Antworten auf Online-Bewertungen & lokales Reputationsmanagement

Restaurants, Hotels, Arzt- und Zahnarztpraxen, Werkstätten und Handwerksbetriebe leben von ihren Bewertungen bei Google, Tripadvisor, Booking.com oder Jameda. Dennoch ist das Antworten auf jede Bewertung eine lästige Pflicht, die gern liegen bleibt. Die KI beobachtet alle Bewertungskanäle, entwirft eine konkrete, höfliche Antwort in der Sprache des Bewertenden, markiert kritische Fälle für einen Menschen und gibt wiederkehrende Beschwerden an den Betrieb zurück. Die Inhaberin oder der Inhaber prüft und veröffentlicht in Sekunden, statt von Grund auf zu schreiben.

Problem & Nutzen

• Heute: Inhaber oder Empfangspersonal prüfen mehrere Portale unregelmäßig und antworten mit kopierten Floskeln oder gar nicht. Negative Bewertungen werden emotional oder zu spät beantwortet; Ketten mit mehreren Standorten haben einen uneinheitlichen Ton; niemand bittet zufriedene Kunden systematisch um eine Bewertung.
• KI-Nutzen: Jede Bewertung erhält eine zeitnahe, persönliche Antwort; negative werden mit einem Vorschlag zur Deeskalation und einer internen Folgeaufgabe eskaliert; Muster über Standorte hinweg werden sichtbar.
• Belegstand: Google testet berichteten Meldungen zufolge KI-Antwortentwürfe im Unternehmensprofil, wobei die Inhaberin oder der Inhaber manuell prüft, bearbeitet und absendet [1]; etablierte Anbieter (Birdeye, Uberall) verkaufen KI-Antwortentwürfe mit Freigabe-Workflows [5][6]. Öffentliche, geprüfte Zahlen zur Verbesserung von Bewertung oder Umsatz sind selten und stammen meist von den Anbietern selbst. Messen Sie daher Ihre eigene Ausgangslage, statt sich auf Richtwerte zu verlassen.

Varianten

• Hotellerie und Gastronomie (Hotels, Restaurants): Tripadvisor, Booking.com, Google; Antworten in vielen Sprachen (siehe LANG-009).
• Gesundheitspraxen (Jameda, Google): Antworten dürfen nie bestätigen, dass die bewertende Person Patient war (Schweigepflicht, DSGVO Art. 9); nur allgemeine, nicht bestätigende Formulierungen. Nur Entwurf, keine Automatisierung.
• Handwerk und Dienstleistungen: Bewertungsanfrage nach Auftragsabschluss, Antworten mit Bezug auf die Leistungskategorie.
• Handel und E-Commerce: Bewertungen auf Marktplätzen und in Shopsystemen; Verweis auf Retoure/Service (siehe AGENT-020).
• Ketten mit mehreren Standorten: zentraler Markenton, lokale Leitungen als Freigebende, Sammelantworten und Dashboards.
• App-Entwickler: Antworten auf App-Store-Bewertungen, mit Verweis auf Release Notes und Fehlertickets.
• Bewertungsanfragen (integrierte Variante): Anfrage per E-Mail/SMS/QR-Code nach dem Besuch an alle Kunden, nicht nur an zufriedene (siehe „Risiken“ zu Review Gating und Anreizen).
• Privatnutzung: selten relevant (z. B. Vermieter, Selbstständige); überwiegend außerhalb des Umfangs.

So funktioniert es

1. Bewertungsquellen (GBP-API, OTA-/Portal-Feeds, App-Stores, E-Mail-Benachrichtigungen)
2. Einlesen + Deduplizierung + Spracherkennung
3. Klassifikation: Stimmung, Themen (Service, Preis, Hygiene, Personal …), Risikomarkierungen (Rechtsdrohung, Gesundheitsbehauptung, namentlich genannte Beschäftigte, Fälschungsverdacht, Diskriminierung)
4. Routing-Regel: unkritisch positiv
5. Entwurf + schnelle Freigabe | negativ/riskant
6. Eskalation an die Inhaberin bzw. den Inhaber
7. Retrieval von Markenstimme, Richtlinien und Geschäftsfakten
8. LLM entwirft Antwort (konkrete Details aus der Bewertung, keine erfundenen Fakten, Kontaktweg außerhalb der Plattform)
9. Leitplanken (keine personenbezogenen Daten, keine Haftungsanerkenntnisse, keine medizinische Bestätigung, Längenbegrenzung)
10. menschliche Freigabe (immer bei 1–3 Sternen und in sensiblen Branchen)
11. Veröffentlichung per API oder Kopieren/Einfügen
12. Protokoll
13. wöchentliche Themenübersicht und interne Tickets

