Gradient Labs: was es ist, wie Otto funktioniert und für wen es sich eignet

Was Gradient Labs ist

Die meisten KI-Support-Tools sind horizontal. Sie setzen sich auf einen beliebigen Helpdesk, beantworten Fragen aus einer Wissensdatenbank und wollen die einfachen Fälle abfangen. Gradient Labs ist den anderen Weg gegangen. Es ist vertikal und tiefgehend: KI-native Kundenservice-Operationen für Finanzdienstleister, mit einem Slogan, der die ganze Strategie verrät: "we handle what others hand off." (wir übernehmen, was andere abgeben.)

Das Unternehmen wurde 2023 in London von drei ehemaligen Monzo-Mitarbeitern gegründet: Dimitri Masin, der dort Data und ML leitete, zusammen mit Neal Lathia und Chief Scientist Danai Antoniou. Diese Herkunft ist wichtig. Sie haben jahrelang versucht, Bank-Support von innen heraus zu automatisieren, und Gradient Labs gebaut, um genau das zu schaffen, was ihnen bei Monzo nicht ganz gelungen ist. Wie Masin es in einem Unite.AI-Interview ausdrückte: "we weren't building co-pilots, we were building end-to-end automation of customer support." (wir haben keine Co-Piloten gebaut, wir haben End-to-End-Automatisierung des Kundenservice gebaut.)

Investoren stehen hinter dieser These. Das Unternehmen sammelte eine 26-Millionen-Dollar-Series-A ein, die Mitte 2025 mit 13 Millionen Dollar unter Führung von Redpoint startete und sich um Juni 2026 mit weiteren 13 Millionen Dollar unter Führung von Octopus Ventures und CommerzVentures verdoppelte. Gradient Labs gibt an, dass seine Agenten inzwischen mehr als 32 Millionen Endnutzer erreichen, bei einem Umsatzwachstum von rund dem 10-Fachen im Jahresvergleich.

Dieser Screenshot fasst die Persönlichkeit des Produkts gut zusammen. Links steht eine schriftliche Prozedur ("fraud impersonation callback") mit nummerierten Schritten, die der Agent befolgen muss; rechts läuft ein Live-Call, bei dem der Agent die Identität verifiziert und einen Bestätigungscode verschickt. Das ist kein Chatbot, der FAQs beantwortet. Das ist ein Agent, der einen regulierten Prozess ausführt.

Wie Otto wirklich funktioniert

Das ist der Teil, den ich wirklich interessant finde, weil hier die meisten "KI-Agent"-Produkte dünn werden und Gradient Labs nicht.

Unter der Haube ist Otto als State Machine aufgebaut: Ein zentraler Reasoning-Agent orchestriert eine Reihe spezialisierter Skills, und ein Fall kann zwischen Workflows wechseln, ohne den Kontext zu verlieren. Manche Zustände sind deterministisch (mach genau das), andere sind agentisch (überlege, was als Nächstes zu tun ist). Es ist ein hybrides Multi-Modell-System, das größere Modelle für die schwierigen Reasoning-Schritte nutzt und kleinere, schnellere Modelle für die deterministischen Schritte, wobei es auf die neuesten Modelle von OpenAI, Anthropic und Google zurückgreift, statt auf einen einzigen Anbieter zu setzen.

Zwei Design-Entscheidungen stechen hervor.

Erstens: Es wird auf deinen SOPs und deinen besten Mitarbeitern trainiert, nicht nur auf deinem Help Center. Gradient Labs vertritt die These, aus meiner Erfahrung zu Recht, dass deine Wissensdatenbank allein nicht ausreicht; das eigentliche Know-how steckt darin, wie deine besten Leute schwierige Gespräche führen. Du verfasst Prozeduren in einfacher Sprache, was so nah an "Support-Automatisierung durch das Schreiben eines Dokuments" herankommt, wie es bisher irgendjemand geschafft hat.

Zweitens: Es denkt nach und handelt, es antwortet nicht nur. Wenn sich ein Kunde meldet, erinnert sich Otto an vergangene Gespräche und erledigt die eigentliche Arbeit, um das Problem zu lösen: eine verlorene Karte sperren, eine fehlende Zahlung aufspüren, einen Chargeback beim Kartennetzwerk einreichen. Das ist der Unterschied zwischen Abwimmeln und Lösen, und genau diese Grenze zieht Gradient Labs immer wieder. Wenn du den Hintergrund dazu willst, warum diese Unterscheidung wichtig ist: Wir haben separat über die Lücke zwischen einem KI-Agenten und einem regelbasierten Chatbot geschrieben.

