frage-Antwort-Paar. Die zehn häufigsten Fragen deiner Kundschaft lohnen ein eigenes Paar, auch wenn die Antwort irgendwo auf der Website steht.
• Testen wie ein Besucher. Stell im Test-Chat die Fragen so, wie deine Kunden sie stellen würden, mit Tippfehlern und Umgangssprache. Schau dir die Quellen an. Passt eine nicht, liegt die Ursache fast immer in der Quelle.

Was nicht geht

Damit du keine falschen Erwartungen hast:

• Tabellen und Präsentationen (Excel, PowerPoint) lädst du nicht direkt hoch. Upload-Formate sind heute PDF, TXT und Markdown.
• Webseiten, die ihren Inhalt erst per JavaScript im Browser aufbauen, kann der Crawler nicht lesen, weil im ausgelieferten HTML kein Text steht. Dann sind PDF, Text oder Frage-Antwort-Paare der bessere Weg.
• Sperrt ein Bot-Schutz wie Cloudflare den Crawler aus, sieht der Bot nichts. Wie du das erkennst und löst, steht in unserem Beitrag Website sperrt den Bot?.
• Rechnen über ganze Dokumente, etwa „Wie viele Produkte habt ihr insgesamt?“, ist für ein Nachschlage-System schwer, weil es immer nur einige Abschnitte sieht. Solche Zahlen gehören als Frage-Antwort-Paar hinein.

Fazit

Einen Chatbot mit eigenen Daten zu bauen heißt nicht, eine KI zu trainieren. Es heißt, gute Quellen bereitzustellen und sie aktuell zu halten. Das ist weniger magisch, aber dafür kontrollierbar: Du siehst, worauf eine Antwort beruht, du kannst sie mit einem Frage-Antwort-Paar korrigieren, und der Bot sagt ehrlich, wenn er etwas nicht weiß.

Wenn du das mit deinen eigenen Inhalten ausprobieren willst: Mignuti Chatbot lässt sich sieben Tage lang testen. Fang mit deiner Website und den zehn häufigsten Fragen an, und schau nach einer Woche unter „Offene Fragen“ nach, was noch fehlt. Die Tarife findest du unter Preise.