Generative KI-Chatbots für den Kundenservice: So funktionieren sie

Was ein generativer KI-Chatbot wirklich ist

Ich baue beruflich KI-Agenten, also lassen Sie mich das Marketing von diesem Begriff abziehen.

„Generativ" verweist auf den Motor: ein großes Sprachmodell (LLM), dieselbe Modellklasse hinter ChatGPT und Claude. Mit etwas Text als Eingabe sagt ein LLM neuen Text voraus und schreibt ihn. Ein generativer KI-Chatbot für den Support setzt diesen Motor für eine Aufgabe ein: die Nachricht eines Kunden entgegennehmen und eine Antwort erzeugen.

Das wichtige Wort ist erzeugen. Er ruft keine fertige Antwort aus einer Liste ab. Jede Antwort wird frisch verfasst, als Reaktion auf genau die Formulierung, die der Kunde verwendet hat, weshalb derselbe Bot „wo ist meine Bestellung" und „hey, es sind schon 8 Tage her und mein Paket ist immer noch nicht aufgetaucht??" mit demselben zugrunde liegenden Wissen, aber unterschiedlicher, natürlicher Formulierung beantworten kann.

Das ist der Sprung von der Conversational AI von vor ein paar Jahren. Und es ist ein echter Sprung, keine Umbenennung, was als Erstes klargestellt werden sollte.

Generativ gegen die alten regelbasierten Chatbots

Wenn Sie vor 2023 einen „Chatbot" eingesetzt und ihn gehasst haben, war er fast sicher regelbasiert. Jemand hat einen Entscheidungsbaum gezeichnet: Wenn der Kunde auf „Retouren" klickt, zeig dieses Menü; wenn er „Rückerstattung" tippt, feuere diese vorgefertigte Antwort ab. Das funktioniert genau so lange, bis ein Kunde etwas sagt, das der Baum nicht vorgesehen hat, und dann bekommen Sie das berüchtigte „Entschuldigung, das habe ich nicht verstanden."

Ein generativer Bot wirft den Baum weg. Es gibt kein Menü, von dem man abfallen könnte, weil er die Absicht aus der Rohnachricht liest und eine Antwort auf diese schreibt. Die praktischen Folgen:

• Er bewältigt Formulierungen, die Sie nie skriptiert haben. Tippfehler, endlose Sätze, zwei Fragen in einer Nachricht, eine komplett andere Sprache: Er kommt damit klar, weil er Bedeutung liest, nicht Stichwörter abgleicht.
• Er klingt wie ein Mensch, in Ihrer Stimme. Sie können den Ton anpassen, und jede Antwort liest sich wie Fließtext statt wie eine steife Vorlage.
• Er wird besser durch Ihren Verlauf. Richten Sie ihn auf gelöste Tickets aus, und er lernt, wie Ihr Team tatsächlich antwortet, nicht nur, was Ihr Hilfecenter sagt.

Der ehrliche Kompromiss: Ein regelbasierter Bot kann immer nur sagen, was Sie ihm gesagt haben, was einschränkend, aber auch perfekt vorhersehbar ist. Ein generativer Bot ist weitaus fähiger und, unkontrolliert, weniger vorhersehbar. Diese Spannung ist die ganze Geschichte dessen, wie man das gut macht, und deshalb habe ich einen längeren Beitrag zu KI-Agenten gegen regelbasierte Chatbots geschrieben, falls Sie die ausführliche Version wollen.

Wie ein generativer KI-Chatbot ein Ticket beantwortet

Hier kommt der Teil, den die meisten Erklärstücke überspringen. Ein supporttauglicher generativer Bot ist nicht „einfach ChatGPT mit Ihrem Logo". Ein rohes LLM weiß viel über die Welt und nichts über Ihre Rückerstattungsrichtlinie, also würde es allein entweder ablehnen oder erfinden. Die Architektur, die das behebt, ist Retrieval-Augmented Generation, oder RAG.

Gehen wir es von links nach rechts durch:

1. Der Kunde fragt. Mit seinen eigenen Worten, auf welchem Kanal auch immer, in welcher Sprache auch immer.
2. Der Bot ruft ab. Er durchsucht Ihr abgesichertes Wissen, Hilfecenter, vergangene Tickets, Makros, interne Dokumente, und zieht die für diese Frage relevanten Passagen heraus.
3. Das LLM schreibt. Es verfasst eine Antwort nur mit dem, was es abgerufen hat, damit die Antwort Ihre tatsächliche Richtlinie widerspiegelt und nicht die durchschnittliche Vermutung des Internets.
4. Eine Konfidenzprüfung läuft. Das System bewertet, wie sicher es sich ist.
5. Es sendet oder eskaliert. Sichere Antworten gehen raus; wacklige werden zum Entwurf für einen Menschen oder zu einer sauberen Übergabe.

