KI-Tools, KI-Chatbots und KI-Agenten im Autohaus – die vier Kategorien im Vergleich

In jedem zweiten Gespräch mit Autohaus-Entscheidern fällt aktuell derselbe Satz: „Wir schauen uns gerade KI-Lösungen an." Was dahintersteckt, ist im selben Gespräch häufig völlig unklar. Manche meinen, ihre Verkäufer sollen ChatGPT besser nutzen dürfen. Andere wollen einen Chatbot auf die Webseite stellen. Wieder andere wissen, dass es Systeme gibt, die Leads automatisch vorqualifizieren, bevor sie das CRM erreichen – und nennen das ebenfalls „KI".

Alle drei sind richtig. Und alle drei sind unterschiedliche Werkzeuge mit unterschiedlichen Zielen, Kostenstrukturen und Einführungswegen.

Wer sie verwechselt, kauft entweder das falsche Produkt – oder vergleicht Angebote, die gar nicht vergleichbar sind. Im schlimmsten Fall investiert ein Haus in ein Werkzeug der einen Kategorie und wundert sich, dass das Problem der anderen Kategorie davon nicht angefasst wird.

Dieser Artikel ordnet die Kategorien sauber und ohne Wertung ein. Welche Probleme welche Lösung adressiert, wo die Grenzen liegen, und wo sich die verschiedenen Welten sinnvoll ergänzen.

Warum eine saubere Einordnung gerade jetzt wichtig ist

2026 ist im Autohandel das Jahr, in dem KI aus dem Pilotstatus in den Regelbetrieb gewandert ist. Hersteller bauen eigene Agenten in ihre Leadtools, Plattformen wie AutoScout24 und mobile.de bringen eigene KI-Funktionen, und ein wachsender Markt an Mitarbeiter-Tools für den Autohandel etabliert sich neben den großen Consumer-Modellen.

Gleichzeitig wird der Begriff „KI" in Marketing-Materialien immer breiter verwendet. Ein Chatbot heißt heute selbstverständlich „KI-Chatbot", ein ChatGPT-basiertes Texttool für Verkäufer heißt „KI-Assistent", ein autonomer Lead-Agent heißt ebenfalls „KI-Assistent". Aus dem Begriff allein lässt sich nicht mehr ableiten, was die Software tatsächlich tut.

Für Entscheider im Autohaus ist das ein Problem, weil die Kategorien sich grundsätzlich unterscheiden – nicht graduell, sondern in der Architektur, im Pricing und in dem, was sie operativ leisten.

Kategorie 1: KI-Tools, die Mitarbeiter aktiv bedienen

Die erste Kategorie ist die, mit der die meisten Autohäuser zuerst in Berührung kommen. Ein Verkäufer öffnet ChatGPT, gibt einen Prompt ein und bekommt einen Text zurück. Ein BDC-Mitarbeiter lässt sich von einem Tool eine englische Antwort auf eine ausländische Anfrage übersetzen. Eine Vertriebsleiterin lässt sich aus einem Forderungsbericht die wichtigsten Punkte zusammenfassen.

Charakteristisch ist: Der Mensch entscheidet, wann das Tool genutzt wird, und der Mensch verarbeitet den Output weiter. Die KI wird wie ein digitaler Assistent verwendet – sie schreibt nicht selbstständig E-Mails an Kunden, sie qualifiziert keine Leads, sie greift nicht in Prozesse ein.

Was diese Kategorie tatsächlich leistet

Mitarbeiter-Tools sind im Autohaus überall dort wirksam, wo es um wissensintensive, individuelle Aufgaben geht, die heute viel Zeit kosten:

• Formulierungshilfen für E-Mails, Angebote, Reklamationsantworten, Stellenanzeigen
• Schnelle Recherche zu Modellen, Ausstattungen, Konditionen, Marktpreisen
• Zusammenfassung langer Anfragen, Berichte oder Verträge
• Übersetzung von Anfragen oder Beschreibungen in andere Sprachen
• Strukturierung von Notizen, Briefings, Schulungsunterlagen
• Erstellung von Social-Media-Posts oder Listing-Texten für Fahrzeuge

Das ist ein realer Effizienzhebel, gerade in Häusern mit hoher Schreibarbeit. Eine Verkäuferin, die mit einem guten Mitarbeiter-Tool arbeitet, spart pro Tag eine bis zwei Stunden – nicht weil das Tool ihre Arbeit übernimmt, sondern weil Standardformulierungen, Recherchen und Übersetzungen Sekunden statt Minuten dauern.