Es gibt einen echten Trade-off, bei dem Masin erfrischend ehrlich ist: Der Agent ist langsamer, weil er mehr nachdenkt. "Our median response time might be 15-20 seconds," sagte er gegenüber Unite.AI, "but for financial institutions, that's a fair trade." (Unsere mittlere Antwortzeit liegt vielleicht bei 15 bis 20 Sekunden, aber für Finanzinstitute ist das ein fairer Tausch.) Für eine Bank schlägt eine richtige Antwort in 20 Sekunden eine falsche in zwei. Für einen ungeduldigen Ecommerce-Käufer vielleicht nicht.

Die Spezialagenten

Statt eines einzigen Allround-Bots liefert Gradient Labs eine ganze Suite von Agenten, jeder auf einen Finance-Workflow zugeschnitten und mit eigenen Live-Statistiken.

Die Reihe deckt genau die Momente ab, die ein Finance-Team wirklich Geld und Risiko kosten:

• Kundenservice löst Anliegen über Chat, E-Mail und Sprache.
• Reklamationen sammelt und prüft Beweise, entscheidet über einen Ausgang, eskaliert zur Freigabe an einen Menschen und reicht den Chargeback ein.
• KYC und KYB prüft Dokumente gegen die Richtlinien, fordert Fehlendes an und verifiziert einen Kunden oder ein Unternehmen vor dem Onboarding.
• Inkasso kontaktiert säumige Kreditnehmer zum richtigen Zeitpunkt, personalisiert anhand der Kontohistorie und sichert eine Zahlungszusage, auch über KI-Sprache.
• Der neuere Kreditvergabe-Agent automatisiert die gesamte Kreditnehmer-Journey, von der Antragstellung bis zum Inkasso.

Jeder von ihnen leistet echte Backoffice-Arbeit, nicht nur First-Line-Chat. Das ist selten und das stärkste Argument für das Produkt.

Guardrails und Compliance

Wenn du Support in der Finanzbranche automatisierst, entscheidet dieser Abschnitt über den Kauf, und genau hier hat Gradient Labs sichtlich am meisten Aufwand investiert.

Otto lässt bei jedem einzelnen Gesprächsschritt mehr als 20 branchenspezifische Guardrails laufen. Sie prüfen zum Beispiel auf Finanzberatungs-Erkennung, Vulnerabilitätssignale bei Kunden, Beschwerden, Prompt Injection und Versuche, die Identitätsprüfung zu umgehen, und halten das Gespräch innerhalb der festgelegten Prozedur.

Auf der Compliance-Seite ist es vorkonfiguriert für FCA Consumer Duty, CONC, Reg E, Reg Z, PSD2, DSGVO und den EU AI Act, mit automatisierter QA für Gespräche. Es ist SOC 2 Type 2 zertifiziert mit SSO, Audit-Logs und rollenbasierten Berechtigungen.

Chief Scientist Danai Antoniou brachte es in der OpenAI-Case-Study gut auf den Punkt: "you have to architect from the ground up for no hallucinations. That needs to be the guiding principle as you're building." (man muss von Grund auf für keine Halluzinationen architektieren, das muss beim Bauen das Leitprinzip sein.) In der Finanzbranche, fügte sie hinzu, ist der Unterschied zwischen einem gelösten Call und einem übersehenen Signal "the difference between resolving a call and creating a compliance incident." (der Unterschied zwischen einem gelösten Call und einem Compliance-Vorfall.) Die Angst, dass eine KI selbstbewusst eine falsche Antwort gibt, ist der mit Abstand größte Einwand, den ich von regulierten Teams höre, und die Kontrolle von Halluzinationen im Support ist hier wirklich der ganze Kern der Sache.

Ask a Human hält einen Menschen im Loop

Gradient Labs' Antwort auf die Frage "was ist mit den Fällen, die die KI nicht allein entscheiden sollte" ist ein Feature namens Ask a Human. Der Agent chattet mit dem Kunden weiter, während ein menschlicher Reviewer im Hintergrund den heiklen Teil bearbeitet, sodass es keine Warteschlange, keinen zweiten Thread und keine Wiederholung für den Kunden gibt.

Ein schönes Beispiel: Bei einer angefochtenen Transaktion über einem festgelegten Schwellenwert (sagen wir 1.000 Pfund) verlangt die Richtlinie eine menschliche Prüfung. Der Agent verifiziert das Konto, bestätigt die Belastung, fragt, warum sie angefochten wird, leitet dann eine Zusammenfassung über Slack an einen Reviewer weiter, sagt dem Kunden, dass sich ein Kollege darum kümmert, und hält das Gespräch am Laufen, bis der Mensch zustimmt. Das ist ein cleveres Design im Vergleich zur üblichen Eskalation, bei der "die KI aufgibt und dich in eine Warteschlange abschiebt", und die Ergebnisse untermauern das.

