Inhaltsverzeichnis

Was ist ein AI Chat Agent in der Kran- & Hebetechnik?

In der Kran- & Hebetechnik ist ein Chat Agent ein KI-System, das Fragen direkt aus technischer Dokumentation beantwortet, z. B. aus Bedienungsanleitungen, Last- und Reichweitendiagrammen, hydraulischen und elektrischen Schaltplänen, Wartungsplänen und Service-Bulletins. Anstatt sich durch PDFs zu klicken oder die Hotline anzurufen, können Techniker, Händler und Endanwender in natürlicher Sprache Fragen zur Kranaufrüstung, zu Anschlagmitteln, Fehlersuche oder Ersatzteilen stellen und erhalten kontextbezogene Antworten in Sekunden – über Web, Mobile oder Händlerportale[3].

Wie schneidet er im Vergleich zu traditionellen Ansätzen ab?

Ansatz Antwortzeit Technische Tiefe Verfügbarkeit Skalierbarkeit
Statische FAQ-Seite Abhängig von Suche Niedrig – generische Antworten 24/7, aber eingeschränkt Schwer für Varianten zu pflegen
Regelbasierter Chatbot Sofort für einfache Abläufe Niedrig – feste Skripte 24/7, kanalspezifisch Komplex bei vielen Modellen
Menschlicher Support (Telefon/E-Mail) Minuten bis Stunden Hoch, abhängig vom Experten Geschäftszeiten, eingeschränkter Service außerhalb Begrenzt durch Teamgröße
AI Chat Agent (dokumentenbasiert) Sekunden Hoch – liest Handbücher, Diagramme 24/7/365, weltweit Bearbeitet unbegrenzt viele parallele Chats

Für Kran-OEMs, Vermieter und Hebedienstleister betreffen die kritischen Fragen häufig komplexe Wechselwirkungen zwischen Konfiguration, Lastfällen und Einsatzbedingungen. Ein Chat Agent, der die ursprünglichen Lastdiagramme, Sicherheitshinweise und Serviceanweisungen interpretieren kann, macht dieses Wissen unmittelbar am Ort des Geschehens verfügbar. Das reduziert Stillstandszeiten, unterstützt einen sicheren Betrieb und entlastet Senior-Experten davon, wiederholt routinemäßige, aber technisch detaillierte Fragen zu beantworten[2][3].

Probieren Sie es selbst aus

Laden Sie eigene Dokumente hoch oder nutzen Sie eines der Beispiel-Sets.

1 Dokument wählen
2 Chatten

Beispiel-Dokumente verwenden

oder

Eigene Dokumente hochladen

Drag & Drop oder
PDF, TXT, DOCX bis 10MB

Verbunden mit Emilia (KI)
Emilia (KI)
Emilia (KI)
Hallo! Ich habe die Dokumente gelernt. Stellen Sie mir eine Frage dazu.

Warum herkömmlicher Kransupport und Dokumentation nicht mehr skalieren

Ein moderner Kran wird häufig mit hunderten Seiten an Bedienungsanleitungen, Sicherheitsvorschriften und modellspezifischen Lastdiagrammen ausgeliefert. Vor Ort haben Bediener und Servicetechniker selten die Zeit, auf einem kleinen Bildschirm PDFs zu durchsuchen, während ein Einsatz wartet. Stattdessen rufen sie die Service-Hotline an, wo Ingenieure versuchen, die genaue Konfiguration und Auslegerposition aus dem Gedächtnis oder körnigen Fotos zu rekonstruieren[1].

Support-Teams in der Kran- & Hebetechnik bearbeiten eine Mischung aus dringenden Ausfällen, Konfigurationsfragen und Gewährleistungsthemen. Viele Anrufe drehen sich um ähnliche Inhalte – Fehlercodes, Überlastwarnungen, Sensorkalibrierung oder welche Anbaugeräte für einen bestimmten Arbeitsradius zulässig sind. KI im industriellen Service hat gezeigt, dass ein großer Teil dieser wiederkehrenden, informationsbasierten Anfragen automatisiert oder vorqualifiziert werden kann, was Rückstände und Reaktionszeiten reduziert[2][3].

Dennoch bleibt Erreichbarkeit eine Herausforderung. Kraneinsätze finden häufig früh morgens, abends und am Wochenende statt, und internationale Mietflotten arbeiten über Zeitzonen hinweg. Wenn die deutsche Service-Hotline geschlossen ist, kann ein Kran auf einer Baustelle im Ausland stillstehen, weil niemand eine Fehlermeldung interpretieren oder einen Hebeplan freigeben kann. Das führt zu kostspieligen Verzögerungen, Vertragsstrafen und frustrierten Kunden, die zunehmend digitalen Self-Service und Live-Chat statt ausschließlich Telefon und E-Mail erwarten[4].