Dieser Abrufschritt ist der Grund, warum die Absicherung so wichtig ist, und warum der Unterschied zwischen RAG und einem nackten LLM der Unterschied zwischen einem Bot ist, der Ihre Dokumente zitiert, und einem, der halluziniert. Wenn Sie Tools evaluieren, ist eine der schärfsten Fragen, die Sie stellen können, woraus lernt es genau: nur aus dem Hilfecenter oder aus Hilfecenter plus Ihren gelösten Tickets? Die Tools, die aus Ihrer Wissensdatenbank und Ihrem Ticketverlauf lernen, antworten weit mehr wie Ihr bester Agent.

Was sie richtig machen

Wenn Absicherung und Routing richtig eingerichtet sind, sind die Zahlen der Grund, warum Teams sich die Mühe machen.

Eine Gig-Economy-Fahreranalyse-App auf Zendesk (etwa 1.300 Interaktionen) löste im ersten Monat 73 % der Tier-1-Anfragen, mit Ergebnissen, die bereits innerhalb einer 7-tägigen Testphase sichtbar wurden. Das ist die Form des Erfolgs: die sich wiederholenden, volumenstarken Tier-1-Fragen („wo ist meine Bestellung", „wie setze ich das zurück", „wie lange kann ich zurückgeben") sind genau das, worin ein generativer Bot gut ist, und sie machen auch den Großteil der meisten Warteschlangen aus.

„Im ersten Monat löst eesel 73 % unserer Tier-1-Anfragen ... unser Team hat es implementiert und während unserer 7-tägigen Testphase schnell Ergebnisse erzielt."

Kim Simpson, Gridwise (G2-Bewertung)

Es geht auch nicht nur um Abwehr. Selbst wenn ein Mensch die finale Antwort sendet, kann ein generativer Bot das eingehende Ticket sichten, taggen, eine vorgeschlagene Antwort entwerfen und dem Agenten einen Vorsprung geben. In einem echten Traffic-Test, den ich mir angesehen habe (ein deutscher Schmuckhändler mit ~1.000 Tickets pro Monat auf Zendesk und Shopify), erreichte der Bot 93 % Sichtungsgenauigkeit und erkannte 100 % des Spams ohne Fehlalarme, während die Agenten dennoch die Hand am finalen Versand behielten. Dieser „Co-Pilot"-Modus ist oft der Punkt, an dem vorsichtige Teams beginnen, und das ist ein durchaus guter Anfang.

Um einen Eindruck von der Größenordnung zu bekommen: Derselbe Motor läuft an beiden Enden des Größenspektrums: Ein Kreditgeber verarbeitet über 100.000 deutschsprachige Tickets pro Monat über einen vollautomatisierten Zendesk-Agenten, während ein kleines Team schon ab dem ersten Tag seine sich am meisten wiederholenden Fragen abwehren kann. Wenn Sie einen breiteren Überblick wollen, wer das macht, führe ich eine laufend aktualisierte Liste von Unternehmen, die KI für den Kundenservice nutzen.

Der schwierige Teil: Vertrauenswürdigkeit herstellen

Jetzt zum ehrlichen Teil, und dem Grund, warum viele dieser Projekte schiefgehen.

Ein generatives Modell wird immer versuchen zu antworten. Das liegt in seiner Natur. Lässt man es alles beantworten, wird es gelegentlich selbstbewusst falsch liegen, und eine schlechte automatisierte Antwort auf eine Rechnungsfrage untergräbt mehr Vertrauen, als zehn gute aufbauen. Der größte Einwand, den ich von Käufern höre, ist nicht „wird es funktionieren", sondern „ich kann ihn nicht auf alles loslassen." Ein CX-Verantwortlicher einer DTC-Nahrungsergänzungsmittelmarke auf Gorgias (etwa 7.000 Tickets pro Monat) brachte es perfekt auf den Punkt:

„Die KI wird nie 100 % der Fragen beantworten können ... Ich brauche eine KI, die nur die Tickets bearbeitet, bei denen sie sich sicher fühlt, und alle anderen in Ruhe lässt."

ein CX-Verantwortlicher einer DTC-Nahrungsergänzungsmittelmarke, aus einem eesel-Verkaufsgespräch

Das ist der richtige Instinkt, und genau das liefert gutes Tooling. Der Mechanismus ist konfidenzbasiertes Routing: Der Bot bewertet jedes Ticket und handelt nur innerhalb einer von Ihnen festgelegten Bandbreite.

Die Dinge, auf die ich bestehen würde, bevor ich einem generativen Bot echte Kunden anvertraue:

• Konfidenzschwellen, die Sie kontrollieren. Hohe Konfidenz kann automatisch lösen, mittlere wird zum Entwurf, niedrige bleibt unangetastet. Niemals „alles oder nichts beantworten."
• Themenausschlüsse. Sie sollten sagen können „Rückerstattungen über X € nie anfassen" oder „alles, was Kündigung erwähnt, einem Menschen überlassen." Viele Käufer fragen genau danach.
• Saubere Übergabe an einen Menschen. Wenn er zurücktritt, sollte der Kunde es nicht spüren, und der Agent sollte den vollen Kontext erhalten.
• Eine sichtbare Lernschleife. Wenn ein Agent einen Entwurf bearbeitet oder ablehnt, sollte diese Korrektur zukünftige Antworten verbessern, und Sie sollten sehen können, dass sie es tat.

