So erstellst du mit KI Support-Makros aus früheren Tickets

Was „Makros aus früheren Tickets erzeugen“ eigentlich bedeutet

Ein Makro ist ein gespeichertes Bündel aus einer vorgefertigten Antwort plus einer Reihe von Ticket-Aktionen (Status setzen, Tags hinzufügen, Zuständigen ändern), das ein Agent mit einem Klick anwendet. Makros sind bewusst manuell, der Agent wählt und wendet sie an, im Gegensatz zu Triggern und Automatisierungen, die von selbst auslösen, wie Zendesk dokumentiert.

Das Schwierige war nie das Anwenden von Makros. Es ist das Schreiben. Die meisten Teams haben eine Handvoll Makros, die irgendjemand vor zwei Jahren in Eile erstellt hat, während die eigentlichen Wiederholungsfragen, die den Nachmittag deiner Agenten fressen, nie als Vorlage angelegt wurden, weil niemand Zeit hatte, den Ticket-Verlauf zu durchforsten und sie aufzuspüren.

Genau diese Lücke schließt KI. Es gibt zwei unterschiedliche Dinge, die KI mit deinem Ticket-Verlauf tun kann, und sie werden ständig verwechselt:

Das Erste, ein bestehendes Makro anwenden, macht die meiste native Helpdesk-KI: Sie liest das offene Ticket, gleicht es mit früheren Tickets ab und schlägt vor, welches deiner gespeicherten Makros passt. Nützlich, aber sie kann nur Makros empfehlen, die du bereits geschrieben hast.

Das Zweite, neue Makros erstellen, ist der eigentliche Kern dieser Anleitung: KI liest deine gelösten Tickets, findet die wiederkehrenden Antworten, die deine Agenten immer wieder von Hand tippen, und schlägt für die Lücken brandneue Makrovorlagen vor. Genau hier liegt die eingesparte Zeit, und das ist der Teil, um den uns Teams am häufigsten bitten. Über alle unsere Vertriebsgespräche hinweg ist das Trainieren der KI mit den eigenen früheren Tickets eines Unternehmens die mit Abstand am häufigsten gewünschte Fähigkeit.

Was du vor dem Start brauchst

Das ist eine Anleitung, also seien wir konkret bei den Voraussetzungen:

• Zugang zu deinem gelösten Ticket-Verlauf. Die meisten Helpdesks lassen dich Tickets als CSV exportieren oder über die API abrufen. Du brauchst konkret gelöste Tickets, also die, auf die ein Agent tatsächlich geantwortet hat, nicht Spam oder automatisch geschlossenes Rauschen.
• Ein Gefühl für dein Volumen. Ein paar hundert gelöste Tickets pro häufigem Thema sind eine gesunde Untergrenze. Darunter rät die KI mit zu wenig Signal. (Zendesks eigenes Modell aktiviert sich unter 100 Tickets gar nicht erst, mehr dazu unten.)
• Einen Ort, um Entwürfe zu prüfen. Ob Tabelle, Dokument oder die Prüfansicht eines KI-Tools, du brauchst eine Stelle, an der ein Agent jeden Entwurf lesen und bearbeiten kann, bevor er zum aktiven Makro wird.
• Eine KI-Ebene. Entweder das native KI-Add-on deines Helpdesks, ein allgemeines LLM, in das du Tickets einfügst, oder ein dediziertes Tool wie eesel AI, das sich mit dem Helpdesk verbindet und den gesamten Ablauf für dich übernimmt.

Hier ist die durchgängige Pipeline, bevor wir jeden Schritt einzeln durchgehen:

Schritt 1: Frühere Tickets ziehen und bereinigen

Beginne damit, eine repräsentative Auswahl gelöster Tickets zu exportieren. „Repräsentativ" leistet in diesem Satz echte Arbeit, dieser Schritt entscheidet still darüber, wie gut deine Makros am Ende werden.

