Shorin-Ryu Seibukan Karate-Union Deutschland e.V.

Eine Vereins-Website wächst über Jahre: Techniken, Kata, Geschichte, Dojos quer durch Deutschland, Seminare, Prüfungsregularien, Schwarzgurt-Register, Vorstandsstruktur. Wer als Besucher etwas Konkretes wissen will — „Welches Dojo liegt am nächsten an meiner PLZ?", „Wann ist das nächste Seminar in meiner Region?", „Wer prüft Karate-Dan-Grade?", „Wie bekomme ich Prüfungsmarken?" — landet im Menü und scrollt. Oder schreibt eine Mail und wartet.

Der Effekt: Besucher, die unterwegs aufgeben — und Vorstandsmitglieder, die dieselben fünf Fragen Woche für Woche schriftlich beantworten. Der Inhalt wäre auf der Website vorhanden. Er findet nur den Weg zum Suchenden nicht zuverlässig.

Eine Stichwortsuche reicht hier nicht: Wer „Lehrgang Köln" tippt, will nicht eine Liste mit dem Wort „Lehrgang" — sondern eine Antwort, ob nächsten Monat in seiner Region etwas stattfindet, mit Datum, Ort und Buchungslink.

Eine schmale Seitenleiste mit einer Karate-Cat als KI-Gesprächspartnerin — angeschlossen an die echten Inhalte der Website, mit Live-Streaming der Antworten und einer klaren Trennung zwischen „Modellwissen" und „Hausdaten": Wo es um konkrete Dojos, Seminare, Prüfer oder Verbandsstrukturen geht, muss die KI in den eigenen Datenbestand schauen — Spekulieren ist per System-Prompt ausgeschlossen.

Der Ablauf

1. Einstieg per Badge — Auf jeder Seite hängt rechts mittig ein dezentes „Unsere Karate-Cat fragen"-Badge. Ein Klick — die Seitenleiste fährt von rechts ein, dieselbe sanfte Bewegung wie die bestehende Suche, ohne Vollbild-Übernahme.
2. Frage stellen, in natürlichem Deutsch — Keine Befehlssyntax, keine Filter-Maske. „Wo finde ich nächsten Monat einen Lehrgang in der Nähe von 50667?" reicht.
3. Die KI entscheidet, wo sie nachschlägt — Geht es um eine Liste von Dojos? Dann das Tool get_dojos. Um Seminare in der Nähe einer Postleitzahl? get_seminars_near_my_zip. Um Verbandsstrukturen, Vorstand, Konto? get_union. Um Prüfer einer Kategorie? get_examiners_by_category. Geht es um eine Erklärung, die irgendwo auf den Inhaltsseiten steht? Eine semantische Suche über die Vektor-Datenbank findet die passenden Seiten — auch dann, wenn die Frage anders formuliert ist als der Text auf der Seite.
4. Antwort fließt mit, während sie entsteht — SignalR streamt die Antwort wortweise in die Seitenleiste, statt am Ende einen Block zu zeigen. Wer schon nach drei Sätzen genug weiß, muss nicht warten.
5. Postleitzahl macht Antworten persönlich — Tippt der Nutzer seine PLZ ein, kommen Dojo- und Seminartreffer mit Kilometer-Distanz zurück, sortiert nach Nähe. Die Karate-Cat weist von sich aus auf diese Möglichkeit hin, statt sie unsichtbar zu lassen.
6. Folgefragen behalten den Faden — Pro Verbindung wird der Gesprächsverlauf gehalten. „Und der davor?", „Geht das auch in München?" funktionieren ohne erneutes Aufrollen des Kontexts.

Inhalte werden indiziert, nicht ins Modell trainiert

Die Inhalte der Website werden automatisch in eine Vektor-Datenbank überführt. Ändert sich eine Seite im CMS, ändert sich auch das, was die Karate-Cat findet — ohne dass jemand ein Modell nachtrainieren oder einen Prompt anfassen muss. Der Inhalt bleibt dort, wo er hingehört: in der Redaktion. Das Modell weiß nichts „auswendig" über Vereinsinterna — es findet sie über Werkzeuge.

