Eine der aufwendigsten Aufgaben im Kundensupport ist das Verfassen von Antworten auf Tickets. Ein Agent liest ein neues Ticket, ruft die relevanten Informationen aus seiner Ausbildung und der Wissensdatenbank ab und schreibt eine klare, genaue und hilfreiche Antwort. Für einen erfahrenen Agenten, der mit einer vertrauten Frage umgeht, dauert das zwei bis vier Minuten. Für einen neuen Agenten, eine komplexe Frage oder ein Thema, das Recherche erfordert, kann es deutlich länger dauern.
Multipliziert mit 50–100 Tickets pro Agent pro Tag macht die reine Verfassungszeit einen erheblichen Teil des Arbeitstages aus. KI-Antwortentwürfe komprimieren diese Zeit – für die richtigen Ticket-Typen – auf unter eine Minute.
Dieser Artikel erklärt, wie KI-Antwortentwürfe funktionieren, wann sie am effektivsten sind und worauf man bei ihrer Einführung achten sollte.
Wie KI-Antwortentwürfe funktionieren
Der Mechanismus hinter KI-Antwortentwürfen umfasst drei Schritte:
Schritt 1: Relevanten Kontext abrufen
Wenn ein Ticket eintrifft, identifiziert die KI zunächst, worum es in dem Ticket geht – die Absicht, die zentrale Frage, den Produktbereich. Anschließend durchsucht sie die Wissensdatenbank nach Artikeln, die für diese Absicht relevant sind.
Die Suche kann verwenden:
- Volltextsuche: Artikel finden, die dieselben Wörter wie das Ticket enthalten
- Semantische Suche (fortgeschrittener): Artikel finden, die dasselbe Thema behandeln, auch wenn die Formulierung unterschiedlich ist – ein Ticket mit der Frage „Warum ist meine Zahlung fehlgeschlagen?" bringt Artikel über Zahlungsfehler, Abrechnungsprobleme und abgelehnte Karten auf, auch wenn diese genauen Wörter nicht alle in den Artikeltiteln vorkommen
Die KI gibt die 3–5 relevantesten Artikel zurück.
Schritt 2: Einen Entwurf auf Basis des Quellmaterials erstellen
Die KI verwendet die abgerufenen Artikel als Quellmaterial, um eine Antwort zu schreiben. Dies wird als Retrieval-Augmented Generation (RAG) bezeichnet – die KI generiert keine Antwort aus allgemeinem Wissen, sondern synthetisiert eine Antwort aus Ihrer spezifischen Dokumentation.
Das ist von entscheidender Bedeutung. Ein reines LLM, das eine Antwort aus allgemeinem Wissen generiert, könnte Ihre Preise halluzinieren, eine nicht existierende Funktion erfinden oder Ratschläge geben, die Ihren tatsächlichen Richtlinien widersprechen. Ein RAG-basierter Entwurf ist in Ihrer Dokumentation verankert und deutlich weniger anfällig für sachlich falsche Aussagen über Ihr Produkt.
Schritt 3: Agent überprüft und sendet
Der Entwurf erscheint im Antwortfeld des Agenten. Der Agent liest ihn, bearbeitet ihn bei Bedarf und sendet ihn – oder verwirft ihn, wenn er nicht zutrifft. Der Agent ist immer der letzte Entscheidungspunkt. Nichts wird automatisch ohne Überprüfung durch den Agenten gesendet.
Wofür KI-Antwortentwürfe gut geeignet sind
Beantwortung dokumentierter Fragen
Wenn ein Kunde fragt „Wie aktiviere ich die Zwei-Faktor-Authentifizierung?" und Sie einen Wissensdatenbank-Artikel haben, der genau das abdeckt, wird der KI-Entwurf nahezu perfekt sein. Der Agent fügt möglicherweise eine persönliche Begrüßung oder eine Abschlussnotiz hinzu, aber der inhaltliche Teil wird präzise und vollständig sein.
