Die meisten Museums-Chatbot-Pilotprojekte scheitern aus demselben Grund: Sie basieren auf generischen LLMs ohne Verankerung in der Sammlung. Eine Besucherin, die nach einem bestimmten Cranach-Altarbild fragt, erhält eine Wikipedia-Zusammenfassung — oder schlimmer, eine selbstbewusst vorgetragene Halluzination zur Provenienz, die das kuratorische Team anschließend richtigstellen muss. Das reicht nicht, und deshalb sterben so viele Pilotprojekte still und leise nach sechs Monaten.

Die Projekte, die funktionieren, sind anders aufgebaut.

Das Wichtigste in Kürze:

  • Generische LLM-Chatbots scheitern, weil sie nicht in den tatsächlichen Sammlungsdaten eines Museums verankert sind — Besucher erhalten Wikipedia-Niveau-Antworten oder schlimmer, halluzinierte Provenienzdetails.
  • Ein verankerter Chatbot braucht drei Bausteine: Sammlungsdaten als durchsuchbare Wissensbasis, das LLM als Sprachschicht (nicht als Wissensquelle), und einen sauberen Umgang mit fehlender Information.
  • Ein gut gebautes RAG-System bewältigt mehrere Besuchersprachen nahezu automatisch, sofern die zugrunde liegenden Katalogdaten korrekt sind — Terminologie und kultureller Kontext brauchen aber weiterhin bewusste Gestaltung.
  • Ein abgegrenztes Pilotprojekt — eine Galerie, zwei Sprachen, drei Monate — lässt sich im ersten Jahr für unter 10.000 € aufbauen und betreiben.

Das Problem mit generischen LLMs

Ein generisches Sprachmodell wie GPT-5 oder Claude weiß insgesamt sehr viel über Kunstgeschichte. Es kann die Nordische Renaissance diskutieren, Chiaroscuro erklären und typische Ikonografie in deutschen Altarbildern beschreiben. Was es nicht zuverlässig kann, ist Fragen zu Ihrer konkreten Sammlung zu beantworten — die Erwerbsgeschichte von Objekt 1994.037, warum bei der Restaurierung der flämischen Tafel in Saal 3 genau dieser Firnis verwendet wurde, oder was die handschriftliche Notiz auf der Rückseite der Skizze in der Studiensammlung besagt.

Damit ein Besucher-Chatbot wirklich nützlich ist, muss er in den Sammlungsdaten verankert sein. Das bedeutet RAG — Retrieval-Augmented Generation — statt eines bloßen LLM.

Wie ein verankerter Museums-Chatbot aussieht

Die Architektur ist einfacher, als es klingt:

1. Sammlungsdaten als Wissensbasis. Ihre Katalogdatensätze, Objektbeschreibungen, Restaurierungsnotizen, Audioguide-Skripte und veröffentlichte Forschung werden erfasst, in Abschnitte zerlegt und in eine Vektordatenbank eingebettet. Wenn eine Besucherin eine Frage stellt, ruft das System zunächst die relevantesten Fragmente aus Ihren tatsächlichen Daten ab, bevor es eine Antwort formuliert.

2. Das LLM als Sprachschicht, nicht als Wissensquelle. Die Aufgabe des Modells ist es, abgerufene Informationen zu einer klaren, ansprechenden Antwort in der Sprache der Besucherin zu verdichten — nicht Fakten aus den Trainingsdaten abzurufen. Das eliminiert Halluzinationen zu konkreten Objekten, weil das Modell nur mit dem arbeitet, was Sie ihm gegeben haben.

3. Saubere Ausweichantworten. Wenn dem System keine verlässliche Information vorliegt — weil der Katalogeintrag unvollständig ist oder die Frage außerhalb des Rahmens liegt —, sagt es das auch. „Zu diesem Objekt liegen mir keine detaillierten Informationen vor, aber am Infopunkt hilft Ihnen gerne jemand vom Team weiter” ist eine bessere Antwort als eine selbstbewusst vorgetragene Erfindung.

Mehrsprachigkeit ohne mehrsprachiges Personal

Für deutsche Museen ist Mehrsprachigkeit sowohl ein echtes Bedürfnis als auch eine echte Herausforderung. Internationale Besucher — aus Frankreich, den Niederlanden, den USA, Japan — erwarten mindestens Englisch. Touristisch stark frequentierte Häuser brauchen mehr.

Die gute Nachricht: Ein gut gebautes RAG-System bewältigt mehrsprachige Ausgaben nahezu automatisch. Die LLM-Schicht übersetzt auf natürliche Weise; entscheidend ist, dass die zugrunde liegenden Sammlungsdaten korrekt sind. Eine französische Besucherin, die nach einem Objekt fragt, erhält eine französische Antwort, die auf demselben deutschen Katalogeintrag basiert wie bei allen anderen.

Die praktischen Erwägungen:

  • Terminologische Genauigkeit bei der Übersetzung. Kunsthistorische Begriffe lassen sich nicht mechanisch übersetzen. „Altdeutsche Malerei” ist im Englischen nicht sinnvoll mit „old German painting” übersetzt. Eine Schicht mit kontrolliertem Vokabular — oder Few-Shot-Beispiele mit korrekt übersetzter Terminologie — verhindert peinliche Fehlübersetzungen in einem professionellen Kontext.

