Gradient Labs vs Lorikeet: Welcher KI-Support-Agent gewinnt 2026?

Gradient Labs vs Lorikeet im Überblick

Hier die Kurzfassung, bevor wir auf jeden einzelnen eingehen. Die rechte Spalte ist eesel, als Referenzpunkt für „in Ihr bestehendes Helpdesk einbinden“ und nicht als gleichwertiger Enterprise-Build.

Was Gradient Labs ist

Gradient Labs baut einen KI-Agenten namens Otto, der auf genau einen Markt zielt: regulierte Finanzdienstleistungen. Nicht „Support allgemein mit einer Finanz-Fallstudie“, sondern Banken, Neobanken, Kreditgeber und Versicherer als das gesamte Produkt. Die Gründer kommen von Monzo: Dimitri Masin leitete das über 100-köpfige Datenteam, und Neal Lathia baute die ML-Infrastruktur von Monzo auf. Dieses Erbe zeigt sich überall im Produkt.

Das Versprechen lautet „Wir übernehmen, was andere abgeben“: vollständige Lösung statt Abwehr. Wenn sich ein Kunde meldet, erinnert sich Otto an frühere Gespräche und führt echte Aktionen aus, um das Anliegen abzuschließen, etwa eine verlorene Karte sperren oder eine fehlende Zahlung nachverfolgen, statt einen Hilfeartikel anzuzeigen. Sie verfassen Prozeduren in einfacher Sprache, und der Agent trainiert auf Ihren SOPs und den echten Gesprächen Ihrer besten menschlichen Mitarbeitenden, nicht nur auf der Wissensdatenbank.

Was Gradient Labs auszeichnet, ist die Tiefe der Vertikale. Statt eines horizontalen Chatbots liefert es spezialisierte Agenten für Kundenservice, Streitfälle, KYB, Inkasso, Versicherungsansprüche und Kreditvergabe. Ein Streitfall-Agent sammelt und prüft Belege, entscheidet über das Ergebnis, eskaliert zur Freigabe an einen Menschen und reicht dann die Rückbuchung beim Kartennetzwerk ein. Das ist schwierige, regulierte Arbeit, und genau das fasst ein allgemeiner Helpdesk-Bot nie an.

Die von Gradient veröffentlichten Zahlen sind stark, mit dem üblichen Vorbehalt, dass es Herstellerangaben sind. Genannt werden eine Spitzen-Lösungsquote von 80 bis 90 %, 98 % CSAT in einigen Einsätzen und 32 Mio. erreichte Endnutzer über alle Kunden hinweg. In der OpenAI-Fallstudie heißt es, die meisten Einsätze würden „mit über 50 % Lösungsquote am ersten Tag starten, selbst bei komplexen Workflows wie Streitfällen“. Zu den genannten Kunden zählen Pockit (70 % Lösungsquote) und SteadyPay (33.000 KI-Sprachanrufe pro Monat).

Das Unternehmen hat eine Series A über 26 Mio. $ eingesammelt (angeführt von Octopus Ventures und CommerzVentures, gefolgt von Redpoint) und berichtet von rund zehnfachem Umsatzwachstum im Jahresvergleich. Es ist ein junges, fokussiertes Unternehmen, das alles auf eine einzige Vertikale setzt.

Was Lorikeet ist

Lorikeet bezeichnet sich als „AI Customer Concierge für komplexe Unternehmen“, und sein Zielmarkt ist etwas breiter: ambitionierte Fintechs und Healthtechs. Gegründet wurde es in Sydney von Steve Hind (zuvor Produkt bei Stripe und Watershed) und Jamie Hall, einem früheren Forschungsleiter bei Google Brain, der als Autor im LaMDA-Paper genannt wird. Es hat in rund zehn Monaten etwa 75 Mio. $ in drei Runden eingesammelt, mit Geldgebern wie QED, Blackbird und Square Peg.

Wie bei Gradient liegt Lorikeets ganzer Sinn darin, dass es Aktionen ausführt. Es zielt ausdrücklich auf „die schwierigsten 20 % der Tickets, die 80 % Ihres Support-Aufwands verursachen“, also jene, bei denen Daten nachgeschlagen, etwas in Ihren Systemen ausgeführt und eine echte Entscheidung getroffen werden muss. Weiter geht es mit einem Konzept namens Outcomes: Statt eines generischen „Schließen“ oder „Eskalieren“ definieren Sie benannte, bedeutungsvolle Wege, wie ein Gespräch enden kann, und jedes Outcome löst jedes Mal sein eigenes Bündel von Aktionen in fester, deterministischer Reihenfolge aus.

