Wie wird aus einer Idee eine KI-Anwendung, die im Alltag wirklich funktioniert? Für unseren Kunden ifm, einen der führenden Hersteller von Automatisierungs- und Sensortechnik, haben wir einen Applikationsassistenten (AI Product Advisor) implementiert, der Kund:innen einen neuen Weg zur passenden Produktlösung eröffnet: User:innen können Ihre Anliegen in eigenen Worten beschreiben und bekommen eine begründete Produktempfehlung, ohne die Website zu verlassen.
Sichtbar ist ein Dialog – entscheidend ist aber, was darunter zusammenspielt. Was hier im ersten Moment wie ein einfacher Chat aussieht, bringt in der Praxis einige Herausforderungen mit sich:
Wie versteht die KI konkrete Anwendungsfälle? Welche Informationen braucht sie für eine gute Empfehlung? Und was muss im Hintergrund zusammenspielen, damit aus einem Pilotprojekt ein verlässlicher Service wird? In diesem Artikel beleuchten den ifm Case genauer und zeigen, was hinter dem Applikationsassistenten steckt, wie das Projekt entstanden ist und welche Erfahrungen sich daraus für andere KI-Anwendungen ableiten lassen.
Neukund:innen suchen keine Artikelnummer
„IA0032, IFT200, Pi2795" – wer so sucht, weiß schon, was er braucht. Der schwierigere und häufigere Fall sieht anders aus: Jemand hat eine Aufgabe an einer Anlage und keine Ahnung, welches von über 14.000 Produkten sie löst.
Klassische Stichwortsuche setzt genau das voraus, was diesen Kund:innen fehlt: Produktkenntnis. Sie vergleicht Zeichenketten mit Katalogfeldern. Beschreibt jemand stattdessen seine Umgebung, sein Medium und sein Ziel, entstehen Nulltreffer oder eine Liste, die nach Relevanz sortiert aussieht, aber keine Entscheidung ermöglicht. Für Unternehmen hat das konkrete und geschäftliche Konsequenzen: Nutzer:innen springen ab und gehen zurück zu Google. Besonders betroffen sind die interessantesten Gruppen:
Neukund:innen ohne Portfoliowissen
Wechselkund:innen, die das Sortiment gerade erst prüfen
Was im stationären Vertrieb zu einem persönlichen Beratungsgespräch führen würde, endet online häufig mit dem Absprung.
Der Applikationsassistent fragt zurück
Genau an dieser Stelle setzt bei ifm der Applikationsassistent (AI Product Advisor) an: Er sitzt als eigener Einstieg direkt neben der klassischen Suche. Wer eine Artikelnummer hat, sucht weiter wie bisher. Wer ein Problem hat, beschreibt es. Eine echte Anfrage aus dem produktiven Betrieb liest sich so:
„Wie kann ich im staubigen Umfeld eines Logistikzentrums die Anzahl von Versandkartons auf einem Rollenförderer zuverlässig erfassen und zählen?"
Kein Produktbegriff, keine Spezifikation – nur Umgebung, Applikation und Ziel. Der Applikationsassistent empfiehlt in diesem Beispiel die 3D-Sensoren der O3D-Baureihe und legt bewusst zwei Varianten nebeneinander: den kompakteren O3D352 mit größerem Öffnungswinkel und den O3D310 mit Edelstahlgehäuse für maximale Robustheit. Dazu die Begründung, die im Datenblatt nicht steht: Die Infrarot-ToF-Technologie wird von Staubpartikeln nicht wesentlich beeinträchtigt – anders als klassische optische Sensoren.
Interessanter ist die zweite Runde. Die Nachfrage kommt so, wie Menschen tippen, mit auch mit Tippfehlern und ohne Fachsprache:
„Ich bräuchte eher eine kompaktere Variante aber größere Öffnungswinkel, da größere Versandkartons und Paletten"
Der Product Advisor hält den Kontext, entscheidet sich für den O3D352 und begründet an den Kriterien, die jetzt zählen: 72 × 65 × 76,9 mm Baugröße, 60° × 45° Öffnungswinkel, IP 65, 25 Hz Bildwiederholfrequenz, 300 bis 8.000 mm Arbeitsabstand, Anbindung über PROFINET oder EtherNet/IP. Er nennt einen vergleichbaren Einsatzkontext aus der Praxis. Vollständigkeitsüberwachung und Depalettierung. Und dann tut er das, was eine Suchmaschine nie tut. Er fragt zurück:
„Haben Sie bereits einen ungefähren Montageabstand und eine Förderbandbreite, damit ich Ihnen noch mehr Details zur genauen Positionierung geben kann?"
Genau das ist der Unterschied zwischen Finden und Beraten. Alle genannten Produkte sind daneben direkt verlinkt – die Entscheidung führt in einem Klick weiter, nicht aus der Seite heraus.
Das Sprachmodell ist der kleinste Teil
Diese Dialoge wirken auf den ersten Blick unkompliziert. Die eigentliche Herausforderung lag jedoch im Hintergrund – und genau darin liegt eine der zentralen Erkenntnisse aus dem Projekt. Ein Sprachmodell mit Chatoberfläche ist schnell aufgesetzt. Eine belastbare Anwendung erforderte jedoch deutlich mehr:
Zusammenführen von Datenquellen
Produktdaten, Application Reports und CMS-Inhalte lagen in getrennten Systemen. Für eine tragfähige Empfehlung braucht der Assistent alle drei gleichzeitig: die Spezifikation, den dokumentierten Anwendungsfall und die erklärende Inhaltsebene.