Bringen Sie das in Ordnung, und Halluzination hört auf, eine gruselige Abstraktion zu sein, und wird zu einem Regler, den Sie einstellen. Wenn Sie die Fehlermodi im Detail wollen, bin ich in warum KI-Chatbots falsch antworten tief eingestiegen.

Wie man einen einführt, ohne dass es schiefgeht

Der Fehler, den ich am häufigsten sehe, ist, einen Bot am ersten Tag auf „automatisch allen antworten" umzustellen. Hier ist die Reihenfolge, die ich tatsächlich verfolgen würde.

1. Verbinden Sie ihn dort, wo der Support bereits läuft. Ein guter generativer Chatbot bindet sich in Ihren bestehenden Helpdesk und Website-Chat ein, statt zu verlangen, dass Sie umziehen. Wenn ein Tool will, dass Sie Ihren Stack neu aufbauen, ist das ein Warnsignal.
2. Füttern Sie ihn mit echtem Wissen. Hilfecenter, gelöste Tickets, interne Dokumente. Die Wissensdatenbank ist die Obergrenze für die Antwortqualität, dieser Schritt ist also nicht optional.
3. Simulieren Sie an Ihrem eigenen Verlauf, bevor Sie live gehen. Das ist der Schritt, den fast jeder überspringt und nicht sollte. Lassen Sie den Bot gegen Tausende vergangener Tickets laufen, um konkret zu sehen, was er geantwortet hätte und wie seine Auflösungsrate nach Thema aussieht. Das macht aus „wir hoffen, dass es gut ist" eine Zahl, die Sie sich ansehen können.

4. Fangen Sie eng an, weiten Sie dann aus. Schalten Sie Autonomie zuerst für ein paar sichere, volumenstarke Themen ein. Beobachten Sie die Kennzahlen, dann erweitern Sie die Konfidenzbandbreite, während Sie Vertrauen aufbauen.
5. Überprüfen und coachen. Behalten Sie in den ersten Wochen die Entwürfe und Ablehnungen im Auge; der Bot wird spürbar besser, wenn er aus Ihren Korrekturen lernt.

Ich habe zugesehen, wie selbstbewusst klingende Bots still falsche Antworten gaben, weshalb das vorherige Simulieren an historischen Tickets für mich nicht verhandelbar ist. Es ist die günstigste Versicherung, die es gibt.

Was ein generativer KI-Chatbot kostet

Bei der Preisgestaltung steckt der Teufel im Kleingedruckten. Anbieter rechnen pro Lösung, pro Gespräch, pro Sitzplatz oder pro Ticket ab, und diese Einheiten sind nicht dasselbe, sodass ein „günstiger" Pro-Gespräch-Plan mehr kosten kann als ein Pro-Ticket-Plan, sobald das Volumen real wird. Lesen Sie die abrechenbare Einheit, bevor Sie die Listenzahl lesen. Meine Übersichten zu Chatbot-Kosten und KI- versus menschlichen Agentenkosten rechnen das durch.

Die andere Falle ist eine Pro-Lösung-Preisgestaltung, die Sie für Erfolg bestraft: Je mehr der Bot löst, desto größer die Rechnung, was Budgetierung zum Ratespiel macht. Ich bevorzuge Modelle, die vorhersehbar sind. eesel berechnet pauschal 0,40 $ pro Ticket ohne Gebühren pro Sitzplatz und ohne Plattform-Minimum, sodass die Kosten mit dem Volumen auf eine Weise skalieren, die Sie prognostizieren können. Alle Details finden Sie auf der Preisseite.

eesel AI ausprobieren

Wenn Sie bis hierhin gelesen haben, wissen Sie bereits, worauf Sie achten sollten: einen generativen Bot, der seine Antworten in Ihrem eigenen Wissen absichert, nach Konfidenz weiterleitet und Sie beweisen lässt, dass er funktioniert, bevor er live geht. Das ist das gesamte Design von eesel AI.

Er bindet sich in den Helpdesk ein, den Sie bereits betreiben, Zendesk, Freshdesk, Gorgias, HubSpot, Jira und über 100 weitere, lernt vom ersten Tag an aus Ihren gelösten Tickets und Dokumenten und lässt Sie an vergangenen Tickets simulieren, damit Sie die Auflösungsrate sehen, bevor auch nur ein einziger Kunde betroffen ist. Das konfidenzbasierte Routing bedeutet, dass er nur beantwortet, wessen er sich sicher ist, und alles andere an Ihr Team übergibt.

Sie können kostenlos starten, Ihren Helpdesk verbinden und an einem Nachmittag eine Simulation durchführen. Wenn Sie sehen wollen, wie er in Ihrem eigenen Workflow funktioniert, ist der schnellste Weg, eesel auszuprobieren an Ihren echten Tickets.