Vom Röstwissen zur kontrollierten KI-Empfehlung.
Wie wird aus handwerklichem Röstwissen ein kontrolliertes KI-Empfehlungssystem? Diese Fallstudie zeigt den Aufbau des KI-Kaffee-Coaches der Kaffeerösterei Michael Seelbinder – vom Kundenproblem über das Datenmodell und den Make-Workflow bis zu Qualitäts- und Datenschutzleitplanken.
Kurzfassung der Fallstudie
Systemtyp: begrenztes Produktempfehlungssystem für Kaffee, kein allgemeiner Chatbot.
Datenbasis (13. Juli 2026): 26 aktive und für den Coach freigegebene Shopprodukte; für 21 ist ein repräsentatives Röstprofil hinterlegt.
Entscheidungsprinzip: Verfügbarkeit und ausdrücklich genannte geschmackliche Ausschlüsse werden vor der KI-Formulierung geprüft; die Zubereitungsart wird als Empfehlung gewichtet.
Komponenten: Tally, Make, eigene Produkt- und Sensordaten, OpenAI-API und WooCommerce.
Grenze: Es werden noch keine belastbaren Umsatz-, Conversion- oder Qualitätssteigerungen behauptet.
Die Zahlen beschreiben den geprüften Stand der Master-Datentabelle vom 13. Juli 2026, nicht den aktuellen Gesamtbestand des Shops oder der Marktbeobachtung. Sie sind kein Qualitätsurteil über jede einzelne Empfehlung und keine Aussage über die Vollständigkeit aller Lieferanten- oder Herkunftsdaten.
Marktkontext: Im Seelbinder Report 2026 über 100 deutsche Kaffeeröstereien war am Erhebungsstichtag 24. August 2026 ein ausdrücklich als KI- oder Chatbot-Beratung bezeichnetes Angebot im Vergleichsfeld nur einmal sichtbar. Seelbinder selbst gehörte nicht zu den 100 Vergleichsfällen. Die Zahl beschreibt die sichtbare Eigenbezeichnung der Anbieter, nicht die im Hintergrund verwendete Technik.
Ausgangslage: Beratung soll skalieren, ohne beliebig zu werden
Kaffeekundinnen und -kunden suchen selten einfach „irgendeinen guten Kaffee“. Sie möchten wissen, welche Bohne zu Siebträger, Vollautomat oder Handfilter passt, wie ausgeprägt die Säure ist, ob ein Profil mit Milch funktioniert und welche Aromen sie erwarten können. Gleichzeitig ändern sich Sortiment und Verfügbarkeit.
Eine freie Chatbot-Antwort wäre hierfür zu riskant: Sie könnte nicht verfügbare Produkte nennen, Aromen erfinden oder einen falschen Link setzen. Ziel war deshalb kein allgemeiner Kaffee-Chat, sondern ein begrenzter Empfehlungsprozess mit eigener Produktwahrheit.
Der dokumentierte Ablauf
- 1Tally-Formular
Zubereitung, Säureempfinden, negative Geschmackserfahrung, Experimentierbereitschaft und E-Mail erfassen
- 2Make
Eingaben übernehmen, Ablauf steuern und Verarbeitungsschritte verbinden
- 3Produkt- und Wissensdaten
Verfügbarkeit, Zubereitungsempfehlungen, Sensorik und weitere bestätigte Merkmale bereitstellen
- 4Filter und Matching
Verfügbarkeit und klare Abneigungen filtern; Zubereitung und Vorlieben gewichten
- 5OpenAI-API
das strukturierte Ergebnis verständlich und persönlich formulieren
- 6E-Mail und WooCommerce
Empfehlung, Hinweise und geprüften Produktweg ausgeben
Die Nutzerinnen und Nutzer werden vor dem Formular klar darauf hingewiesen, dass sie mit einem KI-gestützten Empfehlungssystem interagieren. Die Verarbeitung beginnt erst nach ausdrücklicher Einwilligung.
Das Product-Truth-Datenmodell
Der wichtigste Baustein ist nicht der Prompt, sondern eine zentrale Master-Datentabelle. Sie trennt bestätigte Tatsachen von Marketingtexten und schafft für jedes relevante Feld eine definierte Bedeutung.
Fehlt eine belastbare Bestätigung, lautet der interne Zustand nicht „wahrscheinlich“, sondern „nicht bestätigt“. Dadurch kann die Ausgabe eine Lücke offenlassen, anstatt sie sprachlich zu kaschieren.