Das Zweite, worauf Lorikeet setzt, ist ein separater Ops-Agent namens Coach. Coach ist das interne Gegenstück zum kundenseitigen Concierge: Er beobachtet Gespräche, gruppiert Kontaktgründe, erkennt einen CSAT-Rückgang, der an einen bestimmten Workflow gebunden ist, und schlägt dann die Lösung vor und setzt sie (mit Ihrer Zustimmung) um. Er ist in Slack, Claude, ChatGPT oder über MCP erreichbar.

Lorikeets Kundenreferenzen sind breit. Carmoola steigerte die Lösungsquote von 30 % auf 60 % der Gespräche durchgängig, Linktree senkte die erste Antwortzeit auf etwa eine Minute, und Eucalyptus, ein Healthtech, bewältigte das Dreifache an Tickets bei zehn Punkten mehr CSAT. Die Healthtech-Logos verraten, dass Lorikeet anders als Gradient kein reines Finanzprodukt ist.

Eine ehrliche Anmerkung zur Stimmung: Unabhängige Bewertungen beider Produkte sind dünn gesät. Die einzige überprüfbare öffentliche Beschwerde, die ich fand, ist eine 1-Sterne-Bewertung auf Trustpilot von einem Endnutzer, der im Onboarding von Airwallex auf Lorikeet traf und nicht an einen Menschen weitergeleitet wurde. Es ist ein einzelner Datenpunkt, aber genau der Fehlerfall, den beide Tools vermeiden sollen, und das sollten Sie beim Lesen der Lösungsquoten im Kopf behalten.

Wie beide tatsächlich aufgebaut sind

Das ist der Teil, der mir am wichtigsten ist, denn hier liegt der echte Unterschied zwischen „tolle Demo“ und „sicher in der Produktion“. Beide Unternehmen gehen hier ungewöhnlich durchdacht vor und lösen dasselbe Problem in unterschiedlicher Form.

Gradient Labs betreibt den Agenten als Zustandsautomat: Ein zentraler Reasoning-Agent orchestriert spezialisierte Skills, und Fälle wandern über Workflows, ohne den Kontext zu verlieren. Unter der Haube arbeitet es mit mehreren Modellen und leitet an OpenAI, Anthropic und Google weiter, je nachdem, ob ein Schritt schweres Reasoning oder schnelle deterministische Ausführung braucht. Die Sicherheitsschicht besteht aus über 20 finanzspezifischen Guardrails, die in jeder einzelnen Gesprächsrunde laufen und etwa Finanzberatung, Anzeichen von Schutzbedürftigkeit, Beschwerden und Versuche, die Verifizierung zu umgehen, prüfen. Der Satz von Chief Scientist Danai Antoniou in der OpenAI-Fallstudie fasst die Philosophie zusammen: „Man muss von Grund auf für null Halluzinationen entwerfen.“

Lorikeets Antwort ist die sogenannte „Defence in Depth“, vier Schichten, die jeweils davon ausgehen, dass die anderen gelegentlich versagen:

1. Ein speziell für Support gebauter Basis-Agent, dessen Standard lautet: „Nichts erfinden.“
2. Bot-zu-Bot-Simulation, bei der ein LLM einen Kunden gegen den echten Agenten und den echten Workflow spielt und Szenarien aus echten fehlgeschlagenen Produktionstickets erzeugt werden können.
3. Laufzeit-Guardrails, die in einem separaten Thread laufen und jede ausgehende Antwort prüfen, bevor sie den Kunden erreicht, ohne den Haupt-Prompt aufzublähen.
4. Post-Ticket-QA, die 100 % der Tickets (menschlich, KI oder hybrid) auf einer Ampel-Scorecard bewertet.

CTO Jamie Hall beschreibt die Laufzeitschicht als „beobachtet im Grunde jede Aussage, während sie hinausgeht“. Der praktische Unterschied: Gradient baut seine Compliance-Prüfungen in ein dichtes, aufs Banking abgestimmtes Guardrail-Set pro Gesprächsrunde ein, während Lorikeet seine Prüfungen über ein einsehbares Schwungrad aus Tests und QA verteilt. Beide sind seriös. Keines nimmt Ihnen Ihre eigene regulatorische Verantwortung ab, und Lorikeet sagt das erfrischend deutlich.

Preise: einer veröffentlicht, einer nicht

Das ist die klarste praktische Trennlinie zwischen den beiden, und sie entscheidet vieles.

Gradient Labs veröffentlicht überhaupt keine Zahl. Die Preisseite ist ein Lead-Formular. Das Modell wird in Worten beschrieben, „ergebnisbasierte Preise ohne Plattformgebühren, bezahlt wird nur für erfolgreiche Anfragelösungen“, und CEO Dimitri Masin argumentiert öffentlich dafür: „Wenn wir das Problem nicht lösen und Sie Ihr menschliches Team trotzdem einschalten müssen, dann müssen Sie uns nicht bezahlen.“ Das ist ein faires Modell. Es heißt nur, dass Sie ohne Verkaufsgespräch nicht wissen können, was Sie zahlen werden, und der Satz richtet sich nach dem erreichten Lösungsgrad.

