Vendor-Claims richtig lesen: was KI-Tools im Reisebereich wirklich leisten

# Vendor-Claims richtig lesen: was KI-Tools im Reisebereich wirklich leisten

Der CIO einer Hotelgruppe bekommt ein Pitch Deck. Auf Folie vier steht: „Unser KI-Concierge erkennt die Absicht des Gastes mit 94 % Genauigkeit.“ Folie sieben: „powered by Deep Learning und Natural Language Processing.“ Folie neun zeigt eine Logo-Wand mit drei bekannten Hotelmarken. Niemand im Raum fragt, welches Modell das Tool tatsächlich nutzt, mit welchen Daten es trainiert wurde oder was passiert, wenn ein Gast etwas fragt, das der Anbieter nicht vorgesehen hat. Sechs Monate später bricht der „KI-Concierge“ beim ersten Mal zusammen, als jemand eine Anfrage etwas anders formuliert als in der Demo. In dieser Lektion geht es darum, diese Lücke zu erkennen, bevor der Vertrag unterschrieben ist.

Warum das im Reisebereich stärker zählt als in den meisten Branchen

Travel und Hospitality kaufen ungewöhnlich viel „AI-washed“ Software: regelbasierte Systeme, Entscheidungsbäume oder simples Keyword-Matching, umetikettiert mit KI-Vokabular, weil das Label sich verkauft. Die Gründe:

• Die Branche hat tausende kleine und mittelgroße KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer (unabhängige Hotels, regionale Airlines, Reiseveranstalter) mit begrenzten internen Technikteams, um Vendor-Claims zu prüfen.
• Gastseitige Chat- und Voice-Tools wirken in einer gescripteten Demo beeindruckend, und genau in diesem Umfeld laufen Rules Engines am besten.
• „KI“ ist zu einem Häkchen in RFPs geworden (Request for Proposal, das formale Dokument, mit dem KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer Angebote einholen). Anbieter haben also einen direkten Anreiz, das Wort zu verwenden, unabhängig davon, was drinsteckt.

Die richtigen Fragen zu kennen ist eine Kernkompetenz, keine technische Fähigkeit.

Rules Engine vs. Machine Learning: der eigentliche Unterschied

Rules Engine (auch Entscheidungsbaum oder Expertensystem): Ein Mensch schreibt explizite „wenn dies, dann das“-Logik. Sagt der Gast „stornieren“, zeige die Stornobedingungen. Sagt der Gast „später auschecken“, zeige die Late-Checkout-Optionen. Das System kann keine Eingaben verarbeiten, die seine Autoren nicht vorhergesehen haben, und es verbessert sich durch Nutzung nicht, solange niemand manuell weitere Regeln ergänzt.

Machine Learning (ML): Das System wird auf Daten trainiert und leitet Muster ab, kann also auf Eingaben generalisieren, die es nie gesehen hat. Ein gut trainierter Hotel-Chatbot verarbeitet „kann ich über 11 Uhr hinaus bleiben“ und „gibt es eine Möglichkeit, etwas später zu gehen“ als dieselbe Anfrage, ohne dass ein Mensch beide Formulierungen codiert.

Large Language Models (LLMs): die aktuelle ML-Generation, die in den meisten „generative AI“-Concierge- und Support-Tools steckt (Beispiele: OpenAIs GPT-Modelle, Anthropics Claude, Googles Gemini). Sie werden auf riesigen Textdatensätzen trainiert und kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen offene Gespräche führen, aber sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen auch „halluzinieren“ (flüssige, selbstsichere, aber sachlich falsche Antworten erzeugen). Das ist besonders relevant, wenn es um eine Stornofrist oder eine Visumsvoraussetzung geht.

Beide Ansätze kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen in einer fünfminütigen Demo identisch aussehen. Der Unterschied zeigt sich in Edge Cases, und genau die zeigen Anbieter nicht.