Im Unternehmen werden erfahrene Spezialisten zu Engpässen. Ihr Wissen über ältere Modelle, typische Fehlerbilder und lokale Vorschriften ist in Systemen nicht vollständig erfasst. Während sie laufend Anrufe und E-Mails bearbeiten, bleibt kaum Zeit für Schulung oder Verbesserung der Dokumentation, was in ohnehin anspruchsvollen Servicerollen zu Burnout beitragen kann[8]. Neue Mitarbeitende benötigen Monate, um ausreichend eigenständig zu arbeiten, da sie sowohl das Produktportfolio als auch die Informationsquellen erlernen müssen.

Das Problem in 2 Minuten erklärt

Was unsere Nutzer sagen

Tim Neubacher
Tim Neubacher

Tim Neubacher

Tim Neubacher

svt Brandschutz GmbH Leiter Technik - svt Brandschutz GmbH

Der Brandschutz Chatbot kann komplexeste Fragen zu unseren Produkten in einer Qualität und Geschwindigkeit beantworten, die absolut faszinierend ist.
Stell unserer Demo die schwierigsten Fragen, die dir einfallen.

Praktische Einsatzszenarien für AI Chat Agents in der Kran- & Hebetechnik

Sechs konkrete Möglichkeiten, wie Kranhersteller, Mietflotten und Hebedienstleister einen AI Chat Agent in Service, Vertrieb und Betrieb einsetzen können.

Assistent für die Fehlersuche vor Ort für Krantechniker

Service- / Außendiensttechniker

Die Idee

Außendiensttechniker könnten einen Chat Agent auf Tablet oder Smartphone nutzen, um Fragen zu Fehlercodes, Hydraulikleckagen, Sensorkalibrierung oder Auslegersequenzen zu stellen. Der Agent blendet den passenden Abschnitt aus Servicehandbuch, Schaltplänen oder Fehlersuchbäumen ein und liefert Schritt-für-Schritt-Anleitungen, einschließlich zulässiger Drehmomente und Sicherheitsprüfungen – direkt am Kran.

Was Sie dafür brauchen

  • Digitale Servicehandbücher, Elektro-/Hydraulikpläne, Anleitungen zur Fehlersuche für aktuelle und ältere Modelle
  • Gerätezugang für Techniker (Tablet, Smartphone oder Service-Laptop) mit sicherer Authentifizierung
  • Optional: Integration mit Service-Management-System zur automatischen Protokollierung gelöster Fälle

Assistent für Lastplanung & Konfigurationsberatung

Technische Beratung / Application Engineering

Die Idee

Application Engineers könnten einen Chat Agent bereitstellen, der Händlern und Endkunden bei der Validierung grundlegender Hebeszenarien hilft. Nutzer beschreiben Kranmodell, Auslegerlänge, Ballast und Radius, und der Agent ruft zulässige Lasten, erforderliche Abstützungen und relevante Sicherheitshinweise aus Lastdiagrammen und Konfigurationshandbüchern ab und weist dabei klar darauf hin, wenn ein menschlicher Ingenieur den Plan prüfen muss.

Was Sie dafür brauchen

  • Strukturierte Lastdiagramme, Konfigurationshandbücher und Stabilitätsrichtlinien in digitaler Form
  • Klare Geschäftsregeln, die definieren, wann zur finalen Freigabe an einen Ingenieur eskaliert wird
  • Optional: Anbindung an Konfigurationstools zur Vorbefüllung technischer Angebote

Identifikation von Ersatzteilen und Anbaugeräten

After-Sales / Ersatzteilverkauf

Die Idee

Ein Chat Agent könnte Händler und Flottenmanager bei der Identifikation geeigneter Ersatzteile und Hebezeuge auf Basis von Kranmodell, Seriennummer und Fehlerbeschreibung unterstützen. Durch Auswertung von Ersatzteilkatalogen, Explosionszeichnungen und Wartungshistorien kann er wahrscheinliche Komponenten, kompatible Haken oder Auslegerverlängerungen vorschlagen und direkt zu Bestellseiten verlinken.

Was Sie dafür brauchen

  • Aktuelle Ersatzteilkataloge, Explosionszeichnungen und Stücklisten (BOM) für jede Kranfamilie
  • Durchsuchbare Zuordnung zwischen Modell-/Seriennummern und den jeweils gültigen Teilelisten
  • Optional: Integration mit ERP oder Ersatzteilshop zur Erstellung von Bestellentwürfen

Wissensportal für Händler und Mietpartner

Händlersupport / Partnermanagement

Die Idee

Kran-OEMs könnten Händlern und Mietpartnern ein gebrandetes Portal bereitstellen, in dem ein Chat Agent Fragen zu Garantiebedingungen, Wartungsintervallen, Software-Updates und Kampagnen-Bulletins beantwortet. Das reduziert direkte Hotline-Anfragen und schafft eine einheitliche Wissensbasis über alle Partner und Standorte hinweg.

