Die Kategorie, in die Botpress fällt, ist die der Conversational-AI-Plattformen – Werkzeuge, die den gesamten Lebenszyklus eines Chatbots abdecken: vom Entwurf des Gesprächsverlaufs über die Anbindung von Wissen und Fremdsystemen bis zur Auslieferung auf Website, Messenger-Diensten und Telefonie. Botpress verbindet dabei zwei Welten, die früher getrennt waren: die geführte, planbare Logik eines visuellen Flow-Builders und die Flexibilität moderner Sprachmodelle, die frei formulierte Eingaben verstehen und beantworten.
Historisch ist Botpress aus einem quelloffenen Chatbot-Framework hervorgegangen und hat sich – mit dem Aufkommen leistungsfähiger Sprachmodelle – zu einer weitgehend LLM-nativen Plattform weiterentwickelt. Diese Herkunft prägt das Werkzeug bis heute: Es richtet sich sowohl an technisch versierte Teams, die tief in Logik und Integrationen eingreifen wollen, als auch an Fachanwender, die über den visuellen Editor schnell zu einem funktionierenden Bot kommen. Genau diese Doppelnatur macht Botpress interessant – und erklärt, warum die Einordnung nicht ganz einfach ist.
Aus unserer Projektpraxis lässt sich die Zielgruppe klar umreißen. Botpress ist besonders dann interessant, wenn ein Unternehmen einen anspruchsvollen, dialogfähigen Assistenten braucht – etwa im Kundenservice, in der Vorqualifizierung von Anfragen oder als Assistent auf der eigenen Website – und nicht mit einem simplen Frage-Antwort-Skript zufrieden ist. Wo klassische Baukästen an der Starrheit ihrer Entscheidungsbäume scheitern, spielt Botpress die Stärke der Sprachmodelle aus: natürliche Sprache verstehen, aus hinterlegtem Wissen antworten, mehrere Absichten in einem Satz auseinanderhalten.
Weniger geeignet ist Botpress für Fälle, in denen ein streng regelbasierter, hundertprozentig vorhersehbarer Bot verlangt wird und jede KI-typische Unschärfe unerwünscht ist – hier können einfachere, deterministische Werkzeuge passender sein. Ebenso ist Botpress als überwiegend cloud-basiertes Angebot eines Nicht-EU-Anbieters dann kritisch zu prüfen, wenn strenge Datenhoheits- oder Datenschutzanforderungen im Vordergrund stehen. Diesen Punkt vertiefen wir in Kapitel 09.
Der Kern der Sache lässt sich an einem typischen Kundenservice-Moment festmachen. Ein klassischer Chatbot fragt: „Wozu haben Sie eine Frage – A, B oder C?“ und führt den Nutzer starr durch vordefinierte Menüs. Sobald jemand ein Anliegen frei formuliert, das nicht in die Schubladen passt, bricht der Dialog. Ein KI-gestützter Bot auf Botpress-Basis dagegen versteht die frei formulierte Frage, erkennt die eigentliche Absicht dahinter und beantwortet sie – idealerweise gestützt auf eine hinterlegte Wissensdatenbank, damit die Antwort nicht frei erfunden, sondern belegt ist.
Dieser Ansatz verschiebt die Grenze dessen, was ein Bot sinnvoll übernehmen kann, spürbar nach oben. Gleichzeitig verlangt er Sorgfalt: Ein Sprachmodell kann falsch liegen, plausibel klingende, aber unzutreffende Antworten geben oder sensible Themen unpassend behandeln. Botpress nimmt Unternehmen die Verantwortung also nicht ab, sondern gibt ihnen ein mächtiges Werkzeug in die Hand, dessen Nutzen von sauberer Wissensbasis, klaren Leitplanken und ehrlichem Erwartungsmanagement abhängt.
Im Zentrum steht das Botpress Studio: die Entwicklungsumgebung, in der Bots entworfen, getestet und gepflegt werden. Um diesen Kern herum gruppieren sich die gehostete Betriebsumgebung der Botpress Cloud, ein Katalog an Integrationen und Kanälen sowie die Werkzeuge zur Anbindung von Wissen. Historisch gibt es zudem quelloffene Wurzeln, die die Plattform bis heute prägen – auch wenn der Schwerpunkt des heutigen Angebots klar auf der Cloud liegt.