Wo der Unterschied zwischen Consumer- und Business-Setup zählt

Innerhalb dieser Kategorie gibt es einen entscheidenden technischen Unterschied: die Frage nach Datenschutz und Datenhoheit.

Die Consumer-Varianten von ChatGPT, Gemini oder Claude sind für den persönlichen Gebrauch gebaut. Sie sind nicht dafür ausgelegt, dass ein Verkäufer Kundendaten in die Eingabemaske kopiert. Das ist datenschutzrechtlich heikel und in vielen Häusern stillschweigend Praxis – mit allen Risiken, die das mit sich bringt.

Daneben hat sich in den vergangenen Jahren ein wachsender Markt an Mitarbeiter-Tools mit Business-Setup etabliert: Versionen der großen Anbieter mit Auftragsverarbeitungsvertrag, EU-Hosting und ausgeschlossener Training-Nutzung, sowie zunehmend auch ChatGPT-Alternativen, die speziell für deutsche und europäische Mittelständler oder direkt für den Autohandel entwickelt wurden – mit branchenspezifischem Vokabular, EU-Hosting und vorbereiteten Prompts für Standardaufgaben im Haus.

Solche Werkzeuge sind aus der Branche heute nicht mehr wegzudenken und decken einen klaren, eigenen Bedarf ab.

Was Mitarbeiter-Tools strukturell nicht leisten

Was sie nicht tun – egal wie gut sie sind – ist autonom handeln. Sie sitzen nicht zwischen Leadquellen und CRM, sie öffnen sich nicht selbstständig, wenn ein Lead reinkommt, sie qualifizieren nicht selbstständig.

Das ist keine Schwäche, sondern eine Designentscheidung. Mitarbeiter-Tools sind als Werkzeug für den Menschen gebaut, nicht als Prozessteil. Wer aus einem Mitarbeiter-Tool einen autonomen Lead-Bearbeiter macht, läuft in zwei Probleme: Erstens fehlt die Anbindung an Leadsysteme, Quellen und LMS. Zweitens fehlt die für autonomes Handeln notwendige Workflow-Engine, die Trigger, Regeln, Eskalationspfade und Datenrückführung in Echtzeit verwaltet.

Für diese Aufgabe gibt es eine eigene Werkzeugkategorie – siehe weiter unten.

Wer mehr zur datenschutzrechtlichen Einordnung von ChatGPT, Gemini und Co. im Autohaus wissen will, findet die Details in unserem Leitfaden zu DSGVO-konformer KI im Autohaus.

Kategorie 2: KI-Chatbots auf der Webseite

Die zweite Kategorie ist die im Marketing am häufigsten genannte. Ein Chatfenster auf der Webseite – meist unten rechts – erlaubt es Besuchern, frei formulierte Fragen zu stellen und sofort eine Antwort zu bekommen.

Charakteristisch ist: Der Trigger ist der Webseiten-Besucher. Er öffnet das Fenster, er tippt eine Frage, er bestimmt das Tempo. Ohne aktiven Besucher passiert nichts.

Was diese Kategorie tatsächlich leistet

Moderne KI-Chatbots auf der Webseite arbeiten längst nicht mehr mit starren Entscheidungsbäumen. Sie können freie Sprache verarbeiten, sich auf Modelle, Bestände und Konditionen beziehen und in Konfigurations- oder Terminbuchungsprozesse überleiten:

• Schnelle Auskunft zu Öffnungszeiten, Standorten und Anfahrt
• Erste Antworten zu Modellen, Beständen, Leasingangeboten und Verfügbarkeiten
• Routing zu Werkstatt-Termin, Probefahrt oder Konfigurator
• Pre-Lead-Erfassung, bevor das eigentliche Kontaktformular abgesendet wird

In Häusern mit starkem Webseiten-Traffic – etwa weil aktiv in SEO oder Performance-Werbung investiert wird – kann ein Chatbot einen messbaren Beitrag leisten: höhere Verweildauer, mehr Conversions, weniger Absprünge bei einfachen Fragen.