Was Sie dafür brauchen

  • Dokumentation von Händlerverträgen, Garantiebedingungen, Servicekampagnen und Wartungsplänen
  • Partner-Authentifizierungskonzept (SSO, Händlerportal oder API-basierte Zugriffskontrolle)
  • Optional: Anbindung an CRM zur Protokollierung von Partnerinteraktionen und wiederkehrenden Themen

KI-gestützte Lead-Qualifizierung für Kranprojekte

Vertrieb / Pre-Sales

Die Idee

Auf der Website oder in Konfiguratoren könnte ein Chat Agent Projektanfragen qualifizieren, indem er nach Lastfällen, Arbeitshöhen, Einsatzhäufigkeit und infrastrukturellen Einschränkungen fragt. Anschließend schlägt er geeignete Kranklassen und Anbaugeräte auf Basis von Produktdaten und Referenzprojekten vor und leitet gut strukturierte Leads zur detaillierten Angebotserstellung an Vertriebsingenieure weiter.

Was Sie dafür brauchen

  • Produktportfoliodaten (Modelle, Tragfähigkeiten, typische Anwendungen) und Referenzprojekte
  • Definierte Qualifizierungsfragen und Übergabekriterien an den Vertrieb
  • Optional: Integration mit CRM zur automatischen Erstellung und Anreicherung von Opportunities

Begleiter für Safety & Compliance-Wissen

HSE / Training & Compliance

Die Idee

Health-, Safety- & Environment-Teams könnten einen Chat Agent nutzen, um Fragen zu Sicherheitshinweisen, nationalen Normen, Prüfintervallen und Schulungsanforderungen für bestimmte Krantypen zu beantworten. Bediener und Aufsichtspersonen erhalten schnellen Zugriff auf offizielle Texte und senken so das Risiko nicht konformer Hebevorgänge.

Was Sie dafür brauchen

  • Konsolidierte Sicherheitsanleitungen, regulatorische Zusammenfassungen und Schulungsunterlagen für Krane und Lastaufnahmemittel
  • Versionierungsprozess für aktualisierte Normen und länderspezifische Vorschriften
  • Optional: Verlinkung zu einem LMS, um passende Trainingsmodule zu empfehlen oder zuzuweisen

Messbare Ergebnisse beim Einsatz von AI Chat Agents in der Kran- & Hebetechnik

+3%

Umsatzwachstum

In der Kran- & Hebetechnik entsteht +3 % Umsatz häufig durch zusätzliche Ersatzteilverkäufe, höhere Verfügbarkeit von Mietflotten und eine bessere Konvertierung von Projektanfragen. Studien zu generativer KI im B2B-Vertrieb zeigen einen Uplift von 3–15 % durch bessere Qualifizierung und schnellere Antworten[7]. Ein Chat Agent hilft, Konfigurationsfragen spät abends oder dringende Ersatzteilanfragen in konkrete Angebote zu überführen, statt Anrufe zu verpassen.

4x

Kundenzufriedenheit

Kranführer und Flottenmanager erwarten sofortige Hilfe, wenn ein Kran einen Fehler meldet oder ein Hub gefährdet ist. AI Chatbots in der Fertigungsindustrie verbessern die wahrgenommene Reaktionsgeschwindigkeit deutlich, indem sie 24/7 Antworten bieten und Wartezeiten von Minuten auf Sekunden reduzieren[2][9]. Der unmittelbare Zugriff auf Handbücher, Fehlersuche und Sicherheitsinformationen kann zu bis zu 4x höheren Zufriedenheitswerten führen – im Vergleich zu rein telefonischem Support in zeitkritischen Situationen.

3-5h

Wöchentlich pro Agent eingesparte Zeit

Serviceingenieure in Kranunternehmen verbringen viel Zeit mit wiederkehrenden Fragen: Erläuterungen zu Lastdiagrammen, Nachschlagen von Fehlercodes und standardisierte Wartungshinweise. Forschung zu Agentic AI und digitaler Arbeit legt nahe, dass Wissensarbeiter mit gut integrierten KI-Assistenten rund 40 % ihres Arbeitstags einsparen können[6]. In der Praxis entspricht dies häufig 3–5 Stunden pro Woche und Support-Agent, die von repetitiven Recherchen auf komplexe Fehleranalysen und Kundenberatung verlagert werden können.

+17%

Teamzufriedenheit

Kundenservice-Rollen rangieren bei der Mitarbeiterzufriedenheit weit unten, bedingt durch ständigen Druck und monotone Aufgaben[8]. In der Kran- & Hebetechnik kommen durch dringende Ausfälle und hohe Sicherheitsanforderungen zusätzliche Stressfaktoren hinzu. Die Auslagerung routinemäßiger Q&A an einen AI Chat Agent reduziert kognitive Belastung und „Ticket-Müdigkeit“ und ermöglicht es Experten, sich auf anspruchsvolle Ingenieurstätigkeiten zu konzentrieren. Eine solche Neugewichtung der Aufgaben geht mit zweistelligen Verbesserungen der Zufriedenheit einher, hier ausgedrückt als +17 % Teamzufriedenheit, wenn KI zur Unterstützung und nicht zum Ersatz menschlicher Rollen eingesetzt wird[7].