Der britische Versicherer Zego mit rund 150.000 aktiven Kunden berichtet, dass Ask a Human die menschliche Bearbeitungszeit von 12 Minuten auf gut 3 Minuten gesenkt hat, ein Rückgang von mehr als 70 Prozent, während der CSAT gestiegen ist.

Sprache und Kanäle

Ein Punkt, der Gradient Labs wirklich abhebt, ist der produktive Einsatz von KI-Sprache im großen Maßstab, nicht nur Text. Otto erledigt Chat, E-Mail und Sprache als ein einziger Agent über alle Kanäle hinweg.

Der Beleg dafür ist SteadyPay, das rund 33.000 KI-Sprachanrufe pro Monat für ausgehendes Inkasso durchführt, mit einer Erfolgsquote von etwa 60 Prozent bei erreichten Kunden. Sprache in diesem Volumen innerhalb eines regulierten Workflows ist schwer, und die meisten "KI-Agenten"-Anbieter versuchen es gar nicht erst.

Preise: ergebnisbasiert, aber du musst anrufen

Hier die ehrliche Version: Gradient Labs veröffentlicht überhaupt keinen Preis. Die Preisseite ist ein Lead-Formular. Was es veröffentlicht, ist das Modell, und das Modell ist interessant.

Aus den eigenen FAQ des Unternehmens: Es gibt "a simple outcomes based pricing model without platform fees, where you pay only for successful query resolutions." (ein einfaches ergebnisbasiertes Preismodell ohne Plattformgebühren, bei dem du nur für erfolgreich gelöste Anfragen zahlst.) Keine Gebühr pro Sitzplatz, keine Gebühr pro Gespräch, kein Basis-Abo. Du zahlst, wenn Otto tatsächlich etwas löst.

Masin ist deutlich, warum das so ist, wie er gegenüber The Register sagte: "if we don't resolve the issue and you still need to get your human team involved, then you don't need to pay us." (wenn wir das Problem nicht lösen und du trotzdem dein menschliches Team einschalten musst, musst du uns nicht bezahlen.) Er hat auch direkt gegen Pro-Gespräch-Preise geschossen und argumentiert, dass eine Pauschalgebühr pro Chat "doesn't create any incentive" (keinen Anreiz schafft) für den Anbieter, den Agenten besser zu machen. Ich finde, er hat recht mit dem Anreiz-Argument, und ergebnisbasierte Preise sind wirklich käuferfreundlich, wenn die Werteinheit klar ist.

Hier ist, was öffentlich ist und was nicht:

Was du abwägen musst, sind die Gesamtkosten gegen die Geschwindigkeit des Starts. Ergebnisbasierte Preise sind attraktiv, aber "mit dem Vertrieb sprechen, ein Projekt scopen, Daten integrieren" ist ein monatelanger Prozess, kein Nachmittagsprojekt. Wenn du die umfassendere Rechnung zu KI-Agent gegen menschlichen Agenten Kosten verstehen willst, bevor du überhaupt ein Verkaufsgespräch führst, lohnt es sich, das vorher zu lesen.

Ist Gradient Labs das Richtige für dich?

Die Passungsfrage ist hier ungewöhnlich binär, also habe ich einen schnellen Weg gebaut, um zu checken, wo du landest. Wähl die Zeile, die am ehesten zu dir passt.

Was echte Kunden sagen

Ich will bei den Belegen hier ehrlich sein. Es gibt noch keine echte unabhängige Bewertungsplattform für Gradient Labs: keine G2- oder Capterra-Scores, keine Reddit-Diskussionen. Der Capterra-Eintrag existiert, enthält aber keine Bewertungen. Die Zahlen unten stammen also vom Anbieter selbst oder aus Partner-Case-Studies, und du solltest sie entsprechend einordnen: stark, aber nicht unabhängig geprüft.

Trotzdem sind die anbietereigenen Belege konkret, was ich mehr respektiere als runde Marketingzahlen:

• Pockit berichtet von einer Lösungsrate von 70 % und 80 % CSAT, mit dem erklärten Ziel einer 100-prozentigen Automatisierung.
• Plum erreichte einen QA-Score von 98,6 % und war in rund 30 Minuten eingerichtet, ganz ohne Entwicklungsaufwand.
• Morse (Sling Money) verzeichnete während eines Wachstumsschubs eine Lösungsrate von 50 % bereits am ersten Tag.

"Otto, Gradient Labs' AI agent, has been a game-changer for us. With a 98% CSAT, it delivers superb customer experiences. We especially value how closely Otto matches our tone of voice." (Otto, der KI-Agent von Gradient Labs, war für uns ein Gamechanger. Mit 98 % CSAT liefert er hervorragende Kundenerlebnisse. Besonders schätzen wir, wie genau Otto unseren Tonfall trifft.)

