---
title: "Vom Dialogbaum zum Sprachmodell: Wie LLMs Conversational grundlegend verändert haben – und was daraus folgt"
description: "Integration von LLMs in Conversational AI: Optimierung von Intent-Erkennung, Antwortgenerierung und Herausforderungen im Wissensmanagement."
canonical_url: "https://www.shiftcx.de/mediathek/asset/vom-dialogbaum-zum-sprachmodell-wie-llms-conversational-grundlegend-veraendert-haben-und-was-daraus-folgt.html"
published: "2025-11-30"
updated: "2026-04-29"
language: "de"
content_type: "VideoObject"
publisher: ""
---

# Vom Dialogbaum zum Sprachmodell: Wie LLMs Conversational grundlegend verändert haben – und was daraus folgt

**Aufgezeichnet am:** 12.03.2026
**Dauer:** 30 Min.

## Sprecher
- [Björn Negelmann](/experten/bjoern-negelmann.html) — Head of Content & Conferences, Kongress Media
- [Dr. Maximilian Panzner](/experten/dr-maximilian-panzner.html) — CTO & Co-Founder, Mercury.ai
- [Dr. Michael Patrushev](/experten/dr-michael-patrushev.html) — Co-Founder, CTO & Investor, AICONIQ Group

Integration von LLMs in Conversational AI: Optimierung von Intent-Erkennung, Antwortgenerierung und Herausforderungen im Wissensmanagement.

In der Panel-Diskussion der Shift/CX Konferenzwoche 2026 beleuchten Dr. Michael Patrushev und Dr. Maximilian Panzner die transformative Rolle großer Sprachmodelle (LLMs) in der Conversational AI. Der Austausch fokussiert auf die Integration von LLMs in bestehende Systeme, die Optimierung der Intent-Erkennung und Antwortgenerierung sowie die Herausforderungen bei der Datenvalidierung und im Wissensmanagement. Die Diskussion bietet einen tiefen Einblick in die technischen Architekturen und die Auswirkungen auf Teamstrukturen und Governance, wobei die Experten unterschiedliche Ansätze und Perspektiven zur Nutzung von LLMs in B2B-SaaS- und Technologieunternehmen präsentieren.

Die Experten diskutieren, wie LLMs eine tiefere Intent-Erkennung und empathische Antwortgenerierung ermöglichen, jedoch nicht alle klassischen Modelle ersetzen. Panzner betont die Bedeutung eines symbolischen, faktisch geprüften Zwischenschritts, um die Antwortgenauigkeit zu erhöhen, während Patrushev auf die Notwendigkeit von Guard Rails hinweist, um die Antwortqualität in regulierten Branchen sicherzustellen. Beide sehen die Notwendigkeit, spezialisierte Modelle und hybride Architekturen zu nutzen, um Effizienz und Wirtschaftlichkeit zu gewährleisten. Die Panelisten empfehlen, die Verantwortung für Wissensmanagement und Governance stärker in die Fachabteilungen zu verlagern und die Datenbasis iterativ zu verbessern, um die Leistungsfähigkeit von Conversational AI zu steigern.

## Kernaussagen
- LLMs ermöglichen eine tiefere Intent-Erkennung und empathische Antwortgenerierung, ersetzen jedoch nicht alle klassischen Modelle.
- Die Kombination von LLMs mit symbolischen und faktisch geprüften Zwischenschritten erhöht die Antwortgenauigkeit und minimiert Risiken.
- Fine-Tuning von LLMs ist kostenintensiv und oft nur bei großen Datenmengen sinnvoll; alternative Techniken können effizienter sein.
- Die Qualität der Wissensbasis ist entscheidend für die Leistungsfähigkeit von Conversational AI, auch wenn Daten oft unvollständig sind.
- Zukünftige Conversational Design Teams benötigen weniger IT-Ressourcen und mehr domänenspezifische Verantwortliche für Wissenskuratierung und Governance.

## Zitat
> Wir müssen nicht immer den Vierzigtonner ausparken, um eine Kugel Eis zu kaufen. Große Sprachmodelle sind oft überdimensioniert für spezifische Aufgaben. – Dr. Maximilian Panzner



Fine Tuning lohnt sich nur, wenn man sehr viele Daten hat. Bei kleinen und mittelständischen Unternehmen macht es selten Sinn. – Dr. Michael Patruschew