So funktioniert es

Von null zum Live-Chat-Agenten – typischerweise in 5–10 Werktagen.

Wissensdatenbank hochladen
Konfigurieren und integrieren
Deployen und optimieren
Wissensdatenbank hochladen
Konfigurieren und integrieren
Deployen und optimieren
Stell unserer Demo die schwierigsten Fragen, die dir einfallen.

Häufige Fallstricke bei der Einführung von AI Chat Agents in der Kran- & Hebetechnik

1

Sich ausschließlich auf Marketingbroschüren statt auf technische Dokumentation zu stützen

Einige Unternehmen laden Produktbroschüren und Website-Texte hoch und erwarten, dass ein AI Chat Agent tiefgehende technische Fragen beantwortet. Das Ergebnis sind vage, vertriebsorientierte Antworten, die Bediener frustrieren. Priorisieren Sie stattdessen Bedienungsanleitungen, Lastdiagramme, Schaltpläne und Serviceanweisungen als primäre Wissensbasis und ergänzen Sie Marketinginhalte erst dann zur Einordnung, wenn das technische Fundament steht.

2

Von Tag eins an 100 % Automatisierung zu erwarten

Im Kran- und Hebesupport betreffen viele Anfragen Sicherheitsentscheidungen oder komplexe Einsatzbedingungen. Eine sofortige Vollautomatisierung zu erwarten, ist unrealistisch und riskant. Ein tragfähigeres Ziel ist 40–60 % automatisierte Bearbeitung wiederkehrender, informationsbasierter Fragen nach den ersten 90 Tagen, kombiniert mit klaren Übergaben an menschliche Experten bei allen unklaren oder sicherheitskritischen Fällen[10].

3

Modellvarianten und Nachrüstungen zu ignorieren

Kranportfolios umfassen zahlreiche Varianten, Regionalversionen und nachgerüstete Maschinen. Wenn diese im KI-Setup wie ein einziges Modell behandelt werden, können falsche Empfehlungen entstehen. Strukturieren Sie die Dokumentation stattdessen nach Modell, Seriennummernbereichen und Konfigurationsoptionen und nutzen Sie diese Attribute im Chat Agent, um Antworten zu filtern. Binden Sie Engineering und Produktmanagement ein, um zu validieren, wie Varianten in den Daten unterschieden werden.

4

Keine Eskalationsregeln und menschliche Übergabe zu definieren

Kunden in sicherheitskritischen Umgebungen stehen rein KI-basiertem Support skeptisch gegenüber, insbesondere wenn sie nicht schnell einen Menschen erreichen können[5]. Ohne klare Eskalationsregeln könnten Nutzer das System meiden. Definieren Sie Schwellenwerte für Eskalation (z. B. bestimmte Fehlercodes, Begriffe wie „Unfall“ oder „Verletzung“ oder fehlende Dokumentation) und implementieren Sie eine Ein-Klick-Übergabe an Telefon, E-Mail oder Ticket – mit vollständigem Kontext.

5

Es als IT-Experiment statt als Serviceprojekt zu behandeln

In vielen Kranunternehmen starten KI-Initiativen in der IT, ohne tiefgreifende Einbindung von Service-, Trainings- und HSE-Teams. Das führt oft zu technisch funktionierenden Piloten, die an den Anforderungen der Praxis vorbeigehen. Positionieren Sie den Chat Agent als Service-Transformationsprojekt mit KPIs wie First-Contact-Resolution, Kranverfügbarkeit und Einfluss auf die Technikerqualifizierung, und stellen Sie sicher, dass Fachexperten Antworten anhand von Live-Feedback laufend prüfen und verbessern[2].

Kosten-Nutzen-Analyse: menschliche Kranexperten vs. Reruption Chat Agent

Die Einstellung und Qualifizierung erfahrener Kran-Servicemitarbeitender ist essenziell, aber kostenintensiv. Ein typisches Support-Setup kombiniert Frontline-Servicekoordinatoren mit Senior Technical Support Engineers, die komplexe Lastfälle und elektrische Probleme interpretieren können. Ein AI Chat Agent ersetzt diese Rollen nicht; er übernimmt wiederkehrende Wissensrecherchen, bietet 24/7-Verfügbarkeit und sichert Expertise, wenn Personen nicht verfügbar sind[3][6].