Die fünf Fragen, die Substanz vom Label trennen

1. „Was passiert, wenn ein Gast etwas außerhalb des erwarteten Skripts fragt?“

Bitten Sie den Anbieter, live eine ungewöhnliche, echte Anfrage einzutippen: „mein Flug wurde gestrichen und ich habe einen Hund, welche Optionen habe ich.“ Eine Rules Engine bleibt hängen, dreht sich im Kreis oder übergibt sofort an einen Menschen. Ein ML-basiertes System versucht eine sinnvolle, wenn auch unvollkommene Antwort.

2. „Mit welchen Daten wurde das trainiert, und sind unsere dabei?“

Generische LLMs, die auf öffentlichem Internettext trainiert wurden, wissen nichts über Ihre spezifischen Loyalty-Stufen, Zimmerkategorien oder das lokale Partnernetzwerk, es sei denn, der Anbieter hat Retrieval-Augmented Generation eingesetzt (RAG: eine Methode, bei der das Modell vor der Antwort in Ihren eigenen Dokumenten nachschlägt, etwa Ihren Policy-PDFs) oder Fine-tuningFine-tuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → (weiteres Training des Modells auf Ihren eigenen Daten). Bleibt die Antwort vage, ist das Tool wahrscheinlich ein dünner Wrapper um ein generisches Modell ohne echte Anpassung.

3. „Wie verbessert sich die Leistung über die Zeit, und was kostet diese Verbesserung?“

Echte ML-Systeme werden besser, je mehr Interaktionsdaten anfallen, aber das erfordert einen Feedback Loop (jemand prüft markierte Konversationen, es wird regelmäßig neu trainiert). Fragen Sie, wer diese Arbeit macht und wie oft. Kann niemand eine Retraining-Kadenz beschreiben, ist der „Lern“-Claim Marketing.

4. „Was ist der Fallback, wenn das Modell unsicher ist?“

Seriöse Systeme haben Confidence-Schwellen und eskalieren bei Unsicherheit an einen menschlichen Agent. Behauptet ein Anbieter, sein Bot „habe immer eine Antwort“, ist das ein Red Flag: Meist heißt das, das System rät, statt zuzugeben, dass es etwas nicht weiß. Ein ernstes Problem bei allem, was Rückerstattungen, medizinische Bedürfnisse oder Sicherheit berührt.

5. „Können Sie uns die Definition der Accuracy-Metrik zeigen, nicht nur die Zahl?“

„94 % Genauigkeit“ ist ohne Kenntnis des Testsets bedeutungslos (wie viele Samples, in welcher Sprache, bei welcher Aufgabe) und ohne zu wissen, was als „korrekt“ gilt. Fragen Sie nach der Benchmark-Methodik. Ist sie proprietär und nicht offengelegt, behandeln Sie die Zahl als unbelegtes Marketing.

Ein durchgerechnetes Mini-Beispiel: zwei Chatbot-Claims im Vergleich

Angenommen, ein Anbieter sagt Ihnen, sein Intent-Classification-Modell, also die Ebene, die entscheidet, worum es in der Gastanfrage geht, erreicht 90 % Genauigkeit auf einem Testset von 500 echten Gastanfragen. Ein zweiter Anbieter behauptet 96 %, getestet an 50 Nachrichten, die ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → selbst geschrieben hat.

Einfacher Zuverlässigkeitsvergleich:

Vendor A: 90% of 500 real guest messages correctly classified
  -> 450 correct, 50 misclassified, tested on realistic variety

Vendor B: 96% of 50 self-written test messages correctly classified
  -> 48 correct, 2 misclassified, tested on narrow, curated inputs

Die niedrigere Schlagzeilenzahl von Vendor A ist das vertrauenswürdigere Signal, weil Stichprobengröße und Quelle größererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → und näher an realen Bedingungen sind. Genau diese Art von Rechnung kann und sollte ein nicht-technischer KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer anstellen, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Vendor-Scorecards für bare Münze nimmt.