  • Deutscher kultureller Kontext für nicht-deutsche Besucher. Manche Inhalte brauchen zusätzliche Einordnung für internationales Publikum. Ein im Katalog als „Kriegsdarstellung” beschriebenes Werk benötigt für eine japanische Besucherin eine Kontexterklärung, die eine deutsche Besucherin nicht bräuchte. Das lässt sich über Prompt-Gestaltung oder ergänzende Inhaltsschichten lösen.

  • Welche Sprachen priorisiert werden. Prüfen Sie zunächst Ihre Besucherdaten. Die meisten deutschen Regionalmuseen werden feststellen, dass Englisch, Französisch und eventuell Niederländisch oder Japanisch sich lohnen. Alle Sprachen gleichzeitig anzugehen ist eine Ablenkung — beginnen Sie mit zwei und machen Sie diese gut.

Womit Sie beginnen sollten

Wenn Ihre Institution bei null anfängt, funktioniert diese Reihenfolge:

  1. Prüfen Sie die Qualität Ihrer Sammlungsdaten. Ein Chatbot ist nur so gut wie die Datensätze dahinter. Wenn Ihr Katalog zu 60 % unvollständige Beschreibungen enthält, beheben Sie das zuerst — oder akzeptieren Sie, dass der Chatbot entsprechend eingeschränkt sein wird. Mein Beitrag zu GenAI in der Sammlungskatalogisierung beschreibt, wie sich diese Lücke schließen lässt.

  2. Beginnen Sie mit einem abgegrenzten Pilotprojekt. Wählen Sie eine Galerie oder eine thematische Sammlung. Bauen Sie den Chatbot auf diesem Teilbestand auf. Lassen Sie ihn drei Monate mit echten Besuchern laufen und messen Sie, was tatsächlich gefragt wird — im Vergleich zu Ihren Erwartungen.

  3. Bauen Sie eine Feedbackschleife auf. Jede unbeantwortete Frage oder Antwort mit geringer Konfidenz ist ein Signal für Lücken in Ihrem Katalog. Der Chatbot sollte wöchentlich einen Bericht über schlecht beantwortete Anfragen liefern — daraus entsteht ein priorisierter Katalogisierungsrückstand.

  4. Skalieren Sie erst nach der Validierung. Sobald Sie belegen können, dass Besucher den Chatbot nutzen und brauchbare Antworten erhalten, weiten Sie ihn auf die gesamte Sammlung aus.

Die Wirtschaftlichkeit für kleinere Institutionen

Die Wirtschaftlichkeit eines Museums-Chatbots hat sich in den letzten zwei Jahren deutlich verändert. Die Infrastrukturkosten — Vektordatenbank-Hosting, LLM-API-Aufrufe — liegen inzwischen im Rahmen dessen, was Institutionen mit einem Jahresbudget ab 500.000 € stemmen können. Ein gut abgegrenztes Pilotprojekt lässt sich im ersten Jahr für unter 10.000 € aufbauen und betreiben, inklusive Entwicklung und API-Kosten.

Was sich nicht günstig bauen lässt, ist gute Qualität. Die Investition steckt in der Datenaufbereitung und im sorgfältigen Prompt-Engineering, nicht in Rechenleistung. Genau dort liegt der Unterschied zwischen einem Pilotprojekt, das der Institution peinlich ist, und einem, das zu einem echten Besucherservice wird.

Häufig gestellte Fragen

Warum scheitern Museums-Chatbot-Pilotprojekte häufig?

Die meisten basieren auf generischen LLMs ohne Verankerung in der eigenen Sammlung, sodass sie entweder generische Wikipedia-Niveau-Antworten liefern oder Details zu konkreten Objekten halluzinieren — die das kuratorische Team anschließend korrigieren muss.

Was macht einen Museums-Chatbot „verankert”?

Retrieval-Augmented Generation (RAG): Der Chatbot ruft relevante Fragmente aus den eigenen Katalogdaten, Restaurierungsnotizen und Forschungsergebnissen des Museums ab, bevor er eine Antwort erzeugt — statt sich auf das allgemeine Trainingswissen des Modells zu verlassen.

Kann ein Chatbot Besucher in mehreren Sprachen bedienen?

Ja — ein RAG-System kann präzise mehrsprachige Antworten aus denselben deutschen Katalogdaten erzeugen, wobei kunsthistorische Terminologie und deutscher kultureller Kontext für nicht-deutsche Besucher oft zusätzliche Behandlung brauchen.

Wie viel kostet ein Museums-Chatbot-Pilotprojekt?

Ein gut abgegrenztes Pilotprojekt für eine Galerie oder Sammlung lässt sich im ersten Jahr für unter 10.000 € aufbauen und betreiben, inklusive Entwicklung und API-Kosten — die eigentliche Investition steckt aber in der Datenaufbereitung, nicht in Rechenleistung.

Wenn Ihre Institution kein eigenes Tech-Team hat, beginnen Sie bei den Grundlagen, bevor Sie ein Chatbot-Projekt abgrenzen.

Einen Besucher-Chatbot auf Basis Ihrer Sammlungsdaten aufzubauen ist genau die Art Projekt, an der ich mit Museen in ganz Deutschland arbeite. Lassen Sie uns besprechen, wie das für Ihre Institution aussehen könnte.