• Entwurf: ein LLM mit einem kurzen Stilleitfaden und 5–20 freigegebenen Beispielantworten; der Zugriff auf Fakten ist wesentlich, damit es keine Erstattungen verspricht oder Erklärungen erfindet.
• Klassifikation: ein kleines LLM oder ein feingetunter Encoder (LANG-012, LANG-013) vergibt Labels für Stimmung, Thema und Risiko.
• Mensch-in-der-Schleife (Human-in-the-Loop): Standard ist die Freigabe vor der Veröffentlichung; automatisch veröffentlicht wird, wenn überhaupt, nur bei eindeutigen 5-Sterne-Bewertungen ohne Freitext. Bei Verdacht auf eine gefälschte Bewertung erfolgt eine Meldung an die Plattform (ANOM-010).

Datenaufbereitung

Die Datenlage ist überwiegend übersichtlich: eingehende Bewertungen (Google Business Profile, OTA- und Portal-APIs, App-Stores), ein Leitfaden zur Markensprache, frühere freigegebene Antworten und Fakten zum Unternehmen wie Öffnungszeiten, Richtlinien und bekannte Vorfälle. In einem KMU liegen diese typischerweise im Kopf der Inhaberin oder des Inhabers, in E-Mails, in einer Word-Datei oder im CRM-/Buchungssystem. Typische Lücken sind ein nicht niedergeschriebener Ton, keine Liste, wer welche Antwort freigeben darf, veraltete Richtlinien, Bewertungen, die sich keinem Besuch zuordnen lassen, und keine Rechtsgrundlage für Bewertungsanfragen.

Schritte der Aufbereitung: - Einen ein- bis zweiseitigen Leitfaden zur Markensprache schreiben, mit fünf bis zehn Musterantworten (auf gute und schlechte Bewertungen) als Beispielen; zur Terminologie siehe PREP-016 und PREP-015. - Eskalationskategorien (Gesundheit, Diskriminierung, rechtliche Drohungen, Erstattungen) und eine Liste der Freigebenden festlegen, siehe PREP-019. - Aktuelle Fakten zum Unternehmen in einem gepflegten Dokument sammeln, damit der Assistent keine Richtlinien erfindet, siehe PREP-013. - Prüfen, welche Plattformen API-Zugang erlauben, und diesen frühzeitig beantragen, da der Zugang je Konto vergeben wird. - Entscheiden, welche Kundendaten mit einer Bewertung verknüpft werden dürfen (Zweckprüfung nach DSGVO, PREP-025).

Aufwandsanteil: etwa 10 bis 20 Prozent des Gesamtaufwands; der Rest entfällt auf die Einrichtung des Werkzeugs und die Freigaberoutine. Änderungen an Entwürfen als Rückmeldung erfassen (PREP-021), um den Ton mit der Zeit zu verbessern. Zur allgemeinen Bereitschaft siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte, in der EU gehostete Reputationsplattformen (z. B. Uberall, ProvenExpert) decken den Standardprozess zu KMU-Preisen ab, mit eingebautem Freigabe-Workflow und Protokoll.
• Großunternehmen: Weg B. Marken mit mehreren Standorten müssen Markenton, CRM-/Buchungskontext und Eskalationsregeln meist in eigene Systeme einbinden; ein orchestrierter Aufbau über APIs bietet mehr Kontrolle als ein Werkzeug mit Lizenz je Nutzer.
• Entwickler: Weg B. Bewertungs-APIs und ein Modell in einer EU-Region sind ein Aufwand von wenigen Tagen; Antworten sind öffentlicher Text, daher bringt der Eigenbetrieb kaum zusätzlichen Schutz.