Technical Support Engineer (Krane) Service-Koordinator / Disponent (Kranflotte) Chat Agent (Professional)
Jährliche Kosten €65.000–€85.000 inkl. Overhead €50.000–€65.000 inkl. Overhead €5,988 + €2,999 setup
Verfügbarkeit Geschäftszeiten, Rufbereitschaft für Notfälle Geschäftszeiten, eingeschränkte Wochenendabdeckung 24/7/365
Sprachen Typischerweise 1–2 Sprachen Typischerweise 1–2 Sprachen 80+
Gleichzeitige Anfragen 1 Fall zur gleichen Zeit Mehrere, aber durch Anrufvolumen begrenzt Unbegrenzt
Urlaub / Krankheit 25–30 Tage/Jahr + Krankheitsausfälle 25–30 Tage/Jahr + Krankheitsausfälle Keine
Einarbeitungszeit 6–12 Monate bis zur vollen Produktivität 3–6 Monate für Produkte & Prozesse 5–10 Tage
Wissenserhalt Verlustrisiko, wenn der Experte das Unternehmen verlässt Verteilt in E-Mails und Notizen Permanent, immer aktuell

Der Reruption Chat Agent (Professional)-Tarif kostet €499 pro Monat plus €2.999 einmalige Einrichtung oder €5.988 pro Jahr für den durchgehenden Betrieb. Für viele Kran- und Hebeunternehmen rechnet sich die Investition bereits, wenn der Agent im Vergleich zur vollständigen menschlichen Bearbeitung nur 2–3 Supportanfragen pro Tag abfängt oder sinnvoll vorqualifiziert. Das Ziel ist nicht, Menschen zu ersetzen, sondern knappe Expertenressourcen auf hochwertige Diagnosen, Vor-Ort-Einsätze und Kundenbeziehungen zu fokussieren, während der Chat Agent rund um die Uhr grundlegende Fragen in über 80 Sprachen abdeckt.

Stell unserer Demo die schwierigsten Fragen, die dir einfallen.

Mittelständischer Kran-OEM reduziert Hotline-Last und beschleunigt Fehlersuche

Branche Kran- & Hebetechnik
Mitarbeiter 320
Produkte 180+ Kranmodelle & Varianten
Deployment 7 Arbeitstage

Die Herausforderung

Ein europäischer Kranhersteller mit Lkw-basierten und mobilen Kranen hatte mit steigender globaler Supportnachfrage zu kämpfen. Ein Team von 8 Serviceingenieuren bearbeitete rund 4.500 Anfragen pro Monat via Telefon und E-Mail. Viele Fragen betrafen wiederkehrende Themen wie Fehlercodes, Abstützkonfigurationen und zulässige Lasten für bestimmte Auslegerstellungen. In der Hochsaison verlängerten sich die Reaktionszeiten auf mehrere Stunden, und internationale Mietpartner riefen häufig außerhalb der europäischen Geschäftszeiten an, was zu Stillständen auf entfernten Baustellen führte[1][3].

Die Lösung

Das Unternehmen führte den Reruption Chat Agent als zusätzlichen Supportkanal in seinem Serviceportal ein. Innerhalb von 7 Arbeitstagen verband das Projektteam Bedienungsanleitungen, Lastdiagramme, Service-Bulletins und Fehlersuchanleitungen für die 40 gängigsten Modelle. Gemeinsam mit Reruption definierten sie klare Eskalationsregeln: sicherheitskritische Themen, unklare Hebeszenarien und alle unbeantworteten Fragen wurden mit vollständigem Chatkontext an menschliche Ingenieure weitergeleitet. Händler und Mietpartner erhielten Zugriff über einen geschützten Partnerbereich, während Endanwender grundlegende Bedienungsfragen anonym stellen konnten.

Die Ergebnisse

  • 58 % der eingehenden Fragen zu Dokumentation, Fehlercodes und Wartungsintervallen wurden innerhalb von 90 Tagen vollständig durch den Chat Agent beantwortet, wodurch das Hotline-Volumen entsprechend sank[10].
  • Die durchschnittliche Erstreaktionszeit für Portalnutzer sank von rund 30 Minuten (E-Mail) auf unter 30 Sekunden im Chat, was die wahrgenommene Reaktionsgeschwindigkeit für internationale Partner erhöhte[3].
  • Die Lead-Erfassung für Ersatzteile und Nachrüstungen stieg um rund 25 %, da der Chat Agent passende Kits vorschlug und direkt mit Anfrageformularen verlinkte[7].
  • Die interne Zufriedenheit im Serviceteam verbesserte sich, da Ingenieure weniger Zeit mit wiederkehrenden Fragen verbrachten und mehr Kapazität für komplexe Fehleranalysen und Vor-Ort-Support hatten[8].
„Wir haben mit einer gewissen Entlastung bei Routinefragen gerechnet, aber nicht damit, wie schnell Partner den Chat annehmen würden. Er übernimmt inzwischen genau die Dokumentationsrecherchen, die früher jede Woche Stunden wertvoller Ingenieurszeit gebunden haben, und eskaliert weiterhin alles Sicherheitskritische an unsere Experten.“ - Leiter Kundenservice, europäischer Kranhersteller
Stell unserer Demo die schwierigsten Fragen, die dir einfallen.

Wer profitiert am meisten von einem AI Chat Agent in der Kran- & Hebetechnik?