Botpress besetzt eine Position zwischen zwei Welten. Auf der einen Seite stehen die klassischen Chatbot-Baukästen, die auf einfache, regelbasierte Dialoge und maximale Zugänglichkeit setzen – schnell aufgesetzt, aber in der Sprachfähigkeit begrenzt. Auf der anderen Seite stehen reine Entwickler-Frameworks für Sprachmodelle, mit denen man praktisch alles bauen kann, aber viel selbst programmieren muss. Botpress positioniert sich dazwischen: die geführte Modellierung eines visuellen Editors, kombiniert mit der Sprachfähigkeit moderner Modelle – und ohne dass man einen Chatbot von Grund auf selbst entwickeln müsste.
Diese Positionierung erklärt, warum Botpress sowohl bei technischen Teams als auch bei ambitionierten Fachanwendern Anklang findet. Für die einen ist der Editor ein schneller Einstieg, für die anderen die Möglichkeit, tief in Logik, Aktionen und Integrationen einzugreifen. Der Preis dieser Vielseitigkeit ist eine gewisse Lernkurve: Botpress ist mächtiger und damit anspruchsvoller als ein reiner Baukasten, aber deutlich zugänglicher als ein nacktes Entwickler-Framework.
Ein wichtiger Punkt der Einordnung betrifft das Betriebsmodell. Das heutige Botpress-Angebot ist stark auf die Botpress Cloud ausgerichtet – eine gehostete Umgebung, in der die Bots laufen. Gleichzeitig gibt es die erwähnten Open-Source-Wurzeln, aus denen die Plattform stammt und die bis heute Teile des Ökosystems prägen. Für Unternehmen bedeutet das: Der schnellste und bequemste Weg führt über die Cloud, während Fragen nach vollständigem Selbst-Hosting, Serverstandort und Datenhoheit gesondert und direkt beim Anbieter zu klären sind. Wir kommen darauf in Kapitel 06 und 09 zurück, weil gerade dieser Punkt für den datenschutzbewussten Mittelstand entscheidend ist.
Jeder Botpress-Bot folgt demselben Grundmuster: Ein oder mehrere Flows beschreiben die möglichen Gesprächsverläufe, aufgebaut aus Knoten. Ein Knoten kann eine Nachricht senden, eine Frage stellen, anhand einer Bedingung verzweigen oder eine Aktion auslösen. Entscheidend ist, dass sich planbare Standard-Knoten und LLM-gesteuerte Autonomous Nodes im selben Bot mischen lassen: Wo ein Prozess streng geführt sein muss – etwa eine Terminbuchung mit festen Feldern – setzt man klassische Knoten; wo Freiheit sinnvoll ist – etwa das Verstehen einer frei formulierten Frage – übernimmt das Sprachmodell.
Ein typisches Beispiel aus dem Kundenservice: Der Bot begrüßt den Besucher und lässt zunächst ein Autonomous Node die frei formulierte Frage verstehen. Handelt es sich um eine Wissensfrage, zieht der Bot die Antwort aus der hinterlegten Wissensdatenbank. Geht es um eine Terminvereinbarung, verzweigt er in einen streng geführten Flow, der Name, Wunschtermin und Kontaktdaten sauber erfasst. Und lässt sich das Anliegen nicht klären, übergibt der Bot kontrolliert an einen menschlichen Mitarbeiter. Was ein starrer Baukasten nur mit unzähligen Menü-Ebenen abbilden könnte, entsteht hier aus wenigen, klar getrennten Bausteinen.
Der Baustein, der über die Qualität eines KI-Chatbots am stärksten entscheidet, verdient eine genauere Betrachtung. Eine Wissensdatenbank besteht aus hinterlegten Inhalten – Dokumenten, Webseiten, Tabellen –, aus denen der Bot seine Antworten zieht. Technisch funktioniert das nach dem Prinzip der abrufgestützten Generierung: Zu einer Nutzerfrage sucht der Bot die passenden Stellen in den hinterlegten Inhalten heraus und formuliert seine Antwort auf dieser Grundlage, statt frei aus dem Modellwissen zu schöpfen. Damit sinkt das Risiko erfundener Aussagen erheblich, und die Antworten werden nachvollziehbar.
