das Projekt. Wir haben für ein mittelständisches E-Commerce-Support-Team von etwa 18 Mitarbeitenden zwei Dinge gebaut: eine interne Suche über 4 Jahre historische Tickets, Produktdokumentation und Versandrichtlinien – sowie einen Entwurfs-und-Prüf-Antwortassistenten. Die Mitarbeitenden bekamen schnellere, belegte Antworten. Etwa 32 % der wiederkehrenden Tickets kamen nicht mehr zu einem zweiten Mitarbeitenden.
Es wurde kein kundenseitiger Chatbot eingesetzt. Das Team hatte vor Jahren einen abgeschaltet und wollte ihn nicht zurück. Die Abfangquote entsteht dadurch, dass Mitarbeitende beim ersten Kontakt korrekt antworten – nicht dadurch, dass ein Bot Kunden am Eingang abfängt.
Die Zahlen, die eine Support-Leitung interessieren: Erstantwortzeit bei komplexen Tickets um 40 % gesunken, und etwa 32 % der wiederkehrenden „Wo ist meine Bestellung?“- und Richtlinienfragen beim ersten Kontakt mit einem vorgeschlagenen Entwurf gelöst, statt weitergeleitet. Die Abfangquote basiert auf dem eigenen Ticket-Tagging-Ausgangswert des Teams – nicht auf einer Anbietereinschätzung.
#Was bedeutet KI-Ticket-Abfang, wenn es keinen Chatbot gibt?
Was ist KI-Ticket-Abfang für Support-Teams ohne Chatbot?
Es bedeutet, dass ein wiederkehrendes Ticket beim ersten Kontakt gelöst wird, anstatt zwischen Mitarbeitenden hin- und herzuwandern oder weitergeleitet zu werden. Hier hat die interne Suche die richtige Richtlinie und frühere Lösungen gefunden, und ein Entwurfs-und-Prüf-Assistent hat eine belegte Antwort verfasst, die der Mitarbeitende bearbeitet und gesendet hat. Der Kunde hat trotzdem mit einem Menschen gesprochen.
Die meisten „Abfang“-Versprechen bedeuten, dass ein Bot antwortet, damit der Kunde nie eine Person erreicht. Das war hier nicht der Fall. Eine „Wo ist meine Bestellung?“-Frage, die früher zu einer erfahrenen Person eskaliert wurde, wird jetzt vom ersten Mitarbeitenden korrekt beantwortet – weil der Assistent die Versandrichtlinie und die drei ähnlichsten früheren Tickets mit ihren Lösungen anzeigt.
#Was haben wir für das Support-Team konkret gebaut?
Zwei Teile, beide intern. Suche über die eigene Geschichte des Teams und ein Antwortassistent, der daraus Entwürfe erstellt. Nichts, was der Kunde sieht, nichts, das automatisch versendet wird.
- Interne Suche: Indiziert 4 Jahre gelöste Tickets, die Produktdokumentation sowie die Versand- und Rückgaberichtlinien. Wenn ein Mitarbeitender ein Ticket öffnet, zeigt sie die ähnlichsten früheren Fälle und die genaue Richtlinienklausel – mit Link zur Quelle.
- Entwurf und Prüfung: Schreibt einen ersten Antwortentwurf im Ton des Teams und belegt die verwendete Richtlinie. Der Mitarbeitende bearbeitet und sendet. Nichts wird ohne menschliches Absenden verschickt.
- Tagging: Jeder vorgeschlagene Entwurf wird dem Ticket-Tag zugeordnet, sodass das Team sehen kann, welche Kategorien abgefangen werden und welche noch einen Menschen brauchen.
we are
Eine interne Such- und Entwurfsschicht, die jedem Mitarbeitenden einen belegten ersten Antwortentwurf zum Bearbeiten bereitlegt – damit wiederkehrende Tickets beim ersten Kontakt von einem Menschen gelöst werden.
we aren't
Ein kundenseitiger Chatbot, der Menschen am Hilfe-Widget abfängt und aus einer zusammengesuchten Wissensdatenbank antwortet, bevor sie eine Person erreichen.
Die Quellenangabe ist der Grund, warum Mitarbeitende ihm vertrauten. Ein Entwurf, der sagt „laut der Rückgaberichtlinie vom März 2026 ist der Versand ab 50 $ kostenlos“ – mit Link – schlägt jede zuversichtliche Vermutung. Das ist dasselbe Muster, über das wir in Ticket-Triage geschrieben haben: Das System liest und entwirft, der Mensch entscheidet.
#Warum verringert eine kürzere Erstantwortzeit auch die Ticket-Anzahl?
Weil eine falsche oder vage erste Antwort das zweite und dritte Ticket erst erzeugt. Ein Kunde fragt, wo seine Bestellung ist, bekommt ein generisches „Wir schauen nach“ und schreibt zweimal nach. Jede Nachfrage ist ein neuer Aufwand für das Team.
Wenn der erste Mitarbeitende korrekt mit dem Sendungsstatus und der tatsächlichen Richtlinie antwortet, schließt der Thread. Die Erstantwortzeit bei komplexen Tickets sank um 40 %, und die wiederkehrenden Nachfragen, die sich hinter einer schwachen ersten Antwort aufgestaut hatten, blieben aus. Daher stammt der Großteil der 32 %.
Wir fangen keine Menschen ab. Wir fangen das zweite und dritte Ticket ab, das eine schlechte erste Antwort früher erzeugt hat.
#Wie lange dauert es, bis die Abfangquote sichtbar wird?
Nicht in der ersten Woche. In den ersten zwei Wochen zeigte die Suche zu viele lose verwandte frühere Tickets, und die Mitarbeitenden hörten auf, die Vorschläge zu lesen. Wir haben diese Zeit genutzt, um zu verfeinern, welche historischen Fälle zählen, und das Rauschen zu reduzieren – damit die drei besten Vorschläge wirklich die relevantesten waren.
Die Abfangquoten hielten sich ab Woche 5, sobald Mitarbeitende den besten Vorschlägen genug vertrauten, um mit ihnen zu beginnen. Dieses Engagement hat dieselbe Form wie unsere übrige Customer-Support-Arbeit: interne Suche, Triage und Entwurf-und-Prüf – mit eingebautem Training für das Team, damit es den Ablauf besitzt und nicht nur das Tool. Weitere Build-in-Public-Berichte sind im Journal.
Wenn ihr ein Support-Team führt und abwägt, ob KI die Antwortzeit verkürzen und wiederkehrende Tickets abfangen kann, ohne einen Bot zwischen euch und eure Kunden zu stellen: Die ehrliche Antwort ist ja – und es sieht so aus: belegte Entwürfe, ein Mensch bei jedem Absenden, eure eigene Ticket-Geschichte als Grundlage. Das ist die Version, die wir bauen. Erzählt uns, was ihr aufbaut.