Gute Voraussetzungen

  • Kran-OEMs mit breiten Modellpaletten, die detaillierte Bedienungsanleitungen, Lastdiagramme und Servicedokumentation für Dutzende Modelle und Varianten pflegen und häufige Fragen von Händlern und Endanwendern erhalten.
  • Mietflotten und Hebedienstleister, die monatlich mehr als 100 technische Supportinteraktionen über Telefon und E-Mail abwickeln, insbesondere mit internationalen Kunden und wiederkehrenden Fragen zu Fehlercodes oder zulässigen Hüben.
  • Unternehmen mit etablierter digitaler Dokumentation, in denen Handbücher, Schaltpläne und Ersatzteilkataloge bereits als durchsuchbare PDFs oder strukturierte Daten vorliegen, auch wenn sie noch nicht in einem einzigen System gut organisiert sind.
  • Serviceteams unter hohem Zeitdruck, deren erfahrene Ingenieure einen erheblichen Teil ihrer Woche mit wiederkehrenden Dokumentationsrecherchen verbringen und dadurch nur begrenzt Zeit für komplexe Fehlersuche und Vor-Ort-Einsätze haben.
  • Organisationen mit Fokus auf langfristige Wissenssicherung, die Expertenwissen so erfassen wollen, dass es trotz Personalwechseln, Ruhestand oder Expansion in neue Regionen zugänglich bleibt.

(Noch) nicht ideal

  • Sehr kleine Kranbetriebe mit weniger als 20 technischen Supportanfragen pro Monat, bei denen persönliche Beziehungen und direkter Telefonkontakt weiterhin der effizienteste Ansatz sind.
  • Projektbasierte Hebeberatungen, die einmalige Spezialhebungen mit stark individuellen Berechnungen planen und nur wenig Wiederholbarkeit haben, was eine Standardisierung von Antworten in der Dokumentation erschwert.
  • Unternehmen ohne digitale Dokumentation, bei denen kritische Handbücher, Lastdiagramme und Serviceberichte nur auf Papier vorliegen oder stark veraltet sind; hier sollte eine grundlegende Digitalisierung vor einem AI Chat Agent erfolgen.

Sicherheit & Compliance

Chat Agents im industriellen Einsatz müssen strenge Datenschutzstandards erfüllen. Das sind die wichtigsten Anforderungen.

DSGVO-konform

Vollständige Konformität mit der EU-Datenschutz-Grundverordnung. Auftragsverarbeitungsverträge inklusive. Regelmäßige Audits und Dokumentation.

Gehostet in Deutschland

Alle Daten werden auf deutschen Servern verarbeitet und gespeichert. Kein Datentransfer außerhalb der EU. Geistiges Eigentum bleibt geschützt.

Enterprise-Grade Verschlüsselung

AES-256-Verschlüsselung at rest, TLS 1.3 in transit. Produktdokumentation und Kundengespräche sind vollständig geschützt.

Kein Modell-Training

Daten werden nie zum Trainieren von KI-Modellen verwendet. Sie werden ausschließlich genutzt, um Kundenfragen zu beantworten. Nichts anderes.

Häufig gestellte Fragen

Ja, sofern er auf der zugrundeliegenden technischen Dokumentation basiert. Ein Chat Agent kann sich auf Bedienungsanleitungen, Last- und Reichweitendiagramme, hydraulische und elektrische Schaltpläne sowie Fehlersuchbäume stützen, um Fragen in natürlicher Sprache zu beantworten[3]. Er „rät“ keine Berechnungen, sondern ruft Informationen direkt aus den Dokumenten ab und ist so konfiguriert, dass er jede unklare oder sicherheitskritische Situation an einen menschlichen Ingenieur eskaliert.

Der Chat Agent kann so konfiguriert werden, dass er Modell, Seriennummernbereiche, Konfigurationsoptionen und regionsspezifische Dokumentation berücksichtigt. Nutzer können ihr Kranmodell und die Konfiguration eingeben oder auswählen, und der Agent beschränkt seine Antworten auf die relevanten Dokumente. Für Nachrüstungen können eigene Bulletins und aktualisierte Handbücher hinterlegt werden, sodass der Agent immer auf die richtige Version für die jeweilige Maschine verweist.

Wenn Informationen fehlen, unklar sind oder in sicherheitskritische Kategorien fallen (zum Beispiel komplexe Hebepläne, Unfälle oder widersprüchliche Anweisungen), ist der Chat Agent darauf ausgelegt zu eskalieren. Er kommuniziert klar, dass ein menschlicher Experte benötigt wird, erstellt ein Ticket oder leitet zu Live-Chat/Telefon weiter (wo verfügbar) und übergibt den vollständigen Gesprächsverlauf, sodass der Ingenieur nicht von vorne beginnen muss[5][10].

Ja. Typische Integrationen umfassen Service-Management-Tools (zur Fallprotokollierung), ERP- oder Ersatzteilsysteme (für Ersatzteilvorschläge und Bestellentwürfe), CRM (zur Lead-Erfassung) und Händlerportale (für authentifizierten Zugriff). Best Practice ist, mit dokumentationsbasierten Antworten zu starten und Integrationen dann schrittweise hinzuzufügen, um ausgewählte Workflows zu automatisieren[2][10].