Der Preis dafür ist Pflege: Eine Wissensdatenbank ist nur so gut wie ihre Inhalte. Veraltete Preise, überholte Prozessbeschreibungen oder widersprüchliche Dokumente führen zu falschen Antworten – der Bot gibt ehrlich wieder, was man ihm eingespeist hat. Wir empfehlen in Projekten, die Wissensbasis von Anfang an als lebendiges, gepflegtes Gut zu behandeln, mit klarer Verantwortung dafür, wer Inhalte aktuell hält. Ein Bot mit gepflegtem Wissen ist ein Gewinn, ein Bot mit vernachlässigtem Wissen ein Risiko.
Die Vielfalt der Kanäle ist eine der praktischen Stärken. Der naheliegendste Kanal ist der Webchat – ein Chatfenster, das sich in die eigene Website einbetten lässt und dort Besucher direkt anspricht. Über Messaging-Kanäle wie WhatsApp, Facebook Messenger, Telegram und Instagram erreicht derselbe Bot Menschen dort, wo sie ohnehin schreiben. Je nach Bedarf lassen sich weitere Kanäle anbinden, etwa Team-Werkzeuge für interne Assistenten. Der große Vorteil: Die eigentliche Logik wird einmal gebaut und über die verschiedenen Kanäle ausgespielt, statt für jeden Kanal einen eigenen Bot zu pflegen. Wir prüfen in Projekten immer, welche Kanäle die Zielgruppe wirklich nutzt – ein Bot auf einem Kanal, den niemand verwendet, hilft niemandem.
Die KI-Fähigkeiten von Botpress lassen sich grob in drei Bereiche gliedern: das Sprachverständnis und die Antwortgenerierung durch angebundene LLMs, die eigenständige Entscheidungslogik über Autonomous Nodes sowie die belegte Beantwortung von Wissensfragen über die Wissensdatenbank. Allen gemeinsam ist das Ziel, einen Bot zu bauen, der nicht nur vordefinierte Pfade abarbeitet, sondern frei formulierte Anliegen versteht und sinnvoll beantwortet.
Im Kern nutzt Botpress große Sprachmodelle, um zu verstehen, was ein Nutzer meint, und um Antworten zu formulieren. Statt eine Eingabe nur mit starren Stichwörtern abzugleichen, erfasst der Bot die eigentliche Absicht hinter einer frei formulierten Frage – auch wenn sie umgangssprachlich, mehrdeutig oder mit Tippfehlern versehen ist. Die Modell-Anbindung ist dabei flexibel: Je nach Konstellation lassen sich unterschiedliche Modelle anbinden, was Spielraum bei Qualität, Kosten und – für den Datenschutz besonders relevant – beim Anbieter des Modells eröffnet.
Aus unserer Sicht ist das die eigentliche Stärke: Der Bot wird von einem stur skriptbasierten Gebilde zu einem Gegenüber, das natürliche Sprache versteht. Zugleich verlangt genau das Sorgfalt, denn ein Sprachmodell kann plausibel klingende, aber falsche Antworten geben. Die Kombination aus LLM und gepflegter Wissensdatenbank ist deshalb kein Luxus, sondern die entscheidende Maßnahme, um Antworten belegbar und vertrauenswürdig zu halten.
Ein besonderes Merkmal von Botpress sind die Autonomous Nodes. In einem solchen Knoten gibt man dem Sprachmodell eine in natürlicher Sprache formulierte Anweisung – etwa „Hilf dem Kunden, sein Anliegen zu klären, und buche bei Bedarf einen Termin“ – und stellt ihm eine Auswahl an Werkzeugen und möglichen Aktionen bereit. Der Knoten entscheidet dann eigenständig, welcher Schritt als Nächstes sinnvoll ist: eine Rückfrage stellen, eine Aktion ausführen, aus der Wissensdatenbank antworten oder an einen anderen Flow übergeben.