Der Anbieter ist eine Konfigurationsfrage

Das Sprachmodell hängt an einer Schnittstelle, nicht an einem Anbieter. OpenAI, Azure OpenAI oder ein lokal auf eigener Hardware laufendes Modell über Ollama sind eine Einstellung — kein Code-Umbau. Damit bleibt die Wahl zwischen Cloud-Komfort und On-Premise-Kontrolle eine Entscheidung, die später revidiert werden kann.

Ein zweiter Server für die Wissensanbindung

Parallel zur Website läuft ein eigener kleiner MCP-Server, der die Werkzeuge zur Wissensabfrage bereitstellt. Aspire orchestriert beide Prozesse gemeinsam beim Start. Nach außen sichtbar ist davon nichts — die Trennung sorgt aber dafür, dass die Wissens-Werkzeuge auch von anderen KI-Anwendungen genutzt werden können, ohne die Website-Anwendung anzufassen.

System-Prompt als Leitplanke

Ein deutschsprachiger System-Prompt schreibt der KI vor, was sie zuerst zu tun hat: bei jeder Frage erst die Werkzeuge nutzen, dann antworten. Bei Fragen, die nicht aus den Hausdaten zu beantworten sind, ehrlich sagen, dass sie es nicht weiß — und auf den richtigen Ansprechpartner verweisen. Persönlichkeit: freundlich, fachkundig, respektvoll gegenüber der Karate-Tradition.

• Aus „irgendwo auf der Website" wird „direkt im Sichtfeld". Die Antwort steht in der Seitenleiste, nicht drei Klicks tiefer im Menü.
• Halluzinationen werden strukturell verhindert. Konkrete Aussagen über Dojos, Seminare, Prüfer und Verband kommen aus den eigenen Daten — nicht aus dem Sprachmodell-Bauchgefühl.
• Geo-Bezug ohne Kartenklick. PLZ tippen reicht — das nächste Dojo, das nächste Seminar, sortiert nach Distanz.
• CMS-Pflege wirkt im Chat, ohne Extra-Schritt. Was die Redaktion auf einer Seite ändert, findet die Karate-Cat beim nächsten Indexlauf — ohne erneutes Anlernen.
• Der Vorstand bekommt Luft. Standard-Fragen beantwortet die Karate-Cat. Nur das, was wirklich Beratung braucht, landet noch im Postfach.
• Das Sprachmodell ist austauschbar. Wer morgen aus regulatorischen oder Kostengründen den Anbieter wechseln will, ändert eine Konfiguration — keinen Code.

• Buchungen und Anmeldungen. Die Karate-Cat führt zur Seminar- oder Shop-Seite, sie nimmt keine Buchung selbst entgegen. Verbindliche Vorgänge bleiben dort, wo Identität und Bezahlung geklärt werden.
• Verbindliche Aussagen zu Prüfungsregularien. Bei kritischen Themen verweist die Karate-Cat auf den FAQ-Bereich und den Verband. Eine Prüfungsordnung wird nicht „interpretiert", sondern verlinkt.
• Persönliche Beratung. Wer eine echte Trainingsempfehlung sucht, wird zum richtigen Dojo geführt — nicht von der KI „beraten". Die Cat öffnet die Tür, hinter der Tür steht der Mensch.
• Inhalte ändern. Die Karate-Cat liest die Website. Sie schreibt nicht zurück. Was im CMS steht, bleibt Sache der Redaktion.

Der Aufbau funktioniert überall dort, wo eine inhaltsreiche Website wiederkehrende Besucher-Fragen erzeugt — und wo es nicht reicht, einen generischen Chatbot vor das Modell zu hängen, weil die Antworten aus dem eigenen Datenbestand kommen müssen: Verbände und Vereine, Mehrstandort-Anbieter (Praxisketten, Bildungsträger, Filialnetze), Kommunen mit Bürgerservice, Hochschulen mit Studienberatung, mittelständische Hersteller mit komplexen Produktportfolios.

Das Muster: Website-Inhalte → automatische Indizierung in eine Vektor-Datenbank → fachspezifische Werkzeuge für strukturierte Daten → austauschbares Sprachmodell mit klarem System-Prompt → Streaming-Sidebar in der eigenen Seite.

Die KI macht aus Sprache eine Anfrage und aus einer Antwort wieder Sprache. Das Wissen bleibt im Haus — in den Seiten, die ohnehin gepflegt werden. Die Verantwortung für Inhalt und Korrektheit bleibt bei der Redaktion, dort, wo sie hingehört.