Durch den Einsatz von KI zur Reduzierung von Reibungsverlusten im Kundensupport hat das Unternehmen mehr Kapazitäten für die Bearbeitung komplexer Probleme geschaffen
Dieser Artikel basiert auf einem Webinar, das für Unternehmen der Volaris Group abgehalten und von Hanna Ha, Corporate Knowledge Programs Lead bei der Volaris Group, geleitet wurde.
Einen Support-Desk mit voller Geschwindigkeit am Laufen zu halten, kann für jedes Unternehmen eine Herausforderung sein. Eines unserer Unternehmen hat einen Weg gefunden, seinen Support reibungsloser zu gestalten.
Guy Hiddleston ist Head of IT Systems and Compliance bei Artifax, einem Unternehmen der Volaris Group, das Software für das Veranstaltungs- und Eventmanagement für Theater, Museen sowie andere Kultur- und Denkmalorganisationen entwickelt.
Vor Kurzem teilte er seine Erfahrungen mit der Volaris-Community über den Aufbau eines selbst gehosteten Support-Agenten von Grund auf, angetrieben von der Motivation, das vorhandene Wissen des Teams für die eigenen Mitarbeiter und Kunden besser zugänglich zu machen.
Herausforderungen bei der Suche nach Helpdesk-Informationen
Artifax verfügt über einen relativ kleinen Support-Betrieb, der jährlich etwa 2.500 Tickets bearbeitet. In der Regel wurde diese Funktion von einer Vollzeit-Support-Fachkraft mit Unterstützung durch Professional Services übernommen. Das Wissen, mit dem sie arbeiteten, war jedoch über einen riesigen Bestand an Hilfe-Artikeln, Ticket-Historien und langen, unstrukturierten Transkripten von Professional-Services- und Customer-Success-Gesprächen verstreut.
„Sofern man nicht genau wusste, wonach man suchte und welche Suchbegriffe man verwenden sollte, war der Zugriff darauf eine ziemliche Herausforderung“, so Guy.
Auch die Kunden standen vor einer Herausforderung. Die Wissensdatenbank von Artifax war für sie nicht leicht zugänglich, was zu einem stetigen Strom an sich wiederholenden FAQ-Tickets führte. Die Beantwortung dieser Anfragen raubte den Mitarbeitern Zeit für die Bearbeitung wirklich komplexer Fälle.
Gleichzeitig benötigte das Unternehmen eine Möglichkeit, Wissen über Nischenmodule an neue Mitarbeiter weiterzugeben.
Weg von Tickets hin zu einem durchsuchbaren Wissensspeicher
Artifax entschied sich für den Aufbau eines KI-Agenten, um diese Herausforderungen zu lösen. Die Entwicklung begann mit der Extraktion. Das Team zog die gesamte Ticket-Historie und das Archiv der Wissensdatenbank heran, ließ einen Agenten jedes Ticket durchlaufen und fasste es dahingehend zusammen, was das eigentliche Problem des Kunden war, wie es kommuniziert wurde und wie es gelöst wurde. Diese optimierten Zusammenfassungen, nicht die Rohdaten, flossen in eine Vektordatenbank ein.
Artifax erstellte daraufhin zwei separate Retriever – einen für Support-Tickets und einen für Artikel aus der Wissensdatenbank –, die jeweils in getrennten Tabellen geführt wurden.
Die erste Version des Agenten befand sich in einem Open-Source-Workflow-Tool, mit dem Guy direkt chatten konnte. Es funktionierte, war aber noch nicht bereit für den Einsatz bei Kunden.
Den Agenten für Kunden vorbereiten
Anstatt den Agenten direkt auf die Kunden loszulassen, baute Artifax Sicherheitsvorkehrungen ein. Dies geschah, indem ein neues Ticket im Moment seiner Erstellung an den Agenten gesendet wurde, der daraufhin einen Antwortentwurf als private, rein interne Notiz zurückgab. Die Support-Mitarbeiter nutzten den vom Agenten erstellten Entwurf, um schneller zu recherchieren oder eine vorgeschlagene Antwort zu übernehmen. In einigen Fällen, bei einfacheren FAQs, konnten die Support-Mitarbeiter den Entwurf einfach in eine kundenorientierte Antwort kopieren.
„Der Grund, warum wir nicht direkt zur öffentlichen Antwort übergegangen sind, ist, dass dies aus Governance-Sicht eine Hochrisiko-Aktivität gewesen wäre“, erklärte Guy. „Wir wollten erst validieren können, das Modell verfeinern und dann den nächsten Schritt machen.“
Diese Validierungsphase dauerte etwa einen Monat, wobei Menschen jede Antwort auf Tonfall, Umfang und Zitate prüften. Diese Phase erwies sich als wichtig, um Halluzinationen des KI-Agenten zu verhindern.