Für diese Kategorie von Fragen – klar definiert, vollständig dokumentiert – sparen KI-Antwortentwürfe typischerweise 80–90 % der Verfassungszeit.
Kombination mehrerer Quellen
Eine Kundenfrage, die zwei oder drei Themen umfasst – „Wie wechsle ich den Plan und wie wirkt sich das auf meinen Abrechnungszeitraum aus?" – erfordert, dass der Agent Informationen aus einem Plana-Artikel und einem Abrechnungsartikel gedanklich kombiniert. Die KI führt diese Synthese automatisch durch und produziert eine einheitliche Antwort aus mehreren Quellen.
Konsistenter Ton und Format
KI-generierte Antworten sind in Struktur und Ton konsistent. Sie variieren nicht in der Förmlichkeit, wie es menschlich geschriebene Antworten von Agent zu Agent oder zwischen einer Morgen- und einer müden Freitagsschicht tun.
Einarbeitung neuer Agenten
Neue Agenten, die das Produkt noch nicht gut kennen, können KI-Antwortentwürfe als Lernwerkzeug verwenden. Sie sehen den vorgeschlagenen Entwurf der KI (basierend auf der Wissensdatenbank), lesen die Quellartikel, auf die sie verweist, und bauen durch das Überprüfen und Bearbeiten von Vorschlägen Produktwissen auf.
Wo KI-Antwortentwürfe an ihre Grenzen stoßen
Fragen, die nicht in der Wissensdatenbank stehen
Wenn die Frage des Kunden etwas betrifft, das nicht dokumentiert ist – eine neue Funktion, ein Randfall, eine Frage zu Ihren internen Prozessen – hat die KI keine Referenz und erstellt entweder eine wenig hilfreiche Antwort oder, in schlecht konfigurierten Systemen, halluziniert eine Antwort.
Die Lösung ist nicht technisch – sie ist redaktionell. Die Wissensdatenbank aktuell und umfassend zu halten, verbessert direkt die Qualität der KI-Entwürfe. Die KI ist nur so gut wie ihr Quellmaterial.
Emotional komplexe Situationen
Ein Kunde, der verärgert, enttäuscht ist oder eine Dienstleistungspanne erlebt hat, braucht mehr als eine genaue technische Antwort. Er braucht Anerkennung und Einfühlungsvermögen – Elemente, die eine KI annähern, aber im Kontext selten genau treffen kann.
Die meisten Agenten, die emotional aufgeladene Tickets bearbeiten, lernen zu Recht, den KI-Entwurf zu verwerfen und eine menschliche Antwort zu schreiben, die zuerst die emotionale Dimension anspricht. Dies ist das richtige Verhalten – und es ist möglich, weil der Agent die Kontrolle hat.
Sehr spezifische Kontofragen
„Warum zeigt meine Rechnung diesen Monat 287,50 € an, obwohl es letzten Monat 240 € waren?" ist eine Frage, die ein Wissensdatenbank-Artikel nicht beantworten kann. Sie erfordert einen Blick auf das spezifische Konto, die Nutzungsdaten und den Abrechnungsverlauf des Kunden. Die KI hat keinen Zugriff auf diese Informationen und sollte sie nicht aus allgemeinem Wissen heraus beantworten.
Die meisten Plattformen gehen damit um, indem sie keinen Entwurf generieren, wenn die Absicht eindeutig kontospezifisch ist – stattdessen markieren sie ihn als „Kontoüberprüfung erforderlich".
Den Einfluss auf Ihr Team messen
Zu verfolgende Kennzahlen
Entwurfs-Akzeptanzrate: Welcher Prozentsatz der KI-Entwürfe wird von Agenten mit minimaler Bearbeitung gesendet? Eine hohe Akzeptanzrate (60 %+) bei geeigneten Tickets zeigt an, dass die Entwürfe konsistent nützlich sind. Eine niedrige Rate deutet darauf hin, dass die Qualität der Wissensdatenbank oder die KI-Konfiguration Anpassungen benötigt.