Ein paar Dinge, die es wert sind, richtig gemacht zu werden:

• Über die Zeit hinweg sampeln, nicht nur die letzte Woche. Ein Monat an Tickets ist verzerrt durch das, was in genau diesem Monat passiert ist. Ziehe aus einem längeren Zeitraum, damit saisonale Spitzen nicht dominieren. Eine Blumenlieferungsmarke, mit der wir auf Gorgias gearbeitet haben, war hier bewusst vorsichtig: Sie wollten 300 zufällige Tickets pro Monat über zehn Monate, ausgenommen ihre Spitzen an Valentinstag und Muttertag, weil diese Wochen nichts mit einem normalen Tag zu tun hatten und jedes Makro in Richtung „Wo ist mein Strauß" verzerrt hätten.
• Nur echte, von Agenten bearbeitete Tickets. Entferne Autoreplies, Spam und Tickets, die ohne Agentenantwort geschlossen wurden. Du versuchst zu lernen, wie dein Team antwortet, nicht, was deine bestehenden Automatisierungen bereits abdecken.
• Die Lösung behalten, nicht nur die Frage. Ein Ticket ist hier nur nützlich, wenn es die tatsächliche Antwort des Agenten enthält. Diese Antwort ist das Rohmaterial für den Makrotext.

Wenn du deine Ticketdaten noch nie auf diese Weise betrachtet hast, lohnt sich eine eigenständige Support-Ticket-Analyse, sie zeigt dir, welche Themen überhaupt eine Vorlage wert sind, bevor du auch nur eine Zeile schreibst.

Schritt 2: Die KI die wiederkehrenden Fragen clustern lassen

Übergib der KI nun diesen Berg an Tickets und lass sie nach Absicht gruppieren. Du suchst nach Clustern wie „wo ist meine Bestellung", „wie setze ich mein Passwort zurück", „Rückerstattung beantragen", „meine Lieferadresse ändern", also den Fragen, die hunderte Male auftauchen, wobei sich nur die Details ändern.

Das ist der Schritt, der von Hand wirklich mühsam und für ein Modell wirklich schnell ist. Ein guter KI-Durchlauf liefert dir etwa: „47 % deiner Tickets fallen in 9 wiederkehrende Themen; hier sind die 9, nach Volumen sortiert, mit einem Beispielticket für jedes." Dieses Ranking ist deine bereits fertig geschriebene Makro-To-do-Liste.

Dieselbe Clustering-Logik steckt auch hinter KI-Ticket-Klassifizierung und Triage. Wenn du also bereits Auto-Tagging oder Routing eingerichtet hast, ist möglicherweise schon die Hälfte dieser Arbeit erledigt. Die Tags selbst sind ein Vorsprung für die Cluster.

Schritt 3: Jeden Cluster in einen Makro-Entwurf verwandeln

Lass die KI für jeden Cluster ein Makro entwerfen: eine wiederverwendbare Antwort im Ton deines Teams, verallgemeinert aus den tatsächlichen Antworten deiner Agenten, mit Platzhaltern an den Stellen, an denen die Details eingesetzt werden.

Genau hier schlägt das Training mit deinen Tickets eine generische Vorlagenbibliothek. Ein Standard-„Rückerstattungsanfrage"-Makro kann dir jeder geben. Nur dein eigener Ticket-Verlauf weiß, dass dein Team immer mit „Ich verstehe den Ärger vollkommen" beginnt, immer auf die Rückgaberichtlinie verlinkt und immer im selben Atemzug nach der Bestellnummer fragt. Ein aus deinem Verlauf entworfenes Makro klingt wie du; ein Standardmakro klingt wie ein Formbrief.

Eine subtile Falle dabei ist die Zielgruppe. Wir haben Teams gesehen, deren Wissensdatenbank für Administratoren geschrieben ist, während ihre Tickets von Endnutzern kommen, etwa ein Support-Team für Transporttechnik, dessen Dokumentation sich an Busflotten-Administratoren richtete, während die Tickets von Fahrgästen kamen. Wenn deine früheren Antworten für die richtige Zielgruppe geschrieben wurden, übernehmen deine KI-Makros das. Wenn nicht, korrigiere zuerst die Quellantworten, sonst liegen die Makros für die tatsächlichen Leser selbstsicher daneben.

Gute Makros bewahren auch institutionelles Wissen, bevor es zur Tür hinausgeht. Ein französisches IT-Unternehmen des öffentlichen Sektors kam genau deshalb zu uns, weil zwei erfahrene Agenten mit tiefem ERP-Troubleshooting-Wissen in diesem Jahr das Unternehmen verließen und dieses Wissen „in die KI gelegt" haben wollten, bevor es verloren ging. Makros aus den früheren Tickets dieser Agenten zu erzeugen, ist eine der saubersten Möglichkeiten, dieses Wissen einzufangen.