Weg A — Kaufen (Standardsoftware)

• Bewertungs- und Verzeichnisplattformen mit KI-Antworten: Birdeye (KI-Entwürfe, Eskalation, nach eigener Angabe mehr als 200 Quellen) [5]; Uberall (Berlin, EU; KI-Antwortentwürfe einschließlich Sammelantworten für Marken mit mehreren Standorten) [6]; Yext, Podium, Reputation, Revinate und TrustYou (Hotellerie) sind vergleichbar; ProvenExpert (DE) bündelt Google- und andere Bewertungen in einem Profil mit Benachrichtigungen und Anfragevorlagen, zeigt auf seiner öffentlichen Seite aber keine KI-Entwürfe [7]. Prüfen: welche Portale offiziell angebunden sind, Datenhosting in der EU, AVV, Freigabe-Workflow, Protokoll.
• Native Werkzeuge: Im Google Business Profile selbst können verifizierte Inhaber antworten; die Antworten werden anhand der Inhaltsrichtlinien von Google geprüft [2]; der oben genannte Test mit KI-Entwürfen ist nicht allgemein verfügbar [1].
• Weg A wählen, wenn: weniger als ca. 50 Bewertungen pro Monat und Standort, keine Entwickler, Ergebnisse in Tagen gewünscht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Abruf/Veröffentlichung: Die Reviews-API von Google Business Profile bietet list/get sowie updateReply/deleteReply (Antwort bis 4096 Byte) [3]; der API-Zugang wird je Anwendung und Konto vergeben, planen Sie also Vorlaufzeit ein. Antworten auf Tripadvisor und Booking.com laufen meist über Partner- oder Channel-Manager-Anbindungen; wo es keine API gibt, nutzen Sie E-Mail-Benachrichtigungen und manuelle Veröffentlichung (nicht entgegen den Nutzungsbedingungen scrapen).
• Modelle: jedes aktuelle LLM mittlerer Größe über eine EU-Region oder einen EU-Anbieter (Mistral, Azure OpenAI EU, Anthropic/Google über EU-Endpunkte) mit strukturierter Ausgabe für {Stimmung, Themen, Risiko, Entwurf}. Kleine, günstige Modelle genügen; für negative Bewertungen ein stärkeres Modell einsetzen.
• Orchestrierung: n8n oder Make/Power Automate für das Abfragen, Freigabe per Schaltfläche in E-Mail/Slack/Teams (AGENT-002).
• Weg B wählen, wenn: Sie viele Standorte mit eigenem CRM/PMS betreiben oder individuelle Eskalation brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Instruct-Modelle mit 8–30 Mrd. Parametern genügen, zum Beispiel Mistral Small 4 oder die Ministral-3-Familie (3B/8B/14B), die in der Hugging-Face-Organisation von Mistral aufgeführt ist [8], oder Modelle der Klasse Qwen/Gemma/Llama; Betrieb mit vLLM oder Ollama. Für Risikolabels einen kleinen Klassifikator verwenden.
• Stack: n8n (selbst betrieben), eine Datenbank für das Bewertungsprotokoll, Langfuse oder Ähnliches für die Nachvollziehbarkeit.
• Hardware: HW1 für quantisierte 3–8B-Modelle (CPU/Laptop-NPU) bei den Bewertungsmengen eines KMU; HW2 für 14–30B und mehrsprachige Qualität. Die Motivation ist meist der Datenschutz (Arztpraxen), nicht die Kosten.

Weg D — Eigenes Training

Lohnt sich selten. Ein LoRA-Feintuning auf den wenigen tausend freigegebenen Antworten einer Kette kann den Markenton festschreiben und die Tokenkosten senken, doch Prompting mit Beispielen erreicht meist 90 % des Ergebnisses. Nötig sind geprüfte Antwortpaare und eine Historie von Ablehnen/Annehmen-Labels aus dem Freigabeschritt.

Stand der Technik (2026)