Der Reiz liegt darin, dass sich anspruchsvolle, dialogfähige Abläufe modellieren lassen, ohne jeden möglichen Gesprächspfad von Hand vorzuzeichnen. Das Konzept ist mächtig, aber es verschiebt Kontrolle vom Menschen zum Modell. Wir raten dazu, autonome Ansätze zunächst in gut überwachbaren Szenarien einzusetzen, klare Grenzen für die verfügbaren Aktionen zu setzen und eine verlässliche Übergabe an einen Menschen einzubauen. Ein autonomer Knoten, der zu weitreichende Aktionen ohne Kontrolle auslösen darf, ist ein Risiko – gerade weil er so bequem wirkt.
In der Praxis empfehlen wir einen nüchternen Blick: Ein KI-Chatbot ist kein Selbstzweck. Der Mehrwert entsteht überall dort, wo bisher ein Mensch immer wieder dieselben, sprachlich variantenreichen Fragen beantworten musste – Standardauskünfte im Kundenservice, wiederkehrende Fragen zu Produkten und Prozessen, die Vorqualifizierung von Anfragen. Für rein transaktionale, streng regulierte oder rechtlich heikle Vorgänge dagegen, bei denen jede falsche Auskunft Schaden anrichten kann, ist ein autonom antwortender Bot mit Vorsicht zu genießen.
Wir prüfen in Projekten daher bei jedem geplanten KI-Einsatz zwei Fragen: Erstens, ob die Aufgabe wirklich Sprachverständnis erfordert oder ob eine einfache, deterministische Führung genügt. Zweitens, ob eine gelegentliche Fehlantwort tolerierbar ist oder unmittelbar schädlich wäre – und wie in letzterem Fall der Mensch rechtzeitig eingebunden wird. Diese beiden Fragen verhindern, dass KI aus Begeisterung an Stellen eingebaut wird, an denen sie weder nötig noch verantwortbar ist. Gerade autonome Ansätze verführen dazu, dem Bot mehr Freiheit zu geben, als ein Prozess verträgt.
Auf der ersten Ebene stehen die Kanäle: Webchat für die eigene Website, WhatsApp, Facebook Messenger, Telegram, Instagram und weitere. Über sie wird der Bot dort verfügbar, wo die Zielgruppe ohnehin kommuniziert. Auf der zweiten Ebene liegen die Sprachmodelle: Botpress erlaubt, unterschiedliche Modelle anzubinden, was Spielraum bei Qualität, Kosten und Anbieter eröffnet – ein wichtiger Hebel, gerade wenn ein europäisches oder lokal betriebenes Modell aus Datenschutzgründen bevorzugt wird.
Ein Chatbot entfaltet seinen Nutzen erst, wenn er mit den umgebenden Systemen sprechen kann. Botpress bietet dafür einen Katalog an Integrationen – etwa zu CRM-Systemen, Ticket- und Helpdesk-Werkzeugen, Kalender- und Tabellendiensten oder Datenbanken. Damit kann ein Bot nicht nur reden, sondern handeln: einen Lead im CRM anlegen, ein Support-Ticket eröffnen, einen Termin eintragen oder einen Bestellstatus abfragen. Diese Fähigkeit, echte Aktionen auszulösen, macht aus einem Auskunfts-Bot einen produktiven Assistenten.
Praktisch heißt das: Auch wenn ein System nicht als fertige Integration vorliegt, ist es meist trotzdem erreichbar – über einen generischen Aufruf seiner Schnittstelle oder über eine eigene Aktion. Diese Offenheit verschiebt die Grenze des Machbaren erheblich und ist einer der Gründe, warum sich mit Botpress mehr abbilden lässt als mit einem reinen Auskunfts-Baukasten.
Selbst bei einem breiten Katalog gibt es Systeme ohne fertige Integration – häufig branchenspezifische oder selbst entwickelte Anwendungen. Für diese Fälle bietet Botpress mehrere Auswege. Über eigene Aktionen und Code lässt sich praktisch jede offene Schnittstelle ansprechen. Und über die Programmierschnittstelle von Botpress selbst lassen sich Bots programmatisch verwalten, Nachrichten senden und empfangen sowie in eigene Systeme einbinden. Damit verlässt man allerdings die reine Konfigurationswelt und braucht technisches Verständnis – ein Punkt, den wir vor jeder Empfehlung klar benennen.