Schritt 4: Prüfen, bearbeiten und die Aktionen ergänzen

Verschicke nie ein von KI entworfenes Makro direkt an Kunden. Jeder Entwurf ist ein erster Entwurf.

Bei der Prüfung sollte ein Agent:

• Die Fakten prüfen. Hat die KI ein Richtliniendetail oder ein Rückerstattungsfenster erfunden? Korrigiere es.
• Den Ton anpassen. Alles glätten, was leicht abseits der Marke klingt.
• Die Ticket-Aktionen ergänzen. Der Antworttext ist nur die halbe Miete eines Makros. Die andere Hälfte ist, was mit dem Ticket passiert: Status auf gelöst setzen, ein refund-processed-Tag hinzufügen, der Abrechnungsgruppe neu zuweisen, Priorität setzen. Die KI kann diese aus den Mustern deines Verlaufs vorschlagen, aber ein Mensch bestätigt sie.
• Auf Platzhalter achten. Wenn du Zendesk nutzt, escape Platzhalter bei Problem-/Incident-Tickets korrekt (z. B. Hello \{{ticket.requester.first_name}}), damit der Name eines Anfragenden nicht in verknüpfte Tickets durchsickert.

Dieser Prüfschritt ist der ganze Grund dafür, Menschen im Loop zu behalten. Die KI nimmt das Problem der leeren Seite ab, deine Agenten behalten das Urteilsvermögen. Für Antworten zu Rückerstattung, Umtausch und Versand speziell haben wir eine eigene Anleitung zu KI-Makrovorlagen geschrieben, aus der du dir etwas abschauen kannst.

Schritt 5: Am echten Verlauf testen, bevor du live gehst

Hier ist der Schritt, den fast jeder überspringt, und der eine Makro-Bibliothek, die tatsächlich hilft, von einer unterscheidet, die still zusätzliche Nacharbeit erzeugt.

Bevor du ein neues Makro veröffentlichst (oder einen KI-Agenten damit beginnen lässt, es anzuwenden), führe es an einer Reihe früherer Tickets aus und sieh dir an, was passiert wäre. Hat das „Wo ist meine Bestellung"-Makro bei den richtigen Tickets ausgelöst? Hat es jemals bei den falschen ausgelöst? Wie sieht die realistische Abdeckung aus, und wo ist das Vertrauen wackelig?

Genau dafür ist der Simulationsmodus von eesel AI gebaut: Er lässt dein Setup über Tausende deiner echten historischen Tickets laufen und zeigt vorhergesagte Lösungsrate und Abdeckung, bevor ein einziger Kunde es sieht. Du feinjustierst, führst es erneut aus und stellst erst bereit, wenn die Zahlen stimmen.

Das Prinzip gilt auch ohne dediziertes Tool: Ziehe 50 aktuelle Tickets, die das Makro treffen sollte, wende es manuell an und beurteile das Ergebnis. Eine günstige Versicherung gegen ein Makro, das im großen Maßstab danebenliegt.

Schritt 6: Veröffentlichen und aktuell halten

Sobald ein Makro Prüfung und Test besteht, veröffentliche es als geteiltes Makro, damit das ganze Team davon profitiert, nicht als persönliches, das in der Liste eines einzelnen Agenten vergraben ist. Behandle die Bibliothek danach als lebendig, nicht als fertig.

Deine Produkte ändern sich, deine Richtlinien ändern sich, und neue Wiederholungsfragen entstehen, die es letztes Quartal noch nicht gab. Führe den Mining-Durchlauf regelmäßig erneut aus, monatlich ist ein sinnvoller Rhythmus, um neue Cluster zu entdecken und Makros auszusortieren, die niemand mehr anwendet. Das ist derselbe Kreislauf, der hinter der Reduzierung des Ticketvolumens mit KI steht: Der Verlauf zeigt dir immer weiter, was als Nächstes automatisiert werden sollte.

Nativ in Zendesk, Freshdesk und Gorgias

Wenn du lieber innerhalb deines Helpdesks bleiben möchtest, hier siehst du, wo die native KI ansetzt und wo sie aufhört.

Zendesk

Zendesk hat zwei separate KI-Funktionen für Makros, die sich sauber auf die beiden zuvor beschriebenen Modi abbilden. Vorgeschlagene Makros (agentenseitig) empfiehlt, welches bestehende geteilte Makro anzuwenden ist: Sein Modell vergleicht das offene Ticket mit Tickets aus den letzten neun Monaten, bei denen ein Makro angewendet wurde. Du aktivierst es im Admin Center unter Agent-Tools.

