Agentenseitiges Retrieval. Ein Tool, das hinter dem Support-Mitarbeiter sitzt, nicht vor dem Kunden. Der Mitarbeiter stellt eine Frage in normaler Sprache und erhält mit einer einzigen Abfrage eine belegte Antwort. Kein kundenseitiger Bot. Der Mitarbeiter bleibt im Ticket und schickt die Antwort selbst ab.
Wir haben genau das für ein mittelständisches E-Commerce-CX-Team gebaut. Die Erstantwortzeit bei komplexen Tickets sank um 40 %. Dieser Beitrag ist der Beleg dafür: was wir gebaut haben, was sich verändert hat und was nicht.
Der Kunde bleibt anonym. Die 40 % sind das tatsächliche Ergebnis des Projekts, verankert in der Support-Arbeit, die wir unter /ai-for/customer-support beschreiben. Noch etwas vorab: Das war reine Agentenunterstützung. Zu keinem Zeitpunkt hat ein Chatbot mit einem Kunden gesprochen.
#Was hat die Mitarbeiter ausgebremst?
Die Antworten waren vorhanden. Sie zu finden, ließ sich nicht skalieren. Ein komplexes Ticket bedeutete, dass ein Mitarbeiter die Zendesk-Historie, ein Produktdokument und ein PDF zur Versandrichtlinie öffnete und die Antwort dann von Hand zusammensetzte. Vier Jahre alte Tickets enthielten die Präzedenzfälle. Niemand konnte vier Jahre an Tickets in der Zeit durchsuchen, die ein Kunde zu warten bereit ist.
Also blieb die erste Antwort in der Warteschlange liegen, während der Mitarbeiter suchte. Diese Wartezeit ist die Zahl, nach der die Support-Leitung gefragt wird. Erstantwortzeit, nicht Ticketvolumen.
Kann KI die Erstantwortzeit im Kundensupport senken, ohne einen Chatbot einzusetzen?
Ja. Ein internes Retrieval-Tool lässt Mitarbeiter Fragen in normaler Sprache über historische Tickets, Produktdokumente und Richtlinien-PDFs hinweg stellen und liefert eine belegte Antwort. Der Mitarbeiter schreibt und verschickt die Antwort weiterhin selbst. Bei einem mittelständischen E-Commerce-CX-Team senkte das die Erstantwortzeit bei komplexen Tickets um 40 %, ganz ohne kundenseitigen Bot.
#Was haben wir tatsächlich gebaut?
Ein internes Retrieval-Tool über drei Quellen hinweg: 4 Jahre historischer Tickets, die Produktdokumente und die PDFs zur Versandrichtlinie. Ein Mitarbeiter tippt eine Frage so ein, wie er sie einem erfahrenen Kollegen stellen würde. Die Antwort kommt mit angegebener Quelle zurück, sodass der Mitarbeiter sie prüfen kann, bevor sie an einen Kunden geht.
- Durchsuche 4 Jahre alte Tickets mit einer einzigen Abfrage, statt Tab für Tab.
- Belegte Antworten, sodass der Mitarbeiter die Quelle prüft, statt einer Blackbox zu vertrauen.
- Antworten, die auf den PDFs zur Versandrichtlinie beruhen, wo die Sonderfallregeln tatsächlich stehen.
- Der Mitarbeiter bleibt im Ticket. Das Tool antwortet nie von selbst an einen Kunden.
Das Training des Support-Teams war Teil des Projekts, keine Übergabe am Ende. Der KPI, auf den wir uns geeinigt hatten, war die Erstantwortzeit bei komplexen Tickets. Wir haben sie vorher und nachher gemessen. Sie fiel um 40 %.
#Ist das nicht einfach ein Ablenkungsbot?
Nein, und genau darin liegt der Unterschied. Ein Ablenkungsansatz versucht, das Ticketvolumen zu senken, indem er Kunden direkt antwortet. Hier ging es um eine andere Zahl. Die Kennzahl war die Erstantwortzeit, erreicht, indem das Retrieval hinter dem Mitarbeiter platziert wurde. Der Kunde sprach weiterhin mit einem Menschen.
we are
stennir baut KI, die hinter deinen Support-Mitarbeitern sitzt: Retrieval, Triage, Entwurf-und-Prüfung, gemessen an Erstantwortzeit und Lösungsqualität.
we aren't
stennir ist kein Anbieter von kundenseitigen Chatbots und verkauft Ablenkung nicht als Ziel; der Mitarbeiter bleibt im Ticket, und deine Kunden sprechen weiterhin mit Menschen.
Tools wie Zendesk AI, Intercom Fin oder Gorgias Suggestions arbeiten innerhalb ihrer eigenen Mauern: deine Makros, deine Hilfeartikel, deine gespeicherten Antworten. Wir haben Retrieval für den Rest gebaut. Die historischen Tickets, die Produktdokumente, die PDFs zur Versandrichtlinie, die Runbooks. Genau dort verstecken sich die Antworten für komplexe Tickets.
Die KPIs, die wir bewegen, sind Erstantwortzeit und Lösungsqualität bei komplexen Tickets, nicht die Kopfzahl. Das sagen wir schon am ersten Tag, und wir messen es auch.
#Würde das auch für unser Support-Team funktionieren?
Der Passungstest ist einfach. Liegen eure Antworten bereits an Orten, die sich nur langsam durchsuchen lassen? Vier Jahre an Tickets, ein Stapel Richtlinien-PDFs, Produktdokumente, die sich ständig ändern. Wenn Mitarbeiter vor jeder komplexen Antwort Minuten mit Suchen verlieren, ist genau das die Minute, die Retrieval zurückgibt.
Dieses Projekt gehört zu unserer Consultancy-Arbeit, mit dem Training des Support-Teams eingebunden aus unserem Training-Bereich. Wenn du sehen willst, wie die Teile zusammenpassen, findest du im Journal weitere solcher Belege.
Wenn deine Mitarbeiter vor jeder komplexen Antwort nach Informationen suchen müssen, sind das die 40 %, hinter denen wir hier her waren. Erzähl uns, woran du arbeitest, und wir sagen dir, ob Retrieval der richtige Hebel ist oder nicht.