Wo die Grenze des Webseiten-Chatbots liegt

Was der Chatbot nicht sieht: alles, was nicht auf der eigenen Webseite passiert.

Eine Anfrage über AutoScout24 oder mobile.de landet als E-Mail oder Push im Lead-System. Eine Hersteller-Leadweiterleitung kommt über das jeweilige OEM-Portal. Eine Social-Media-Kampagne erzeugt Leads im Werbeplattform-Backend. Eine WhatsApp-Anfrage geht direkt aufs Handy eines Verkäufers.

Auf keinem dieser Wege wird das Webseiten-Chatfenster jemals aktiv. Es „sieht" diese Leads schlicht nicht – und kann sie folglich auch nicht bearbeiten.

Für Häuser, deren Anfragen überwiegend aus Fahrzeugbörsen, Hersteller-Leadweiterleitungen und Marketing-Kampagnen kommen, ist ein Chatbot deshalb keine Antwort auf das eigentliche Lead-Problem – sondern eine Ergänzung in einem Bereich, der oft einen kleineren Teil des gesamten Volumens ausmacht.

Kategorie 3: Autonome KI-Agenten zwischen Quellen und LMS

Die dritte Kategorie ist die jüngste und in der öffentlichen Diskussion bislang die am wenigsten verstandene.

Ein KI-Agent in diesem Sinn sitzt nicht auf der Webseite und wird nicht von einem Mitarbeiter geöffnet. Er arbeitet als Schicht zwischen den Leadquellen und dem Leadmanagement-System des Autohauses – immer, selbstständig, ohne dass jemand ihn anstößt.

Charakteristisch ist: Der Trigger ist ein eingehender Lead. Sobald eine Anfrage über AutoScout24, mobile.de, ein Hersteller-Portal, eine Social-Media-Kampagne, das Webseiten-Formular oder einen anderen Kanal hereinkommt, übernimmt der Agent.

Was diese Kategorie tatsächlich leistet

Die Aufgabe ist nicht, dem Kunden Fragen zu beantworten, sondern dem Kunden die richtigen Fragen zu stellen, bevor der Verkäufer eingreift.

1. Aufnahme – Leads aus allen angebundenen Quellen werden in einem einheitlichen Format zusammengeführt.
2. Lückenanalyse – Die KI prüft, welche für den Vertrieb relevanten Informationen fehlen: Finanzierungs- oder Leasingwunsch, Inzahlungnahme, Kaufzeitfenster, Selbstauskunft, B2B-Nachweis.
3. Kommunikation – Der Agent antwortet dem Interessenten im Namen und Sprachstil des Autohauses, fragt fehlende Punkte nach und beantwortet Rückfragen aus einem freigegebenen Wissensbestand.
4. Übergabe – Sobald der Lead vollständig ist, landet er strukturiert im LMS – dort, wo der Verkäufer ohnehin arbeitet.

Was die Grundlogik einer solchen Qualifizierung im Detail bedeutet und welche Voraussetzungen ein Autohaus dafür mitbringen muss, ist im Leitfaden zur Leadqualifizierung im Autohaus beschrieben.

Wo die Grenze des autonomen Agenten liegt

Ein KI-Agent dieser Bauart bedient weder den anonymen Webseiten-Besucher, der nur eine schnelle Frage hat, noch den Verkäufer, der eine englische Antwort übersetzen will. Er ist nicht als Werkzeug für den Mitarbeiter gebaut und nicht als Dialog-Widget für den Webseiten-Besucher.

Er ist gebaut für genau die Aufgabe, die im Tagesgeschäft am stärksten skaliert: Standardkommunikation rund um eingehende Anfragen, kanalübergreifend, kontinuierlich.