In der Agentenansicht erscheinen vorgeschlagene Makros in einem Bereich „Für dieses Ticket vorgeschlagen", und mit dem Copilot-Add-on trägt jedes eine Vertrauensstufe.

Die Funktion, die tatsächlich neue Makros aus dem Verlauf erstellt, sind die Macro Content Suggestions (adminseitig): Sie erkennt wiederkehrende Inhalte über alle Agentenantworten im Konto hinweg und schlägt anhand der Daten des vergangenen Monats brandneue Makros zur Erstellung vor. Die Haken: Sie ist Teil des Zendesk-KI-Add-ons, vorgeschlagene Makros brauchen mindestens 100 qualifizierende Tickets und 3 geteilte Makros, bevor sie sich aktivieren, und neue Makros brauchen zwei Wochen, um ins Modell einzugehen. Leistungsfähig, aber planabhängig und langsam beim Warmwerden.

Freshdesk

Freshdesk setzt für Antwortvorschläge und Unterstützung bei vorgefertigten Antworten auf Freddy AI, und seine Auto-Triage lernt die Kategorisierung aus früheren Tickets. Die Geschichte der Makroerstellung aus dem Verlauf ist dünner als bei Zendesk, und die stärksten Freddy-Funktionen sitzen in höheren Stufen, weshalb viele Teams Freshdesk mit einer dedizierten KI-Ebene für die schwerere Arbeit kombinieren.

Gorgias

Gorgias ist auf E-Commerce fokussiert und stark bei Makros, die mit Shopify-Bestelldaten verknüpft sind, aber wie bei den anderen ist der Workflow „aus meinem gesamten Ticket-Verlauf lernen und neue Vorlagen entwerfen" ein Bereich, in dem ein zweckgebautes Tool tendenziell weiter kommt als das native Funktionsset.

Der gemeinsame Nenner: Native Helfer sind praktisch, wenn du bereits tief in einer Plattform steckst und den richtigen Plan hast, aber sie sind an diese Plattform gebunden, durch Add-ons und Schwellenwerte begrenzt und bieten wenig bis keine Möglichkeit, ein Makro vor dem Go-live am Verlauf zu testen.

Häufige Fehler, die es zu vermeiden gilt

• Einzelfälle als Vorlage anlegen. Wenn eine Frage dreimal im Jahr auftaucht, braucht sie kein Makro. Nach Volumen sortieren und die Spitze der Liste als Vorlage anlegen.
• Die menschliche Prüfung überspringen. KI-Entwürfe sind erste Entwürfe. Sie ungelesen zu versenden ist der Weg, wie ein falsches Rückerstattungsfenster in 4.000 Antworten landet.
• Die Aktionen vergessen. Ein Makro, das eine schöne Antwort schreibt, aber weder Status noch Tags setzt, erzeugt nur einen zweiten Klick. Die Ticket-Aktionen mit einbauen.
• Den Mining-Durchlauf nie erneut ausführen. Eine Bibliothek, die du einmal baust und nie auffrischst, veraltet innerhalb eines Quartals.
• Nicht vor dem Launch testen. Wenn dein Tool an früheren Tickets simulieren kann, nutze das. Wenn nicht, mach eine manuelle Stichprobenprüfung an 50 Tickets.

Probiere eesel für Makros aus früheren Tickets

eesel AI ist genau um diesen Kreislauf herum gebaut. Es verbindet sich mit Zendesk, Freshdesk, Gorgias und mehr als 100 weiteren Tools, trainiert mit deinen früheren Tickets und deiner Wissensdatenbank, um Antworten im Ton deines Teams zu entwerfen, und, der Teil, der anderswo schwer zu finden ist, lässt dich das Ganze über Tausende deiner echten historischen Tickets simulieren, sodass du vorhergesagte Genauigkeit und Abdeckung siehst, bevor es live geht.

Es gibt keine Sitzplatzgebühren und keine Überraschungen pro Lösung (siehe die Preise), und du kannst kostenlos starten, sodass du deinen eigenen Ticket-Verlauf auswerten und die entworfenen Makros sehen kannst, bevor du dich auf irgendetwas festlegst. Wenn dein Ziel weniger sich wiederholende Antworten und eine Makro-Bibliothek ist, die tatsächlich widerspiegelt, wie dein Team arbeitet, ist das der schnellste Weg dorthin.