Ein für den datenschutzbewussten Mittelstand besonders wichtiger Aspekt ist die Flexibilität bei der Modellwahl. Weil Botpress nicht zwingend auf ein einziges Modell festgelegt ist, lässt sich – je nach Konstellation und den Möglichkeiten des Anbieters – steuern, welches Sprachmodell den Bot antreibt. Das eröffnet den Weg, statt eines beliebigen US-Modells ein europäisches oder sogar ein lokal betriebenes Modell einzusetzen, wenn die Datenschutzlage das nahelegt. Diese Wahlfreiheit ist ein Vorteil gegenüber Werkzeugen mit fest verdrahtetem Modell – aber sie muss aktiv genutzt und im konkreten Setup mit dem Anbieter geprüft werden, statt sie als selbstverständlich vorauszusetzen.
Der wichtigste Unterschied lässt sich in einem Satz fassen: Botpress ist auf Chatbots und Conversational Agents zugeschnitten, während Dify und Flowise breiter als LLM-App- beziehungsweise Flow-Werkzeuge angelegt sind. Botpress bringt die für Bots typischen Bausteine – Kanäle, Gesprächsverläufe, Wissensdatenbanken, Übergabe an Menschen – als fertige Konzepte mit. Dify ist eine breitere Plattform für LLM-Anwendungen inklusive Chat, mit starkem Open-Source-Kern und Self-Hosting-Option. Flowise ist ein visuelles Framework, um LLM-Abläufe aus Bausteinen zusammenzusetzen, und glänzt beim schnellen Prototyping – ist aber weniger eine schlüsselfertige Chatbot-Plattform. Wer einen dialogfähigen Assistenten mit vielen Kanälen will, ist bei Botpress schneller; wer maximale Offenheit und Self-Hosting priorisiert, findet bei Dify oder Flowise starke Argumente.
Am anderen Ende des Spektrums stehen die klassischen, regelbasierten Chatbot-Baukästen. Sie sind extrem zugänglich und für einfache, vorhersehbare Dialoge – Öffnungszeiten, Standardauskünfte, geführte Formulare – oft völlig ausreichend und schnell aufgesetzt. Ihre Grenze liegt in der Sprachfähigkeit: Sobald ein Nutzer sein Anliegen frei formuliert, stoßen starre Entscheidungsbäume an ihre Grenzen. Botpress ist hier deutlich mächtiger, aber auch anspruchsvoller und – als LLM-gestützte Lösung – mit den entsprechenden Kosten- und Datenschutzfragen verbunden.
In unseren Projekten formulieren wir die Faustregel gern so: klassischer Baukasten für einfache, deterministische Dialoge; Botpress für dialogfähige Assistenten mit vielen Kanälen; Dify für breitere LLM-Anwendungen mit Self-Hosting-Wunsch; Flowise für schnelles Prototyping von LLM-Abläufen. Nicht selten ist die beste Lösung eine bewusste Kombination – etwa ein einfacher Regel-Bot für Standardfälle und ein KI-Assistent für die komplexeren Anliegen.
Der große Vorteil des Cloud-Modells ist der schnelle Start: Ein Konto genügt, um sofort mit dem Bau eines Bots zu beginnen; Rechenzeit, Skalierung, Verfügbarkeit und die Modell-Anbindung übernimmt der Anbieter. Für Teams, die sich auf den Bot und nicht auf den Betrieb konzentrieren wollen, ist das ein echter Gewinn. Wer dagegen aus Datenschutz- oder Souveränitätsgründen mehr Kontrolle braucht, sollte die Möglichkeiten für Self-Hosting und die Verarbeitung in einer bestimmten Region gezielt und direkt beim Anbieter prüfen – dies ist ein zentraler Punkt, den wir in Kapitel 09 vertiefen.
Aus unserer Projektpraxis hat sich ein schrittweises Vorgehen bewährt, das den KI-Charakter der Plattform berücksichtigt und trotzdem beherrschbar bleibt.