Sonderfall: Plattform-interne Lead-Assistenten

In den letzten Monaten ist eine zusätzliche Position entstanden, die sich gut von den drei zuvor beschriebenen Hauptkategorien unterscheiden lässt: Lead-Assistenten, die nicht beim Händler, sondern direkt in der Fahrzeugplattform sitzen und schon dort den Anfrageprozess intelligenter machen.

Stand Mai 2026 ist diese Kategorie noch jung: Im DACH-Raum gibt es das erste prominente Beispiel seit dem Frühjahr 2026, weitere Plattformen werden voraussichtlich nachziehen. Wer den Markt heute bewertet, sollte deshalb damit rechnen, dass sich diese Kategorie in den nächsten zwölf Monaten substanziell weiterentwickelt.

Das prominenteste deutsche Beispiel ist der LeadAssistent von AutoScout24, der seit Mai 2026 in der Web-Version in Deutschland verfügbar ist. Funktional setzt er an einer Stelle an, an der Händler seit Jahren Reibung empfinden – der Standardanfrage „Sehr geehrter Händler, ich interessiere mich für Ihr Fahrzeug. Bitte kontaktieren Sie mich."

Wie der AutoScout24 LeadAssistent funktioniert

Statt eine solche Anfrage direkt an den Händler weiterzuleiten, öffnet AutoScout24 unmittelbar nach dem Absenden optional ein Chatfenster für den Interessenten. Dort stellt das System gezielte Rückfragen – zur gewünschten Kontaktaufnahme, zu konkreten Kaufinteressen, zu fehlenden Kontaktdaten wie der Telefonnummer. Die Antworten werden in den Lead integriert, bevor er den Händler erreicht. Laut AutoScout24 enthalten dadurch mehr als 80 Prozent der ursprünglich standardisierten Anfragen inzwischen eine Telefonnummer.

Justin Re, Chief Product Officer bei AutoScout24, beschreibt das Ziel als Verbesserung „der gesamten Interaktion zwischen Käufer und Händler". Für Händler ist die Funktion in allen Servicepaketen kostenfrei enthalten, eine Anpassung der eigenen Prozesse nicht nötig. Der Plan: schrittweise Ausweitung auf weitere Kontaktkanäle wie Messaging-Dienste und Telefonie.

Das ist eine sinnvolle und für die ganze Branche begrüßenswerte Entwicklung. Sie hebt die Qualität der Anfragen auf einer der wichtigsten deutschen Fahrzeugbörsen sichtbar an und reduziert eine konkrete Frustration im Tagesgeschäft.

Was ein plattform-interner Lead-Assistent strukturell leistet – und was nicht

Strukturell sitzt der AutoScout24 LeadAssistent an einer anderen Stelle der Lead-Pipeline als ein autonomer KI-Agent vom Schlag eines carpilot-Lead-Assistant. Er arbeitet innerhalb der Plattform, vor dem Versenden des Leads – nicht zwischen Plattform und LMS, nach dem Versenden.

Daraus ergeben sich drei klare Konsequenzen.

Erstens ist die Reichweite plattformgebunden. Der LeadAssistent von AutoScout24 sieht nur Anfragen, die direkt über AutoScout24 entstehen. Leads aus mobile.de, aus Hersteller-Leadtools, aus der eigenen Webseite, aus Social-Media-Kampagnen oder aus WhatsApp werden von dieser Funktion nicht berührt. Selbst wenn jede dieser Plattformen früher oder später vergleichbare Funktionen baut, entstehen daraus mehrere plattformspezifische Vorqualifizierungen – nicht ein einheitlicher Prozess über alle Kanäle hinweg.

Zweitens ist die Tiefe der Qualifizierung plattform-generisch. AutoScout24 fragt im Wesentlichen das ab, was für alle Händler universell sinnvoll ist – Telefonnummer, Kaufinteresse, Erreichbarkeit. Was die Funktion sinnvollerweise nicht abfragt, sind händlerspezifische Punkte: ob ein Fahrzeug nur für Gewerbetreibende vorgesehen ist, welche Inzahlungnahme-Details für die konkrete Marke wichtig sind, welche Selbstauskunfts-Felder die jeweilige Bank des Hauses verlangt. Diese Tiefe entsteht erst beim Händler.