Antwortqualität statt Plausibilität
Eine Empfehlung muss aus freigegebenen Quellen belegbar sein. Der schwierigste Fall im Betrieb ist nicht die falsche Antwort – es ist die überzeugend klingende falsche Antwort.
Klare Grenzen für die KI-Beratung
Bei technischer Auslegung endet Beratung dort, wo Verbindlichkeit beginnt. Der Assistent muss wissen, wann er einordnet und wann er weiterleitet.
Monitoring und automatisiertes Testen
Modelle ändern sich, Produktdaten ändern sich. Ohne wiederholbare Prüfung weiß niemand, ob die Antwortqualität von letzter Woche noch gilt.
Feedback als Teil des Betriebs
Unter jeder Antwort steht eine Bewertungsmöglichkeit sowie ein Feedback-Freitextfeld. Diese Signale sind kein Beiwerk, sondern die Datenbasis für die Weiterentwicklung und zeigen wie der Assistent verbessert werden kann und welche Datenquellen ggf. noch fehlen.
Klare Verantwortlichkeiten
Wer pflegt die Daten, wer bewertet Antworten fachlich, wer entscheidet über Änderungen – das ist keine technische, sondern eine organisatorische Frage.
Das alles bleibt für die Nutzer:innen unsichtbar. Doch genau diese Grundlagen entscheiden darüber, ob eine KI-Anwendung im produktiven Alltag zuverlässig funktioniert.
Seit Juni 2026 im Einsatz: Was die ersten Zahlen zeigen
Der Applikationsassistent (AI Product Advisor) ist als KI-Assistent bei ifm seit Juni 2026 im produktiven Einsatz in den ersten drei Ländern und deckt ein Sortiment von mehr als 14.000 Produkten ab. Die Ergebnisse sprechen für sich:
über 1.000 Sessions in der ersten Woche
rund 250 Sessions pro Tag
etwa 0,015 € Kosten pro Beratung
Die Anzahl der Sessions ist dabei aussagekräftiger, als sie auf den ersten Blick scheint: Der Assistent ist ein freiwilliges Angebot und ergänzt die bestehende Suche. Kund:innen nutzen ihn also bewusst, weil er ihnen einen Mehrwert bietet. Gleichzeitig liegen die Kosten pro Beratungsdialog bei rund zwei Cent. Damit stellt sich weniger die Frage, ob sich der Service lohnt, sondern vielmehr, wo weiterer Beratungsbedarf besteht, den wir bislang noch nicht abdecken.
Was wirklich zählt: Der Assistent wird angenommen und aktiv genutzt. Nicht nur Kund:innen greifen darauf zurück, sondern auch interne Teams aus Service, Produktmanagement und Sales. Gleichzeitig ist das Interesse in den Länderniederlassungen groß: Beim nächsten Rollout möchten auch sie den Service ihren potenziellen Kund:innen zur Verfügung stellen.
Der Unterschied zwischen einem Piloten und einem Service
Aus dem Projekt lassen sich drei entscheidende Learnings mitnehmen:
Beim Nutzerproblem anfangen, nicht bei der Technologie
Der Anwendungsfall war fachlich beschrieben, bevor über Modelle gesprochen wurde. Das klingt selbstverständlich, ist aber einer der häufigsten Fehler bei KI-Initiativen.Datenintegration ist Aufwand – und Wettbewerbsvorteil
Ein Sprachmodell kann jedes Unternehmen einkaufen. Die Verbindung von Produktdaten, dokumentierter Anwendungserfahrung und relevanten Inhalten ist hingegen unternehmensspezifisch und nicht einfach zukaufbar. Genau hier entsteht der entscheidende Mehrwert.Betriebsfähigkeit von Anfang an mitdenken
Monitoring, Qualitätsmaßstäbe und klare Zuständigkeiten gehören nicht ans Ende eines Projekts. Sie müssen von Beginn an mitgedacht werden. Denn ohne diese Grundlagen bleibt ein Pilot zwar technisch funktionsfähig, aber nicht zuverlässig und nachhaltig betreibbar.
Was dabei entsteht, trägt weiter: Die Grundlage, die für diesen einen Anwendungsfall aufgebaut wurde, ist beim nächsten Fall bereits vorhanden: integrierte Daten, geprüfte Antwortqualität, laufender Betrieb. Der zweite Use Case ist dann deutlich günstiger als der erste.
Fazit
Die interessantere Frage nicht mehr, ob ein KI-Anwendungsfall funktioniert, sondern wie Unternehmen ihn wiederholbar machen: von einem erfolgreichen Case zu einer Fähigkeit, die auch in anderen Bereichen trägt.
Der ifm Case zeigt: Eine gute KI-Anwendung entsteht nicht allein durch ein leistungsfähiges Modell. Entscheidend ist das Zusammenspiel aus Nutzerverständnis, Daten, fachlicher Expertise und einem zuverlässigen Betriebsmodell. Genau diese Grundlagen lassen sich auch auf andere Unternehmen und Anwendungsfälle übertragen.
Möchten Sie Ihre Produktsuche mit KI intelligenter und beratungsstärker machen? Mit dem Product Advisor lassen sich komplexe Produktportfolios durch KI-gestützte Beratung besser zugänglich machen – direkt in der bestehenden digitalen Customer Journey.