- WooCommerce-ID, SKU und geprüfte Produkt-URL
- aktueller Verfügbarkeitsstatus
- geprüfte Zubereitungsempfehlungen, Startrezepte und klare geschmackliche Ausschlüsse
- Geschmacksfamilie und bestätigte Aromen
- Säure, Süße, Körper und Intensität auf einer einheitlichen Skala
- Röstgrad, Aufbereitung und Herkunft
- relevante Röstdaten und deren erwartete sensorische Wirkung
- Quelle, Prüfstatus und letztes Prüfdatum
Prüfbarer Datenstand
Zum Datenstand vom 13. Juli 2026 enthält die Mastertabelle 26 als aktiv gelistete, bestellbare und für den Coach freigegebene Shopprodukte. Für 21 Produkte ist ein repräsentatives Röstprofil hinterlegt; fünf Blends beziehungsweise Mischungen werden ohne einzelnes repräsentatives Profil geführt. Die Tabelle trennt bestätigte Shopdaten, Mischungsangaben, Profilverfügbarkeit, Quelle, Prüfdatum und offene Fragen.
Ein Fragezeichen oder der Zustand „nicht bestätigt“ darf nicht in eine sichere Marketingaussage umformuliert werden. Genau diese Trennung ist ein wesentlicher Teil der Qualitätssicherung.
- mit repräsentativem Röstprofil
- Blends ohne einzelnes Profil
Röstdaten, Sensorik und Zubereitung verbinden
Das Datenmodell ist darauf ausgelegt, unterschiedliche Ebenen zusammenzuführen: Rohkaffee- und Produktdaten, Röstkurve, Entwicklungszeit, Gewichtsverlust, Röst- und Ruhezeit, Cupping-Ergebnisse, Zubereitungsrezepte sowie Rückmeldungen aus realen Tassen.
Bei der Sensorik werden unter anderem Duft, Aroma, Süße, Säure, Körper, Nachgeschmack und Balance getrennt betrachtet. Zubereitungen wie Espresso, Cappuccino, V60, Chemex oder Cold Brew können eigene Beobachtungen und Rezepte erhalten. So bleibt sichtbar, ob eine Aussage aus dem Rohkaffee, der Röstung, dem Cupping oder einer konkreten Zubereitung stammt.
Diese Struktur ermöglicht spätere Lernschleifen, bedeutet aber nicht, dass bereits jeder Datenpunkt für jedes Produkt vollständig automatisiert vorliegt. Datenumfang und Prüfstatus bleiben sichtbar.
Matching vor Formulierung
Die Auswahl folgt zwei Ebenen:
- Ebene 1
Harte Filter: Nicht verfügbare Produkte werden entfernt. Ausdrücklich genannte geschmackliche Abneigungen dürfen nicht durch eine kreative KI-Erklärung übergangen werden. Die Zubereitungsart allein ist kein Ausschluss.
- Ebene 2
Gewichtete Passung: Die verbleibenden Produkte werden anhand der beantworteten Präferenzen und der gepflegten Merkmale eingeordnet. Zubereitungshinweise beschreiben, wo ein Profil mit üblichen Einstellungen besonders leicht reproduzierbar ist; technisch mögliche Alternativen bleiben sichtbar.
Erst danach erhält das Sprachmodell die begrenzte Aufgabe, die bereits strukturierte Empfehlung verständlich zu erklären. Es soll keine neuen Produkte, Aromen oder URLs erfinden.
Agentenrollen und Qualitätssicherung
Für die Weiterentwicklung wird das System gedanklich in klar getrennte Rollen aufgeteilt:
- Rolle 1
Orchestrierung und Lernen: plant den Ablauf, sammelt Ergebnisse und priorisiert Verbesserungen
- Rolle 2
Kundenfragen und Wachstum: bündelt echte Fragen und erkennt Informationslücken
- Rolle 3
Kaffeefachlichkeit: prüft Röst-, Sensorik- und Zubereitungsaussagen
- Rolle 4
Produkt- und Datenprüfung: validiert Verfügbarkeit, IDs, URLs, Felder und Prüfdaten
- Rolle 5
Ausgabeprüfung: kontrolliert Klarheit, Quellenbindung, einen eindeutigen nächsten Schritt und verbotene Behauptungen
Eine Rolle ist nur dann sinnvoll, wenn sie eine eigene Verantwortung oder Prüfung abbildet. Wo ein einfacher regelbasierter Schritt genügt, wird kein zusätzlicher Agent eingesetzt.
Datenschutz und Transparenz
- Der KI-Einsatz wird vor der Interaktion eindeutig benannt.
- Das Formular erläutert Zweck und beteiligte Dienste; die Einwilligung ist erforderlich.