Drittens endet der Plattform-Assistent im Moment des Versendens. Was danach passiert – die mehrstufige Konversation mit Rückfragen, die Übergabe der vollständig qualifizierten Anfrage ins LMS in genau dem Format, das der Vertrieb dort vorfindet, das Nurturing bei Nichtreaktion über mehrere Tage hinweg – ist nicht mehr Aufgabe der Plattform. Hier setzt der händlerseitige Agent an.

Wie sich beide ergänzen

In der Praxis sind plattform-interne Lead-Assistenten und händlerseitige autonome Agenten keine konkurrierenden, sondern komplementäre Werkzeuge auf derselben Pipeline.

Die Plattform sorgt dafür, dass die Anfrage, die das Haus erreicht, schon mit einer Telefonnummer und einer Grobeinordnung kommt – statt mit einer leeren Standardformel. Der händlerseitige Agent übernimmt von da an: ergänzt die für die spezifische Anfrage und das spezifische Haus relevanten Punkte, führt den Dialog im Sprachstil des Autohauses fort, leitet einen Nurturing-Prozess ein, falls der Interessent nach der Plattform-Phase nicht weiter antwortet, und übergibt am Ende einen Lead an das LMS, an dem der Verkäufer direkt arbeiten kann.

Wer beide Schichten kombiniert, bekommt das Beste aus zwei Welten – früher Qualitätsboost auf der Plattform-Ebene, vollständige Qualifizierung und kanalübergreifende Konsistenz auf der Händler-Ebene. Was die Plattform für ihren eigenen Kanal liefert, lässt sich auf der Händler-Seite über alle Kanäle hinweg replizieren und in einen einheitlichen Prozess gießen.

Der direkte Vergleich

Vier Achsen, vier Anwendungsfälle, vier Pricing-Logiken. Wer alle in dieselbe Bewertungsmatrix wirft, vergleicht systematisch das Falsche.

Wann welche Kategorie sinnvoll ist – nach Ausgangslage

Statt einer pauschalen Empfehlung lassen sich die Kategorien am besten an der konkreten Ausgangslage des Hauses einordnen.

Ausgangslage A – „Unsere Verkäufer und das BDC verbringen zu viel Zeit mit Standardtexten"

Klassischer Fall für Mitarbeiter-Tools. Der Hebel liegt in der Wissensarbeit am Schreibtisch – nicht in der Lead-Prozesskette. Eine Lizenzlösung mit Business-Setup oder eine branchenspezifische ChatGPT-Alternative für den Autohandel deckt diesen Bedarf.

Ausgangslage B – „Unsere Webseite hat viel Traffic, aber wenige Anfragen daraus"

Klassischer Fall für einen KI-Chatbot. Wenn die eigene Webseite ein echter Traffic-Hebel ist – mit messbarem Besucher-Volumen und klaren Drop-Off-Punkten – kann ein Chatbot Drop-offs reduzieren und mehr Erstkontakte erzeugen.

Ausgangslage C – „Unsere Leads aus AutoScout24, mobile.de und Hersteller-Portalen kommen unvollständig, ungleichmäßig und mit Verzögerung im CRM an"

Klassischer Fall für einen autonomen KI-Agenten. Hier liegt der Engpass nicht am Schreibtisch und nicht auf der Webseite, sondern zwischen Quelle und LMS. Wer hier ansetzt, trifft das volumenstärkste Element der Lead-Pipeline.

Ausgangslage D – Mehrere der oben genannten gleichzeitig

In der Realität haben die meisten größeren Häuser nicht ein Problem, sondern mehrere. Eine sinnvolle Reihenfolge orientiert sich an Volumen und Hebelwirkung: zuerst der Kanal, der das meiste Volumen trägt – dann die übrigen Bereiche. Wer einen Agenten in der Lead-Pipeline hat und parallel ein Mitarbeiter-Tool zur Schreibarbeit-Beschleunigung, hat zwei klar getrennte Hebel ohne Funktionsüberschneidung.