Lorikeet veröffentlicht seine Pläne tatsächlich, was in dieser Kategorie selten ist und Anerkennung verdient.

Credits werden pro gelöstem Ticket verbraucht, und der Satz sinkt mit wachsender Größe:

Das ergibt grob 1,00 $ pro Chat-Lösung bei Start und etwa 0,80 $ bei Scale, ohne Gebühren pro Nutzer oder für die Implementierung in irgendeiner Stufe. Wie Gradient berechnet Lorikeet nur Tickets, die es tatsächlich löst, und erstattet den KI-Anteil jedes Tickets, das die eigene QA als schlecht bewertet.

Keiner von beiden bietet eine kostenlose Testphase oder Self-Service-Anmeldung. Jeder Einstieg läuft über eine Demo. Das ist der praktische Preis, den die meisten Teams unterschätzen: Sie verpflichten sich zu einem Verkaufszyklus und einem mehrwöchigen Build, bevor der Agent auch nur ein einziges echtes Ticket anfasst. Zum Vergleich: eesel beginnt bei 299 $/Monat für 500 Credits (1 Credit pro Ticket oder Chat), ohne Gebühren pro Nutzer und ohne Plattformgebühr, und Sie können mit 100 kostenlosen Credits starten, ohne mit jemandem zu sprechen.

Welcher also, und für wen?

Stellt man sie nebeneinander, ist die Wahl eigentlich klar.

Wählen Sie Gradient Labs, wenn Sie Bank, Kreditgeber oder Versicherer sind und Streitfälle, KYB, Inkasso oder Schadenfälle automatisieren möchten. Niemand sonst auf dieser Shortlist geht so tief in regulierte Finanzoperationen, und die über 20 Guardrails pro Gesprächsrunde sind genau für dieses Risikoprofil gebaut. Für diese Tiefe tauschen Sie Preistransparenz ein.

Wählen Sie Lorikeet, wenn Sie Fintech und Healthtech abdecken, einen umfangreichen, einsehbaren Test- und QA-Stack wünschen und vor dem Gesprächstermin gern eine echte Zahl sehen würden. Das Outcomes-Modell und der Coach-Ops-Agent sind echte Unterscheidungsmerkmale, und die Veröffentlichung der Preise schafft echtes Vertrauen.

Schauen Sie über beide hinaus, wenn die ehrliche Beschreibung Ihrer Lage lautet: „Wir betreiben ein normales Helpdesk und möchten bald einen KI-Agenten, der die repetitiven 40 bis 60 % der Tickets übernimmt.“ Gradient und Lorikeet sind beide Enterprise-Builds mit Vertrieb und mehreren Wochen Aufwand. Das ist die richtige Wahl, wenn ein Fehler ein regulatorischer Vorfall ist. Es ist übertrieben, wenn es um eine Paketstatus-Frage geht. Hier passt ein leichteres Teammitglied, und man sollte ehrlich sagen, dass die beiden Tools oben schlicht nicht auf Sie zielen.

eesel als schnelleren Weg ausprobieren

Wenn Sie den Abschnitt oben gelesen und gedacht haben „das bin ich“, hier der Pitch, und ich halte ihn konkret. eesel AI ist ein Support-Teammitglied, das Sie auf das Helpdesk aufsetzen, das Sie ohnehin nutzen, Zendesk, Freshdesk, Gorgias oder Front, in Minuten statt in einem Quartal. Es lernt selbstständig aus Ihren vergangenen Tickets und dem Help Center, sodass es Ihr Produkt von Anfang an kennt, statt auf ein Build-Team zu warten.

Das Unterscheidungsmerkmal, auf das ich angesichts alles oben Gesagten über lügende Demos hinweisen würde, ist die Simulation: Bevor eesel auch nur einem Live-Kunden antwortet, spielt es Ihre echten vergangenen Tickets ab und bewertet jeden Entwurf anhand dessen, was Ihr Team tatsächlich gesendet hat. Sie setzen auf Belege statt auf ein Versprechen ein. Es kostet einen festen Monatspreis ab 299 $ für 500 Credits, ist Self-Service und bietet 100 kostenlose Credits, um zuerst mit Ihren eigenen Daten zu testen. Für einen regulierten Finanzbetrieb passen Gradient oder Lorikeet vielleicht weiterhin besser, und das ist in Ordnung. Für die meisten Support-Teams liefert eesel denselben Mehrwert „lösen statt abwehren“, diese Woche live.