Nach dem Start verschiebt sich der Fokus vom Bauen auf das Betreiben. Zentrale Themen sind die Auswertung echter Gespräche, die Pflege der Wissensbasis und das saubere Funktionieren der Übergabe an Menschen. Weil sich bei einem KI-Chatbot die Qualität erst im echten Dialog zeigt, ist die regelmäßige Durchsicht der Gesprächsverläufe kein Nebenschauplatz, sondern Kern des Betriebs. Aus schlecht beantworteten Fragen entstehen die wichtigsten Verbesserungen – vorausgesetzt, jemand schaut hin.
Gleichzeitig gilt: Auch eine gemanagte Cloud-Plattform enthebt niemanden der Verantwortung für die eigenen Inhalte und Prozesse. Ein Bot, der auf veraltetem Wissen antwortet, gibt zuverlässig Falsches wieder; eine defekte Integration lässt Aktionen ins Leere laufen. Wir empfehlen, für produktive Bots von Beginn an festzulegen, wer die Wissensbasis pflegt, wer Gespräche auswertet und wie schnell im Fehlerfall reagiert werden muss.
Auffällig ist ein Muster: Botpress glänzt dort, wo Menschen bisher immer wieder ähnliche, sprachlich variantenreiche Anliegen bearbeiten mussten – Servicefragen, Vorqualifizierung, Standardauskünfte. Sobald eine Aufgabe echtes Sprachverständnis verlangt und sich nicht in ein starres Menü pressen lässt, spielt die Plattform ihre Stärke aus. Der Mehrwert entsteht durch Entlastung: Der Bot fängt die vielen einfachen Fälle ab, damit sich Mitarbeiter auf die anspruchsvollen konzentrieren können.
Wichtig für die Erwartungshaltung: Der Nutzen realisiert sich nur mit gepflegtem Wissen und klaren Leitplanken. Ein schlecht gepflegter Bot beantwortet Fragen zuverlässig falsch – und ein Bot ohne saubere Eskalation an einen Menschen frustriert dort, wo er nicht weiterhelfen kann. Deshalb steht in unseren Projekten immer die ehrliche Frage nach Wissensbasis, Prozessen und Grenzen vor dem Bau des ersten Bots.
Ein typischer Verlauf: Es beginnt mit einem einzelnen Bot, der einen konkreten Servicefall abdeckt. Schnell folgen weitere Themen, weil der Nutzen sichtbar wird. Nach einigen Monaten existiert ein Assistent, der viele Anliegen abdeckt und über mehrere Kanäle läuft. Genau an diesem Punkt entscheidet sich, ob der Bot zum Vorteil oder zur Belastung wird. Denn ein KI-Chatbot ist kein einmaliges Projekt, sondern ein Produkt, das gepflegt werden will – Wissen aktuell halten, Fehlantworten korrigieren, Gespräche auswerten.
Wir empfehlen daher, von Anfang an eine schlanke Übersicht anzulegen: Welche Themen deckt der Bot ab, aus welchen Quellen zieht er sein Wissen, welche Systeme berührt er, wer pflegt die Inhalte und welche Daten verarbeitet er. Diese Dokumentation kostet wenig Aufwand, ist aber die Grundlage, um den Bot verlässlich, aktuell und datenschutzkonform zu halten – und um später fundiert über Ausbau oder Anpassungen zu entscheiden.
Zur Kostenlogik zuerst: Botpress kombiniert im Kern einen verbrauchsabhängigen Anteil – der mit der Nutzung, insbesondere den KI-Aufrufen, skaliert – mit gestaffelten Plänen, die unterschiedliche Kontingente und Funktionen bieten. Es gibt in der Regel einen kostenlosen Einstiegsbereich sowie kostenpflichtige Pläne. Konkrete Preise nennen wir hier bewusst nicht, weil der Anbieter Pläne, Kontingente und Konditionen regelmäßig anpasst. Entscheidend ist das Verständnis der Logik dahinter – die bleibt stabiler als jede Zahl.