Für die meisten Kranhersteller oder Mietflotten mit vorhandener digitaler Dokumentation kann der Reruption Chat Agent in etwa 5–10 Arbeitstagen bereitgestellt werden. Dies umfasst das Anbinden und Indizieren der Dokumente, die Konfiguration von Sicherheits- und Eskalationsregeln, Testläufe mit internen Nutzern sowie den Rollout in einem Serviceportal oder auf der Website. Komplexe Integrationen (zum Beispiel ERP oder individuelle Portale) können in späteren Phasen folgen.

Die Preise für den Reruption Chat Agent sind transparent und in der Kran- & Hebetechnik dieselben wie in anderen Branchen:

  • Starter: €99 pro Monat + €799 einmalige Einrichtung
  • Professional: €499 pro Monat + €2.999 einmalige Einrichtung
  • Enterprise: Individuelle Preise für große, globale Rollouts oder besondere Anforderungen

Die meisten Kran- und Hebeunternehmen wählen den Professional-Tarif, um Kapazität, Funktionen und Kosten ausgewogen zu kombinieren.

Nein. Reruption setzt nicht auf standardisierte RAG-Pipelines. Stattdessen nutzt der Reruption Chat Agent eine proprietäre Retrieval- und Orchestrierungsschicht, die für technische Dokumentation und komplexe mehrstufige Anfragen optimiert ist. Dieser Ansatz legt den Fokus auf verlässliche Verankerung in den Originaldokumenten, vorhersehbares Verhalten und fein granular steuerbare Quellenwahl für jede Antwort – und nutzt gleichzeitig moderne Sprachmodelle für die natürliche Interaktion.

Stell unserer Demo die schwierigsten Fragen, die dir einfallen.

Chatbot-Fallbeispiele aus der Praxis

Wie Unternehmen weltweit Chat Agents und KI im Kundenservice einsetzen.

Amazon

E‑Commerce
In der weiten E‑Commerce‑Landschaft stehen Online‑Käufer vor erheblichen Hürden bei der Produktsuche und Entscheidungsfindung. Bei Millionen von Produkten fällt es Kund:innen häufig schwer, Artikel zu finden, die genau ihren Anforderungen entsprechen, Optionen zu vergleichen oder schnelle Antworten auf nuancierte Fragen zu Funktionen, Kompatibilität und Nutzung zu erhalten.

Lösung

Amazon entwickelte Rufus, einen generativen, KI‑gestützten konversationellen Einkaufsassistenten, der in die Amazon Shopping‑App und die Desktop‑Version integriert ist. Rufus nutzt ein maßgeschneidertes Large Language Model (LLM), das auf Amazons Produktkatalog, Kundenbewertungen und Webdaten feinabgestimmt wurde, um natürliche, mehrstufige Gespräche zu führen, Fragen zu beantworten, Produkte zu vergleichen und maßgeschneiderte Empfehlungen zu geben.

Ergebnisse

  • 60 % höhere Kaufabschlussrate bei Rufus‑Nutzer:innen
  • Prognostizierte zusätzliche Umsätze von $10B durch Rufus
  • 250M+ Kund:innen nutzten Rufus im Jahr 2025
  • Monatlich aktive Nutzer:innen +140 % YoY
  • Interaktionen stiegen um 210 % YoY
  • Black‑Friday‑Verkaufssitzungen +100 % mit Rufus
  • Kürzlicher Anstieg der Rufus‑Nutzer:innen um 149 %
Fallstudie lesen →

Bank of America

Bankwesen
Die Bank of America sah sich einem hohen Volumen routinemäßiger Kundenanfragen gegenüber, etwa Kontostände, Zahlungen und Transaktionsverläufe, was traditionelle Callcenter und Supportkanäle überlastete. Bei Millionen täglicher Nutzer des digitalen Bankings fiel es der Bank schwer, rund um die Uhr personalisierte Finanzberatung in großem Maßstab anzubieten, was zu Ineffizienzen, längeren Wartezeiten und uneinheitlicher Servicequalität führte.

Lösung

Bank of America entwickelte Erica, einen internen durch NLP unterstützten virtuellen Assistenten, der direkt in die Mobile-Banking-App integriert ist und Natural Language Processing sowie prädiktive Analytik nutzt, um Anfragen konversationell zu bearbeiten. Erica fungiert als Einstiegspunkt für Self-Service, bearbeitet Routineaufgaben sofort und liefert gleichzeitig personalisierte Einblicke, wie Liquiditätsprognosen oder maßgeschneiderte Empfehlungen, wobei Kundendaten sicher verwendet werden.