Zeit bis zur ersten Antwort: Vergleichen Sie die FRT vor und nach der Aktivierung von KI-Entwürfen. Für geeignete Ticket-Typen sollte die FRT sinken.
Agentenzufriedenheit: Finden Agenten die Entwürfe hilfreich? Es lohnt sich, direkt nachzufragen. Agenten, die das Gefühl haben, dass KI sie überwacht oder Druck erzeugt, schneller zu antworten, könnten die Funktion ablehnen, was ihren Nutzen verringert. Die Rahmung ist entscheidend: KI-Entwürfe sind ein Schreibassistent, keine Leistungskennzahl.
Ergebnisse segmentieren
Nicht alle Tickets sind gleich gut für KI-Entwürfe geeignet. Verfolgen Sie die Ergebnisse separat für:
- Einfache, einthematische Tickets (höchster KI-Entwurf-Nutzen)
- Mehrthematische Tickets (mittlerer Nutzen)
- Kontospezifische oder emotional komplexe Tickets (geringer Nutzen, Entwürfe werden oft verworfen)
Diese Segmentierung zeigt Ihnen, wo die KI tatsächlich hilft und wo sie ohnehin umgangen wird.
Implementierungstipps
Beginnen Sie mit hochvolumigen, gut dokumentierten Fragetypen. Wählen Sie Ihre fünf häufigsten Ticket-Kategorien, stellen Sie sicher, dass die Wissensdatenbank-Artikel für diese Themen ausgezeichnet sind, und messen Sie die Entwurfsqualität speziell für diese Kategorien, bevor Sie breit einführen.
Setzen Sie realistische Erwartungen bei Agenten. KI-Entwürfe sind nicht perfekt. Agenten sollten erwarten, jeden Entwurf vor dem Senden zu bearbeiten. Die Zeitersparnis kommt davon, nicht von Grund auf zu schreiben – nicht davon, den gesamten Verfassungsprozess zu automatisieren.
Überprüfen Sie verworfene Entwürfe. Wenn Agenten einen KI-Entwurf verwerfen, ohne ihn zu verwenden, ist das ein Signal. Eine wöchentliche Überprüfung verworfener Entwürfe – was sie enthielten und warum Agenten sie nicht verwendeten – ist eine der direktesten Feedback-Schleifen zur Verbesserung der Wissensdatenbank.
Verwenden Sie die Entwurfs-Akzeptanzrate nicht als Leistungskennzahl für Agenten. Wenn Agenten das Gefühl haben, dass ihre Kennzahlen davon abhängen, KI-Vorschläge zu akzeptieren, werden sie Entwürfe akzeptieren, die sie bearbeiten sollten – was die Antwortqualität verringert. Das Ziel sind bessere Antworten schneller, nicht eine höhere KI-Nutzung.
Wie Nura24 KI-Antwortentwürfe implementiert
Die KI-Antwortentwurfs-Funktion von Nura24 erscheint direkt im Ticket-Antwortfeld, wenn ein Agent ein Ticket öffnet. Das System durchsucht die Wissensdatenbank des Mandanten mithilfe einer Kombination aus Volltext- und semantischer Suche, ruft die relevantesten Artikel ab und generiert einen Antwortvorschlag unter Verwendung des konfigurierten KI-Modells (standardmäßig Claude Sonnet). Der Entwurf ist klar als KI-Vorschlag gekennzeichnet. Agenten können ihn so senden, ihn vor dem Senden bearbeiten oder ihn schließen und ihre eigene Antwort schreiben. Die Funktion ist pro Workspace optional und für bezahlte Pläne verfügbar. Die Entwurfsqualität verbessert sich direkt mit dem Wachstum der Wissensdatenbank des Mandanten – was die Wissensdatenbank und die KI-Antwortentwurfs-Funktionen zu sich gegenseitig verstärkenden Investitionen macht.