- Tally, Make und OpenAI werden in der Datenschutzerklärung mit Zweck und Datenfluss beschrieben.
- Es werden nur Angaben erhoben, die für Empfehlung und Zusendung benötigt werden.
- Die Empfehlung hat keine rechtliche oder ähnlich erhebliche Entscheidungswirkung.
- Eine persönliche Rückfrage bleibt jederzeit möglich.
Was gemessen werden soll – und was noch nicht behauptet wird
Die Fallstudie beschreibt System und Vorgehen. Sie behauptet keine nicht gemessene Umsatzsteigerung. Sinnvolle Kennzahlen für die weitere Entwicklung sind:
- Start- und Abschlussquote des Formulars
- Klickrate auf das empfohlene Produkt
- Kauf und Deckungsbeitrag nach Empfehlung
- Rückfragen, Korrekturen und unpassende Empfehlungen
- Produkte ohne ausreichende Datenbasis
- Bearbeitungszeit gegenüber persönlicher Erstberatung
Reale Kennzahlen sollen bei der Optimierung stärker zählen als eine bloße KI-Bewertung des eigenen Outputs.
Grenzen und aktueller Reifegrad
- Die öffentlich zugängliche Coach-Seite und der beschriebene Workflow sind eine reale Referenz, aber keine unabhängig zertifizierte Software.
- Der Versandweg und die Ergebnisqualität wurden nicht als dauerhaft verfügbarer Dienst mit garantierten Reaktions- oder Verfügbarkeitszeiten geprüft.
- Ein repräsentatives Röstprofil belegt das Vorhandensein von Röstdaten, nicht automatisch einen unkomplizierten Standardbezug bei jeder Zubereitungsart.
- Einzelne Lieferanten-, Herkunfts- oder Erntedetails bleiben offen und werden nicht als bestätigte Fakten ausgegeben.
Übertragbar innerhalb der Kaffee- und Genusswirtschaft
Übertragbar sind nicht einzelne Kaffeeempfehlungen, sondern die Arbeitsbausteine: Kundenproblem, Product Truth, verbindliche Quellen, Filter, Gewichtung, Rollen, Orchestrierung, Transparenz, Freigaben und Messung. Geeignete fachnahe Beispiele sind Gastro-Anfragen, Händlerqualifizierung, Produktdatenprüfung und kontrollierte Content-Vorbereitung.
Die Kaffeerösterei Michael Seelbinder bietet dazu ausschließlich klar abgegrenzte Workshops, Datenmodelle und Prototypen für Kaffee, Gastronomie und Genussprodukte an. Für dieses Workflow-Angebot ist kein 24/7-Betrieb zugesagt. Ergänzend bietet Seelbinder Intelligence eine getrennte Beobachtung öffentlicher Marktpreise und Sortimente. Der Coach empfiehlt eigene Kaffees anhand von Vorlieben und Produktdaten; die Marktkennzahlen messen weder Geschmack noch Empfehlungsqualität.
Diese praktische KI-Erfahrung fließt auch in den KI-Sichtbarkeits-Check für andere Röstereien und Genussunternehmen ein.
Häufige Fragen zum KI-Kaffee-Coach
Was ist der KI-Kaffee-Coach der Kaffeerösterei Seelbinder?
Ein begrenztes Produktempfehlungssystem für Kaffee, kein allgemeiner Chatbot. Er empfiehlt eigene Kaffees der Rösterei anhand von Zubereitung, Vorlieben und geprüften Produktdaten.
Kann die KI Produkte, Aromen oder Links erfinden?
Das System ist so aufgebaut, dass dies verhindert werden soll: Verfügbarkeit und ausdrücklich genannte Abneigungen werden vor der KI-Formulierung regelbasiert geprüft. Das Sprachmodell erklärt nur die bereits strukturierte Empfehlung und soll keine neuen Produkte, Aromen oder URLs erfinden.
Welche Datenbasis nutzt der Coach?
Eine zentrale Master-Datentabelle mit Produkt-IDs, Verfügbarkeit, Zubereitungsempfehlungen, Sensorik, Röstdaten, Quelle und Prüfdatum. Zum Stand 13. Juli 2026 waren 26 Shopprodukte freigegeben, für 21 davon war ein repräsentatives Röstprofil hinterlegt.
Wie wird der Datenschutz berücksichtigt?
Der KI-Einsatz wird vor der Interaktion benannt, die Verarbeitung beginnt erst nach ausdrücklicher Einwilligung, und es werden nur Angaben erhoben, die für Empfehlung und Zusendung benötigt werden. Tally, Make und OpenAI sind in der Datenschutzerklärung beschrieben.