• Qualität der Entwürfe aktueller LLMs ist bei Ton und mehrsprachigen Antworten hoch; die Fehlerbilder sind generische oder formelhafte Antworten (die nach Einschätzung von Kommentatoren das Vertrauen untergraben, besonders bei negativen Bewertungen [1]), erfundene Fakten oder Zusagen (Erstattungen, Ursachen) sowie falscher Umgang mit Sarkasmus oder gemischtsprachigem Text.
• Plattformentwicklung: Google experimentiert mit KI-Entwürfen für Inhaberantworten im Unternehmensprofil [1]; Plattformen werden voraussichtlich mit Drittanbieter-Werkzeugen konkurrieren. Plattformbedingungen und Anti-Spam-Regeln können sich ändern; halten Sie eine manuelle Rückfalllösung bereit.
• Agentischer Betrieb: Die Antwort ist nur der sichtbare Teil; Anbieter bündeln inzwischen Überwachung, Eskalation und Ticketing sowie Zusammenfassungen je Standort [5][6].
• Sichtbarkeitseffekt: Bewertungen und Inhaberantworten fließen auch in die lokale Suche und in Antworten von KI-Assistenten ein; ProvenExpert und andere werben damit [7], aber die Belege für eine ursächliche Wirkung sind dünn.
• Grenzen: Eine gefälschte Bewertung lässt sich allein aus dem Text nicht zuverlässig erkennen (ANOM-010); das Modell kann nicht wissen, was beim Besuch tatsächlich geschah; kulturelle Nuancen in Tourismusmärkten.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (llm-general + text-classifier + workflow-automation): LANG-013 (Analyse von Stimmung und Themen in Bewertungen, NPS) liefert die Analyseebene; LANG-012 für das Routing; LANG-014 für beleidigende Texte.
• Schreib-Stack: LANG-002 (Korrespondenz), LANG-001 und LANG-007 (Inhalte im Markenton, Social-Media-Beiträge), LANG-011 (Umschreiben im Stil), LANG-009 (Übersetzung) — eine Prompt-Bibliothek zum Markenton dient allen.
• Angrenzend: ANOM-010 (verdächtige/gefälschte Bewertungen zur Meldung), LANG-018 (Social Listening über Bewertungsseiten hinaus), CONV-001 und CONV-003 (Chatbot und Buchung, Auslöser für Bewertungsanfragen nach dem Termin), AGENT-002 (Workflow-Engine).
• Hardware: Ein HW1-/HW2-LLM-Server deckt für ein KMU all dies ab; das Entwerfen von Antworten hat geringes Volumen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis Tage; typischerweise ein monatliches Abonnement je Standort.
• Weg B: 2–6 Wochen einschließlich Freigabeablauf; die Modellkosten je Antwort sind im Vergleich zur Arbeitszeit vernachlässigbar.
• Weg C: 3–8 Wochen; vor allem Integrations- und Betriebsaufwand.
• Kennzahlen: Antwortquote und mittlere Antwortzeit, Anteil der vor der Veröffentlichung geänderten Antworten (Entwurfsqualität), Entwicklung der Durchschnittsbewertung und Bewertungsvolumen pro Monat, Anteil negativer Bewertungen mit erledigter Nachverfolgung, abgeschlossene wiederkehrende Beschwerdethemen, Rücklaufquote der Bewertungsanfragen (alle Kunden angefragt).

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsleitung (Budget, Risikobereitschaft bei öffentlichen Aussagen) und die Abteilungsleitung für Marketing oder Service ein, denn sie verantworten Ton und Eskalation. Die Endanwender, also diejenigen, die heute Bewertungen beantworten, sollten den Leitfaden zur Markensprache mitschreiben und Entwürfe in einer vier- bis sechswöchigen Pilotphase an ein bis zwei Standorten testen. Die IT kümmert sich um Kontozugänge und Integrationen; die oder der Datenschutzbeauftragte prüft die Bewertungsanfragen und die Verwendung von Kundendaten und schließt den AVV mit dem Plattformanbieter ab (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Die Antworten selbst überwachen keine Beschäftigten, doch Plattformen protokollieren oft, wer welche Antwort bearbeitet oder freigegeben hat, und Auswertungen können in Bewertungen genannte Beschäftigte benennen; wenn Verhalten oder Leistung der Beschäftigten bewertet werden können, greift § 87 Abs. 1 Nr. 6 BetrVG (BAG: objektive Eignung genügt), und § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse (GUIDE-004). Öffentliche Stellen: Personalrat.