MC Glover, VP of Strategy & Operations, via Gradient Labs

Die Reaktionen der Endkunden, die Gradient Labs zitiert, sind der eigentliche Beweis. Ein Plum-Kunde schrieb: "are you virtual? I thought you were a human," (bist du virtuell? Ich dachte, du wärst ein Mensch.) und ein Morse-Kunde sagte: "I did actually think you were a person for the whole conversation." (Ich dachte während des ganzen Gesprächs wirklich, du wärst eine Person.) Wenn Kunden das nicht erkennen können, ist das die Messlatte.

Wo Gradient Labs passt, und wo nicht

Lass mich klar sein, denn ich halte Gradient Labs für ein wirklich gutes Produkt, das die meisten Teams trotzdem nicht kaufen sollten.

Wenn du Kundenservice-Operationen bei einer Bank, einem Kreditgeber, einer Neobank oder einem Versicherer leitest, ist das eines der ernsthaftesten Tools auf dem Markt. Die Tiefe bei Reklamationen, KYC, Inkasso und Kreditvergabe, die Guardrails pro Gesprächsschritt, die SOC-2- und FCA-Abdeckung sowie echte Sprache im großen Maßstab ergeben zusammen etwas, das ein universeller Agent nicht erreichen kann. Die ergebnisbasierten Preise sind käuferfreundlich, und das Team hat dieses Problem sichtlich selbst durchlebt, was die übliche Frage nach Bauen oder Kaufen leicht zu ihren Gunsten beantwortet.

Bist du jemand anders, arbeitet genau dieser Fokus gegen dich. Die Compliance-Maschinerie ist Overhead, den du nicht nutzt, es gibt keinen öffentlichen Preis, keine kostenlose Testversion, und um zu den guten Lösungsraten zu kommen, brauchst du ein gescoptes Projekt mit dem Anbieter. Das ist ein passabler Weg für einen Enterprise-Finance-Käufer und ein langsamer für ein 12-köpfiges SaaS- oder Ecommerce-Team, das einfach nur Tier-1-Abwimmeln noch in diesem Quartal erledigt haben will.

Der tiefere Punkt ist, dass es gerade zwei Wege gibt, KI für Support einzukaufen. Der eine ist vertikal und Enterprise: ein Tool wählen, das genau für deine Branche gebaut ist, mit dem Vertrieb sprechen und ein Projekt durchführen. Der andere ist horizontal und Self-Service: einen Agenten auf den Helpdesk aufsetzen, den du bereits nutzt, ihn auf deinen eigenen Tickets trainieren und einschalten. Gradient Labs ist das bekannteste Beispiel für den ersten Weg. Der zweite ist da, wo die meisten Teams tatsächlich leben.

Probiere eesel, wenn du nicht in der Finanzbranche bist

Wenn du den Fit-Checker oben durchgeklickt hast und bei "nicht Finance" gelandet bist, ist das hier der Teil für dich. eesel ist die horizontale Version der Idee, die Gradient Labs im Banking bewiesen hat: ein KI-Agent, der echte Tickets löst, nur eben gebaut, um sich auf den Helpdesk aufzusetzen, den du bereits betreibst.

Die Unterschiede sind genau die, die zählen, wenn du keine Bank bist. eesel funktioniert wie ein neuer Mitarbeiter, der sich in wenigen Minuten in Zendesk oder Freshdesk einklinkt, auf deinen vergangenen Tickets und deinem Help Center trainiert, sodass es sich von Tag eins an wie dein Team anhört, und dich gegen Tausende historische Tickets simulieren lässt, bevor auch nur eine Antwort an einen Kunden geht. Die Preise sind öffentlich und nutzungsbasiert, eine Pauschalgebühr pro KI-Interaktion ohne Aufschlag pro Lösung und ohne Gebühr pro Sitzplatz, sodass du die Kostenrechnung selbst machen kannst, bevor du überhaupt einen Call buchst. Und weil die größte Sorge immer ist, dass eine KI antwortet, wenn sie es nicht sollte, kontrollierst du genau, welche Tickets sie bearbeitet, und leitest den Rest an einen Menschen weiter, was der Vertrauens- und Kontroll-Hebel ist, nach dem die meisten Teams zuerst fragen.

Der Beweis zeigt sich schnell, genau weil es kein gescoptes Projekt zum Abwarten gibt. Wie Kim Simpson bei Gridwise es ausdrückte: "in the first month, eesel is resolving 73% of our tier 1 requests," (im ersten Monat löst eesel 73 % unserer Tier-1-Anfragen) nachdem sie während einer 7-tägigen Testphase Ergebnisse gesehen hatten. Du kannst eesel kostenlos testen und noch heute dieselbe Simulation mit deinen eigenen Tickets durchführen.