Wie sich die Kategorien ergänzen

Im Idealfall arbeiten die Kategorien an unterschiedlichen Punkten derselben Vertriebsarchitektur, ohne sich gegenseitig zu blockieren.

Auf der Webseite fängt ein Chatbot konkrete Fragen ab, beantwortet sie und sammelt erste Kontaktdaten. Auf den großen Fahrzeugbörsen reichern plattform-interne Lead-Assistenten wie der von AutoScout24 Standardanfragen vor der Übergabe an. Sobald ein echter Kaufprozess startet – Probefahrt-Anfrage, Konfiguration, konkrete Modellanfrage – übernimmt im Hintergrund der händlerseitige KI-Agent und qualifiziert den Lead so weit, bis er vollständig im LMS ankommt. Parallel arbeiten Verkäufer und BDC mit einem Mitarbeiter-Tool an Standardtexten, Recherchen und individuellen Kundenantworten, die nicht in das Aufgabenfeld eines automatisierten Agenten fallen.

In der Praxis ist diese Architektur weniger trivial, als sie klingt. Sie verlangt eine bewusste Trennung der Zuständigkeiten und eine Schnittstellenlogik, in der die Werkzeuge nicht gegeneinander schreiben oder Daten doppeln. Wer in mehrere Kategorien gleichzeitig investiert, sollte das von Anfang an mitdenken.

Positionierung carpilot.ai

carpilot.ai baut bewusst Werkzeuge der dritten Kategorie: autonome KI-Agenten, die zwischen Leadquellen und LMS arbeiten. Lead Assistant und Sales Assistant bedienen den Anfragebereich, in dem in den meisten deutschen Autohäusern das größte ungenutzte Volumen liegt.

Mitarbeiter-Tools, Webseiten-Chatbots und plattform-interne Lead-Assistenten sind aus unserer Sicht keine Konkurrenz, sondern Werkzeuge mit eigenem Anwendungsfeld. Eine häufige Frage, die wir in den letzten Monaten gehört haben, lautet: Brauche ich einen Lead Assistant überhaupt noch, wenn AutoScout24 jetzt selbst eine ähnliche Funktion anbietet? Die ehrliche Antwort: Ja, weil die beiden Werkzeuge an unterschiedlichen Stellen der Pipeline arbeiten. Was AutoScout24 plattform-intern für AutoScout24-Anfragen leistet, deckt ein händlerseitiger Agent über alle Kanäle gleichzeitig ab – inklusive der mehrstufigen Konversation, des händlerspezifischen Qualifizierungsumfangs, des Nurturings und der strukturierten Übergabe in genau das LMS, mit dem der Vertrieb arbeitet. In Häusern, die alle vier Kategorien nutzen, geht es nicht um „entweder/oder", sondern um eine saubere Aufgabenteilung und um die Frage, wo die nächste Investition den größten Effekt erzielt.

Fazit: Erst die Kategorie, dann das Produkt

Die Frage „Welche KI passt zu unserem Autohaus?" ist nicht eine Frage. Sie sind vier.

• Welches Werkzeug entlastet unsere Mitarbeiter in der Wissensarbeit?
• Welches Werkzeug bedient unsere Webseiten-Besucher besser als heute?
• Welche plattform-internen KI-Funktionen unserer Fahrzeugbörsen sollten wir aktiv nutzen?
• Welches Werkzeug verarbeitet unsere eingehenden Leads über alle Kanäle hinweg, bevor der Verkäufer sie anfasst?

Diese vier Fragen führen zu vier verschiedenen Werkzeugkategorien – mit unterschiedlichen Anbietern, unterschiedlichen Pricing-Logiken und unterschiedlichen Wegen, KI-Sichtbarkeit in der eigenen Organisation aufzubauen.

Wer das durcheinanderbringt, vergleicht Angebote, die gar nicht vergleichbar sind. Wer es sauber trennt, sieht klar, wo die nächste sinnvolle Investition liegt – und kann die anderen Kategorien später in derselben Architektur ergänzen, ohne sich Insellösungen einzuhandeln.

Weiterlesen