Der wichtigste Mechanismus: Kosten skalieren mit Nutzung und KI-Aufwand. Ein Bot mit wenigen Gesprächen und kurzen Antworten verbraucht wenig; ein stark frequentierter Bot, der bei jeder Nachricht ein Sprachmodell bemüht, verbraucht mehr – und je nach Konstellation können zusätzlich Kosten beim Modell-Anbieter entstehen. Für den Mittelstand heißt das: Bei überschaubarem Gesprächsaufkommen bleibt Botpress günstig, bei hohem Volumen mit intensiver KI-Nutzung lohnt eine ehrliche Hochrechnung, bevor produktiv skaliert wird. Wir erstellen diese Hochrechnung in Projekten standardmäßig – erwartete Gespräche multipliziert mit dem typischen KI-Aufwand pro Gespräch – damit die tatsächlichen Kosten sichtbar werden, bevor ein Bot breit ausgerollt wird.
Datenschutzrechtlich ist der zentrale Ausgangspunkt: Botpress ist ein Anbieter mit Sitz außerhalb der EU, und das Angebot ist überwiegend cloud-basiert. Ein Chatbot verarbeitet besonders häufig personenbezogene Daten – Namen, Kontaktdaten, Anliegen, im Zweifel auch sensible Angaben, die Nutzer im Gespräch freiwillig preisgeben. Wo ein Bot solche Daten verarbeitet, wird Botpress zum Auftragsverarbeiter, und es gelten die entsprechenden Anforderungen der DSGVO. Hinzu kommt, dass bei KI-Antworten Daten an einen Modell-Anbieter fließen können – ein zusätzlicher Übermittlungsschritt, der gesondert zu bewerten ist.
Als Anbieter mit Sitz außerhalb der EU unterliegt Botpress grundsätzlich einer anderen Rechtsordnung als der europäischen. Auch wenn der Anbieter Schutzmaßnahmen und vertragliche Zusicherungen bietet, bleibt – wie bei allen außereuropäischen Cloud-Diensten – ein rechtliches Restrisiko hinsichtlich behördlicher Zugriffsmöglichkeiten bestehen. Für viele Mittelständler ist dieses Risiko bei nicht hochsensiblen Daten und sauberer vertraglicher Grundlage tragbar. Für besonders schützenswerte Datenkategorien, für Berufsgeheimnisträger oder bei hohen Souveränitätsanforderungen ist es jedoch ein gewichtiges Gegenargument – umso mehr, weil ein Chatbot naturgemäß viele personenbezogene Daten berührt.
Genau hier zahlen sich die Open-Source-Wurzeln und die flexible Modellwahl aus. Wo Datenhoheit im Vordergrund steht, prüfen wir mit Kunden gezielt zwei Hebel. Erstens die Frage nach Self-Hosting oder einer EU-Region: Lässt sich Botpress so betreiben, dass die Daten die eigene Infrastruktur oder zumindest den europäischen Raum nicht verlassen? Das ist direkt beim Anbieter zu klären und kann die datenschutzrechtliche Bewertung erheblich vereinfachen. Zweitens die Modellwahl: Statt eines beliebigen außereuropäischen Sprachmodells lässt sich – abhängig vom konkreten Setup – ein in der EU betriebenes oder sogar ein lokal gehostetes Modell einsetzen, sodass die Gesprächsinhalte nicht an einen weiteren Drittanbieter fließen.
Beide Wege verlagern zwar Aufwand auf Betrieb und Einrichtung, können die Datenschutzlage aber deutlich entspannen. Die Entscheidung ist letztlich eine bewusste Abwägung zwischen der Bequemlichkeit der gemanagten Cloud mit Standard-Modell und der Kontrolle über die eigenen Daten. Gerade weil ein Chatbot so viele personenbezogene Daten verarbeitet, empfehlen wir, diese Abwägung nicht nebenbei, sondern ausdrücklich und dokumentiert zu treffen – gemeinsam mit der Datenschutzbeauftragten.
Eine Besonderheit von Chatbot-Plattformen ist, dass Daten nicht nur durch Botpress, sondern auch durch das angebundene Sprachmodell und die verbundenen Systeme fließen. Eine einzige Nutzerfrage kann durch die Botpress-Cloud laufen, an ein Sprachmodell gehen, eine Aktion im CRM auslösen und in einem Ticketsystem landen. Diese Kette muss vollständig betrachtet werden – Datenschutz endet nicht an der Botpress-Grenze. Wir kartieren in Projekten daher für jeden produktiven Bot den kompletten Datenfluss, ausdrücklich einschließlich des Modells und aller angebundenen Systeme.