Das Team passte den Agenten so an, dass jede Antwort nun am Ende eine Quellenangabe enthält, sodass sowohl Artifax als auch die Kunden eine Aussage bis zu ihrem Ursprung zurückverfolgen können. „Wir mussten Vertrauen bei den Kunden aufbauen, damit sie die Quelle zur Validierung dieser Informationen heranziehen können“, erklärte er.
Aufbau von Leitplanken gegen Halluzinationen
Einige Leitplanken, die Artifax in den Agenten eingebaut hat, waren offensichtlich, wie etwa beim Thema zu bleiben und nichts außerhalb des Produkts zu besprechen.
Andere Ideen für Leitplanken ergaben sich jedoch erst durch interne Tests.
Da der Agent Zugriff auf Support-Ticket-Daten hat, ist er technisch in der Lage, Fragen zu beantworten, die über den Support hinausgehen, aber Informationen enthalten können, die nicht für diesen Zweck bestimmt sind. Um Missbrauch zu verhindern, legt der System-Prompt nun Zitierregeln und explizite Verbote fest und definiert, wie der Agent konsequent ablehnen und ablenken soll, wobei jede Ausgabe gegen diese Leitplanken geprüft wird, bevor sie jemandem angezeigt wird. Zudem baute Artifax einen Schutz für personenbezogene Daten ein, der über eine zweistufige Verteidigung verfügt.
Um das Ganze einem Stresstest zu unterziehen, forderte Guy jeden im Unternehmen heraus, die Leitplanken zu durchbrechen.
Nicht alles verlief reibungslos. Zu Beginn experimentierte das Team mit Modellen mit geringerer Rechenleistung, um schnellere Antwortzeiten zu erzielen. Diese Modelle halluzinierten weitaus mehr und erfanden URLs für das Hilfe-Center, anstatt die echten zu zitieren.
„Es war frustrierend während unserer Experimentierphase. Die Informationen stammten zwar aus echten Artikeln, aber das Modell erstellte seine eigenen URLs“, so Guy.
Artifax hat diese Lernphase inzwischen abgeschlossen. Das Team hat gelernt, dass ein Wechsel des verwendeten Modells den Tonfall und das Verhalten so stark verändern kann, dass alles neu getestet werden muss. In der Praxis bedeutet dies, eine parallele Kopie des Agenten auf dem Kandidatenmodell zu erstellen, diese unabhängig zu validieren und erst dann die Produktion umzustellen.
Sobald das Team zufrieden war, verließ der Agent die Testphase und wurde in das Artifax-Produkt selbst integriert, wo er über die Hilfe-Schaltfläche im Rahmen eines Soft-Launchs für Kunden eingeführt wurde.
Wie das Support-Team Arbeitsabläufe optimiert hat
Der deutlichste Erfolg zeigte sich beim Onboarding. Eine neue Mitarbeiterin in der Support-Abteilung, die mit den spezielleren Modulen von Artifax nicht vertraut war, konnte bereits in ihrer ersten Woche Tickets beantworten, nachdem sie die privaten Ticket-Zusammenfassungen des Agenten genutzt hatte.
Das gesamte Ticketvolumen ist nicht drastisch gesunken, aber Artifax stellt fest, dass nur noch sehr wenige Chat-Sitzungen überhaupt zu einem protokollierten Ticket führen. Guy sagt, dass dies nicht auf eine Abwehr von Support-Anfragen zurückzuführen ist, sondern auf den Erfolg des neuen und echten Self-Service-Supportkanals, der Reibungsverluste für die Kunden beseitigt.
Intern nutzt das Team den Agenten täglich, und die Flut an sich wiederholenden FAQ-Tickets ist verschwunden. Dadurch haben die Mitarbeiter mehr Zeit, die Artikel im Hilfe-Center zu verbessern, die dann direkt wieder in das Wissen des Agenten einfließen.
Wie es für Artifax weitergeht
Artifax zeichnet nun Professional-Services- und Customer-Success-Gespräche auf, um eine zweite, rein interne Wissensebene aufzubauen. Auf diese Weise werden Account Manager den Agenten schließlich nach einer Zusammenfassung des aktuellen Stands bei einem bestimmten Kunden fragen können.
Das Team erwägt außerdem den Wechsel von einer Plattform zur anderen, vor allem wegen eines ausgereifteren Audit-Trails, da die Anforderungen an die Automatisierung durch die weitere KI-Einführung steigen.
„Ein wirklich starker Audit-Trail und ein Entscheidungsprotokoll sind entscheidend für das Hinzufügen weiterer Agenten“, sagte er.
Sein Rat an andere Unternehmen, die ein ähnliches Projekt verfolgen möchten? „Ihre Daten sind bereits da. Greifen Sie einfach darauf zu.“
