Ausgangslage

Der Kunde betreibt einen klassischen Kundenservice mit acht Vollzeitstellen. Probleme:

  • Hohe Anteile wiederkehrender Standardfragen (Lieferzeit, Konditionen, Bedienung)
  • Antwortzeiten in Stoßzeiten über 24 Stunden
  • Wissens-Silos: Erfahrenes Wissen liegt in Köpfen weniger Mitarbeiter
  • Onboarding neuer Servicekräfte dauerte 6-8 Wochen

Lösung

RAG-Chatbot über die zentrale Wissensbasis (Produkthandbücher, FAQ, historische Tickets, AGB):

  • Foundation Model: GPT-4o (Azure OpenAI, EU-Region)
  • Vector Store: pgvector + BM25 hybrid
  • Quellenangabe pflichtmäßig pro Antwort
  • Confidence-Schwellwert < 70 % → automatische Eskalation an Mensch
  • Eingebettet in Web-Frontend, Microsoft Teams und Telefon-Hotline (Sprache)

Vorgehen

  1. Datenaufbereitung der Wissensbasis (Wochen 1-3) – mit Abstand der zeitintensivste Schritt
  2. Bot-Build und Evaluation gegen 200 Test-Fragen (Wochen 4-5)
  3. Soft-Launch mit interner Mitarbeiter-Nutzung (Wochen 6-7)
  4. Externer Launch (Woche 8)
  5. Optimierungs-Iteration nach jeweils 4 Wochen Produktion

Ergebnisse nach 6 Monaten

~60 %der Standardanfragen vom Bot gelöst
< 5 mindurchschnittliche Antwortzeit (vs. vorher 24 h)
+8 NPSPunkte Kundenzufriedenheit
~3 Wochenkürzeres Onboarding für neue Servicekräfte (Bot als Wissensreferenz)

Was kritisch war

  1. Datenqualität schlägt Modell-Power. Drei Wochen Datenaufbereitung haben mehr gebracht als jedes Modell-Upgrade.
  2. Quellenangabe ist nicht verhandelbar. Ohne sie hätte das interne Compliance-Team nie freigegeben.
  3. Eskalation muss elegant sein. Wenn der Bot das Gefühl gibt, "abzuwürgen", verliert man Vertrauen sofort.
  4. Mitarbeiter-Buy-in zuerst. Servicekräfte bekommen den Bot als Werkzeug, nicht als Bedrohung positioniert.

Ähnliche Anfragen-Last bei Ihnen?

30 Minuten Sparring zu Ihrem Kundenservice-Setup. Wir prüfen, ob ein RAG-Bot rechtfertigt – oder ob ein einfacher FAQ-Auto-Beantworter ausreicht.

Erstgespräch Service: KI-Assistenten

Verwandte Themen