In diesem Blogartikel hatten wir ja bereits kurz angerissen, wie wir unsere Kundenbetreuung mithilfe von KI effizienter aufgestellt haben. In diesem Artikel lässt euch unser Kollege Elijah dazu einen detaillierten Blick hinter die Kulissen werfen.
In den vergangenen Monaten habe ich mich intensiv damit beschäftigt, wie wir künstliche Intelligenz und Automatisierung sinnvoll in unserer Kundenbetreuung einsetzen können. Dabei ging es nie darum, Menschen zu ersetzen – sondern darum, unser Fachwissen besser nutzbar zu machen und alltägliche Abläufe effizienter zu gestalten.
Am Anfang stand eine einfache Frage: Können wir unsere internen Daten automatisiert auswerten, um schneller zu erkennen, wo Probleme auftreten?
Erste Schritte mit n8n – unabhängig und schnell
Da wir möglichst schnell und ohne Entwickler:innen loslegen wollten, fiel unsere Wahl auf n8n. Das Open-Source-Automationstool ist leicht zugänglich und erlaubt es, auch ohne Programmierkenntnisse komplexe Workflows zu bauen. So konnten wir unsere Ideen direkt selbst testen und weiterentwickeln – ein großer Vorteil in der frühen Phase.
Logs analysieren – vom Testdatensatz zum lernenden System
Zunächst haben wir angefangen, Log-Dateien aus verschiedenen Systemen wie unseren Apps und Analyseplattformen zu sammeln und zu strukturieren. Die erste große Überraschung: Selbst mit vergleichsweise wenigen Testdaten ließen sich bereits erstaunlich gute Analysen durchführen.
In einem iterativen Prozess haben wir das System weiter trainiert – wir erklärten typische Fehlerbilder, Zusammenhänge und Muster. Dabei wurde schnell deutlich, wie wichtig es ist, nicht nur Daten einzuspeisen, sondern auch aktiv Feedback zu geben und zu korrigieren.
Datenschutz zuerst: Automatisierte Anonymisierung
Da in Logs und anderen Daten oft personenbezogene Informationen enthalten sind, war der Datenschutz von Anfang an ein zentrales Thema.
Wir haben ein internes System angebunden, das alle personenbezogenen Daten zuverlässig erkennt und ersetzt – ganz egal, ob in Logs, Anhängen oder Dateiinhalten. Erst nachdem diese Anonymisierung gründlich getestet war, sind wir in die nächste Phase gegangen: den Einsatz mit echten Kundenanfragen.
Testlauf mit echten Fällen
Wir haben dann bei ersten Kundenanfragen, die wir manuell bearbeitet haben, unser System parallel nach seiner Einschätzung gefragt – und die Antworten verglichen.
Wo das System danebenlag, haben wir die Ursachen analysiert und gezielt weiter trainiert.
Mit jedem Schritt wurde das Modell besser – bis wir so zuverlässige Ergebnisse hatten, dass wir den nächsten logischen Schritt gehen konnten.
Vom Analysewerkzeug zum Slack-Bot
Wir haben aus dem System einen Slack-Bot gebaut, den alle Kolleg:innen in der Kundenbetreuung verwenden können. Der Bot hilft bei der Analyse von Fehlerbeschreibungen und durchsucht automatisch Logs nach relevanten Informationen.
So muss niemand mehr hunderte Log-Zeilen manuell durchsuchen – der Bot hebt automatisch die Stellen hervor, die zum geschilderten Problem passen. Das ist besonders dann hilfreich, wenn Fehlerbeschreibungen unklar oder technisch schwer einzuordnen sind. Gleichzeitig werden basierend auf den früheren Anfragen direkt erste mögliche Ursachen und Lösungen angeboten.
Spürbarer Nutzen im Alltag
Wir schätzen, dass jede:r Kundenbetreuer:in durch den Bot im Durchschnitt rund 30 Minuten pro Tag einspart. Die relevanten Logzeilen werden automatisch herausgearbeitet, die Ursachenanalyse wird deutlich beschleunigt.
Da alles vollständig anonymisiert abläuft, ist auch der Datenschutz jederzeit gewährleistet.
Nächster Schritt: Eigene AI im eigenen Haus
Aktuell arbeiten wir daran, ein eigenes Large Language Model (LLM) intern zu hosten. Damit wollen wir vollständige Kontrolle über die Verarbeitung behalten und noch sensiblere Daten sicher verarbeiten – ohne auf externe Dienste zurückgreifen zu müssen.
Dieser Schritt soll uns ermöglichen, noch gezielter und datenschutzkonform mit internen Informationen zu arbeiten.
Bonusnutzen: Automatische Themenauswertung mit Live-Dashboard
Neben der Log-Analyse setzen wir unsere Automatisierung auch zur Auswertung eingehender Tickets ein. Das System erkennt in Echtzeit, zu welchen Themen Kund:innen aktuell besonders viele Anfragen stellen.
Auf Basis dieser Daten haben wir ein Dashboard gebaut, das im Büro für alle sichtbar hängt. So sehen zum Beispiel unsere Produktteams auf einen Blick, welche Themen gerade „brennen“. Zudem werden auch die Ticketzahlen dargestellt, sodass direkt sichtbar ist, wenn die offenen Tickets sprunghaft steigen.
Ein schöner Nebeneffekt: Immer häufiger melden sich Kolleg:innen, wenn sie gerade eine Änderung „geshippt“ haben und anschließend auf dem Dashboard sehen, dass ihr Thema vermehrt auftaucht. Sie fragen dann von sich aus nach Feedback aus dem Support-Team – ganz ohne, dass wir uns bei ihnen melden müssen.
So entsteht ein viel direkterer Austausch zwischen unseren Kund:innen und der Entwicklung. Kundenfeedback landet schneller an der richtigen Stelle – und das ganz ohne zusätzliche Tools oder Prozesse.