Ergebnisse

  • Über 3 Milliarden Kundeninteraktionen insgesamt seit 2018
  • Nahezu 50 Millionen eindeutige Nutzer unterstützt
  • Über 58 Millionen Interaktionen pro Monat (2025)
  • 2 Milliarden Interaktionen bis April 2024 erreicht (Verdoppelung von 1 Mrd. in 18 Monaten)
  • Bis 2024 wurden 42 Millionen Kunden unterstützt
  • 19 % Gewinnanstieg, verbunden mit Effizienzgewinnen
Fallstudie lesen →

Capital One

Bankwesen
Capital One sah sich mit einem hohen Volumen routinemäßiger Kundenanfragen konfrontiert, die ihre Callcenter überschwemmten – darunter Kontostände, Transaktionshistorien und grundlegende Supportanfragen. Das führte zu steigenden Betriebskosten, Überlastung der Agenten und frustrierenden Wartezeiten für Kunden, die sofortige Hilfe erwarteten.

Lösung

Capital One begegnete diesen Problemen durch die Entwicklung von Eno, einem proprietären konversationellen KI-Assistenten, der auf firmeneigener NLP beruht und für Banking-Vokabular angepasst wurde. Ursprünglich 2017 als SMS-Chatbot eingeführt, wurde Eno auf mobile Apps, Weboberflächen und Sprachintegration mit Alexa ausgeweitet und ermöglicht Multichannel-Support per Text oder Sprache für Aufgaben wie Kontostandsabfragen, Ausgabenanalysen und proaktive Benachrichtigungen.

Ergebnisse

  • 50% Reduzierung des Callcenter-Kontaktvolumens bis 2024
  • Rund-um-die-Uhr-Verfügbarkeit, die jährlich Millionen von Interaktionen abwickelt
  • Über 100 Millionen verarbeitete Kundengespräche
  • Bedeutende Einsparungen bei den Betriebskosten im Kundenservice
  • Beinahe sofortige Antwortzeiten bei Routineanfragen
  • Verbesserte Kundenzufriedenheit durch personalisierten Support
Fallstudie lesen →

Commonwealth Bank of Australia (CBA)

Bankwesen
Als Australiens größte Bank sah sich CBA zunehmenden Betrugs- und Scam-Bedrohungen gegenüber, wobei Kunden erhebliche finanzielle Verluste erlitten. Betrüger nutzten schnelle digitale Zahlungen wie PayID aus, bei denen nicht übereinstimmende Empfängernamen zu unumkehrbaren Überweisungen führten.

Lösung

CBA setzte einen hybriden KI-Stack ein, der Maschinelles Lernen zur Anomalieerkennung und generative KI für personalisierte Warnungen kombiniert. NameCheck überprüft Empfängernamen gegen PayID in Echtzeit und warnt Nutzer bei Abweichungen. CallerCheck authentifiziert eingehende Anrufe und blockiert Nachahmungs-Betrugsversuche. In Partnerschaft mit H2O.ai implementierte CBA von GenAI angetriebene prädiktive Modelle zur Scam-Intelligence.

Ergebnisse

  • 70 % Reduktion der Betrugsverluste
  • 50 % Verringerung der Kundenschäden durch Betrug bis 2024
  • 30 % Rückgang der Betrugsfälle durch proaktive Warnungen
  • 40 % Reduktion der Wartezeiten im Contact Center
  • 95 %+ Genauigkeit bei NameCheck-Empfängerabgleichen
Fallstudie lesen →

HSBC

Bankwesen
Als eine der weltweit größten Banken nach Vermögenswerten verarbeitet HSBCMilliarden von Transaktionen, wodurch die Betrugserkennung und die Geldwäschebekämpfung (AML) zu einer enormen Herausforderung werden. Traditionelle regelbasierte Systeme litten unter hohen Falsch-Positiv-Raten, was zu übermäßigen manuellen Prüfungen führte, Compliance-Teams belastete, Kosten erhöhte und Kunden-Transaktionen verlangsamte .

Lösung

HSBC begegnete Betrug mit Google Cloud KI-gestützten ML-Modellen für AML, die fortschrittliche Algorithmen nutzen, um Transaktionsmuster, Kundenverhalten und externe Daten für präzise Anomalieerkennung zu analysieren und so Falsch-Positiv-Raten drastisch zu senken . Dies war Teil einer breiteren Strategie, die global Hunderte von KI-Anwendungsfällen implementierte, von Risikomodellen bis zu Überwachungssystemen .

Ergebnisse

  • Hunderte von global eingesetzten KI-Anwendungsfällen in den Betriebsbereichen
  • Mehrjährige Partnerschaft mit Mistral AI beschleunigt GenAI-Einführung bankweit
  • Verbesserte AML-Erkennung mit reduzierten Falsch-Positiven durch Google Cloud ML
  • Echtzeit-Betrugskennzeichnung für Milliarden täglicher Transaktionen
  • GenAI-Tools zielen auf 20–40% Produktivitätssteigerungen bei Bankaufgaben
  • Transformierter Kundenservice mit 24/7 skalierbaren NLP-Chatbots
Fallstudie lesen →