KI-Kompetenz: Unterstützen Sie die Beschäftigten durch eine kurze Schulung zum Prüfen von Entwürfen, zum Ton und zu erfundenen Fakten (GUIDE-006). Typische Sorge: „Der Bot ersetzt mich“ oder „Er sagt öffentlich etwas Falsches“. Begegnen Sie dem, indem die Veröffentlichung zumindest bei negativen Bewertungen unter menschlicher Freigabe bleibt und das Werkzeug als gewonnene Zeit für die persönliche Nachverfolgung dargestellt wird. Kommunizieren Sie offen und benennen Sie KI-Botschafter (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; Art. 4 (KI-Kompetenz) gilt. Art. 50 Transparenz: Antworten der Inhaber sind eigene Kommunikation des Unternehmens, kein Text zur Information der Öffentlichkeit über Angelegenheiten von öffentlichem Interesse, und werden im empfohlenen Ablauf von Menschen freigegeben; dennoch darf kein Bot sich irreführend als Kunde oder „echte Person“ ausgeben, und prüfen Sie nationale Hinweise zur Kennzeichnung KI-generierter Texte, da Art. 50 ab dem 2. August 2026 gilt [4].
• Gefälschte oder gesteuerte Bewertungen (UWG / Omnibus): Anhang Nr. 23b UWG verbietet es, Bewertungen als von echten Kunden stammend darzustellen, ohne angemessen zu prüfen; Nr. 23c verbietet das Abgeben oder Beauftragen gefälschter Bewertungen [9]. Erzeugen Sie niemals Bewertungen, schreiben Sie niemals „Kunden“-Bewertungen mit KI und filtern Sie negative nicht aus einer angezeigten Gesamtwertung heraus. Vermeiden Sie außerdem Review Gating (nur zufriedene Kunden anfragen) und die Bezahlung für positive Bewertungen; die Plattformbedingungen (z. B. von Google) verbieten beides, und Anreize erfordern Sorgfalt.
• DSGVO: Bewertungen und Antworten enthalten personenbezogene Daten (Namen, Besuchsdetails). Rechtsgrundlage ist typischerweise das berechtigte Interesse; wiederholen Sie in öffentlichen Antworten keine Namen, Bestelldetails oder Gesundheitsangaben; ein AVV mit dem Anbieter ist nötig; Hosting in der EU ist vorzuziehen. Bewertungsanfragen per E-Mail/SMS brauchen eine gültige Rechtsgrundlage sowie die Einwilligungsregeln nach § 7 UWG / ePrivacy für werbeähnliche Nachrichten.
• Branchenregeln: Ärzte und Therapeuten unterliegen der Schweigepflicht; bestätigen Sie nie eine Behandlung (siehe Varianten). Arzneimittel und Gesundheitsversprechen fallen unter das HWG; Finanzberater haben zusätzliche Vorgaben zur Finanzwerbung.
• Beleidigung und Haftung: Antworten müssen sachlich bleiben; Schuldeingeständnisse oder Gegenvorwürfe bergen rechtliche Risiken; Bewertungen mit rechtlichen Drohungen an die Rechtsberatung weiterleiten. Löschungsanträge laufen über das rechtliche Melde-/Flagging-Verfahren der Plattform.
• Gegenmaßnahmen: menschliche Freigabe, faktenbasierte Prompts, Liste verbotener Formulierungen, Schwärzung personenbezogener Daten, Protokoll, vierteljährliche Stichprobenkontrolle veröffentlichter Antworten.

Erste Schritte

1. Bewertungsquellen je Standort erfassen und alle Google-Business-Profile-Einträge beanspruchen/verifizieren [2].
2. 20 Ihrer besten bisherigen Antworten sammeln und einen einseitigen Leitfaden zu Ton und Eskalation schreiben (wer gibt was frei).
3. Ein Werkzeug von Weg A oder einen n8n-Ablauf 4 Wochen im reinen Entwurfsmodus pilotieren; Änderungsquote und Antwortzeit verfolgen.
4. Nach jedem abgeschlossenen Auftrag einen Schritt zur Bewertungsanfrage an alle Kunden ergänzen, ohne Gating und ohne Anreize.
5. Die wöchentliche Themenübersicht mit dem Betrieb besprechen und die häufigste wiederkehrende Beschwerde abstellen.

Quellen

1. Search Engine Land — Google Business Profile tests AI replies to reviews (reported in search results, article not retrievable by me; verify) — https://searchengineland.com/google-business-profile-test-reply-to-reviews-with-ai-472167
2. Google Business Profile Help — Read and reply to reviews — https://support.google.com/business/answer/3474050?hl=en
3. Google Business Profile API reference — accounts.locations.reviews — https://developers.google.com/my-business/reference/rest/v4/accounts.locations.reviews
4. Article 50 of the EU AI Act (transparency obligations) — https://artificialintelligenceact.eu/article/50/
5. Birdeye — Review management and AI responses — https://www.birdeye.com/review-management/
6. Uberall — Review management (Berlin) — https://uberall.com
7. ProvenExpert — Review profile and management — https://www.provenexpert.com/en-us/
8. Mistral AI on Hugging Face (Mistral Small 4, Ministral 3) — https://huggingface.co/mistralai
9. UWG Anhang (Nr. 23b, 23c) — https://www.gesetze-im-internet.de/uwg_2004/anhang.html