Wo echte KI im Reisebereich heute Mehrwert bringt

Zur Kalibrierung der Erwartungen hilft es zu wissen, wo die Technologie erprobt und nicht hypothetisch ist, Stand 2026 (Schätzungen, von Anbietern gemeldete Zahlen variieren je nach Quelle):

• Dynamic Pricing und Revenue Management: Airlines und Hotels nutzen ML-gestütztes Demand Forecasting seit Jahren (das liegt vor der „generative AI“-Welle). Unternehmen wie Duetto und IDeaS sind hier etabliert.
• Personalisierung in Marketing und Upsell: Empfehlung von Zimmer-Upgrades oder Ausflügen auf Basis von Buchungshistorie und Browsing-Verhalten.
• Mehrsprachige Gastkommunikation: Übersetzung und Intent-Handling über Sprachen hinweg, nützlich für internationale Reisemarken.
• Operatives Forecasting: Prognose von Auslastung, Personalbedarf und No-show-Raten.

Wo Claims die meiste Prüfung verdienen: vollständig autonome „KI-Concierges“, die Rezeption oder Callcenter-Personal end to end ersetzen. Dahinter steckt oft weiterhin umfangreiches, von Menschen geschriebenes Scripting hinter einem KI-klingenden Interface.

Eine fundierte, anbieterunabhängige Erklärung dazu, wie moderne konversationelle KI tatsächlich funktioniert, finden Sie in dieser Ressource: Google's Machine Learning Crash Course on NLP fundamentals, nützlich, um genug Vokabular aufzubauen, um Anbieter in die Pflicht zu nehmen.

Das Pitch Deck selbst lesen

Einige Deck-Signale, die in jedem Vendor-Meeting Beachtung verdienen:

• Logo-Wände ohne Nutzungsdetails. Das Logo einer Hotelmarke auf einer Folie kann einen konzernweiten Rollout bedeuten oder einen dreimonatigen Pilot in einem einzigen Haus. Fragen Sie nach.
• „Powered by GPT/Gemini/Claude“ als gesamte technische Erklärung. Das sagt Ihnen, welches Foundation Model aufgerufen wird, aber nicht, wie (oder ob) es an Ihr Geschäft angepasst, auf Halluzinationen bei Ihren Policies geprüft oder mit Guardrails versehen wurde.
• Case Studies ohne Baseline. „Gästezufriedenheit um 20 % gesteigert“ ist nur aussagekräftig, wenn Sie Messzeitraum, Stichprobengröße und den Ausgangswert kennen.
• Keine Erwähnung von Failure Modes. Jedes ausgerollte KI-System versagt manchmal. Ein Anbieter, der keinen realen Fehlerfall und dessen Handhabung beschreiben kann, hat entweder keine Deployment-Erfahrung oder ist nicht offen.

Key Takeaways

• Die zentrale diagnostische Frage ist das Verhalten bei ungeskripteten Eingaben: Eine Rules Engine bricht bei unerwarteter Formulierung, echtes ML verschlechtert sich gradueller.
• Fragen Sie immer nach der Quelle der Trainingsdaten, der Retraining-Kadenz und dem Fallback-Verhalten bei Unsicherheit. Vage Antworten zu einem dieser Punkte sind ein Warnsignal.
• Verlangen Sie die Methodik hinter jeder Accuracy-Zahl (Stichprobengröße, Quelle des Testsets, Definition von „korrekt“), nicht nur den Prozentwert in der Überschrift. Ein großes, realistisches Testset ist oft der vertrauenswürdigere Claim als ein kleines, kuratiertes, selbst bei niedrigerem Prozentwert.
• Erprobte, hype-arme KI-Anwendungsfälle in Travel und Hospitality sind Dynamic PricingDynamic PricingAutomatically adjusting prices in real time based on demand, competition or user behaviour to optimise revenue, margin or conversion.Vollständige Definition ansehen →, Demand Forecasting und Personalisierung. Vollständig autonome, gastseitige „KI-Concierges“ verdienen die höchste Prüfungsstufe.
• Vendor-Decks verraten durch Auslassung (keine Failure Modes, keine Baseline-Metriken, vage Logo-Wände) genauso viel wie durch ihre expliziten Behauptungen.