KI verbessert die Help-Center-Suche, indem sie zuordnet, was ein Kunde meint, statt der exakten getippten Wörter, sodass "Ich habe mein Passwort vergessen" den Artikel "Zugangsdaten zurücksetzen" findet. Das behebt die meisten Tickets nach dem Muster "Es steht im Help Center, warum schreiben sie uns trotzdem": Der Artikel existiert, nur die Wörter passen nicht.
Die Suche ist aber nur eine von drei Stellen, die Sie verbessern können. Setzen Sie eine KI-Antwort über die Ergebnisse und einen Agenten ans Kontaktformular oder in den Chat, denn viele Kunden tippen nie in das Suchfeld. Nutzen Sie dann die gescheiterten Suchen als To-do-Liste für Ihre Autoren.
Die meisten Helpdesks liefern inzwischen einen Teil davon: Zendesk hat die generative Suche in allen Suite-Tarifen, während Gorgias, HubSpot und Help Scout die KI in den Chat legen und das Suchfeld stichwortbasiert lassen. Wenn Sie die Frage lieber dort abfangen, wo der Kunde sie stellt, liest eesel Ihr Help Center und frühere Tickets und antwortet im Chat oder am Ticket. Qontro nutzt jeden falschen Entwurf als Hinweis auf einen zu dünnen Artikel.
Warum finden Kunden Artikel nicht, die längst existieren?
Weil Kunden in ihren Worten suchen und Artikel in Ihren betitelt sind. Ich habe zwei Jahre SEO gemacht, bevor ich für eesel geschrieben habe, und die eine Lehre, die bleibt: Menschen beschreiben ein Problem, sie nennen kein Dokument. Ein Suchfeld im Help Center ist eine winzige Suchmaschine, und die meisten sortieren immer noch nach übereinstimmenden Wörtern.
Zendesk legt offen, wie das klassische Ranking funktioniert: Der Titel hat ein Gewicht von 3, Labels 2,8, der Abschnittstitel 1,5 und der Text 1, und bei Suchanfragen mit ein oder zwei Wörtern kommen nur Artikel zurück, die alle Wörter enthalten. Die Docs-Suche von Help Scout sortiert zuerst nach exaktem Stichwort, dann exaktem Titel, dann Teiltitel, und ihr eigener Rat bei gescheiterten Suchen ist, Tippfehler und alternative Begriffe von Hand zu jedem Artikel hinzuzufügen. Das funktioniert, behebt aber nur die Fehlschläge, die Sie schon bemerkt haben.
Die Lücke zeigt sich auf drei Arten:
- Andere Wörter für dieselbe Sache. "Meinen Tarif kündigen" vs. "Abonnement verwalten". Nichts gemeinsam außer der Bedeutung.
- Schreibweise und Sprache. Ein Sysadmin auf Reddit hat das Problem treffend formuliert: "Searching for 'color' instead of 'colour' would have returned no results!"
- Die Zielgruppe stimmt nicht. Eine Version davon hörte ich in einem eesel-Vertriebsgespräch von einer Support-Leiterin, deren gesamte Wissensdatenbank für Administratoren geschrieben war, während die Tickets von Endnutzern kamen. Jeder Artikel war korrekt, und keiner benutzte die Worte der Endnutzer.
Das Ergebnis ist ein Help Center, das für das Team vollständig aussieht und für den Kunden leer. Dieser Thread zu einem Zendesk-Help-Center mit über 500 Artikeln ist der, auf den ich immer wieder zurückkomme:
"We have over 500 docs in it and searchability is quite poor; pretty much every keyword one can search for brings ups dozens and dozens of results, and top content isn't there."
Als jemand fragte, ob das die kundenseitige Suche sei, war die Antwort kurz: "We have high abandon rates." Abgebrochene Suchen sind Tickets, die noch nicht angekommen sind.
Welches Suchproblem haben Sie?
"Die Suche ist schlecht" umfasst vier verschiedene Probleme, jedes mit einer anderen Lösung. Bevor Sie etwas kaufen, ziehen Sie Ihren Suchbericht (jeder große Helpdesk hat einen, mehr dazu unten) und prüfen Sie, welches Muster zu Ihren Daten passt.
Was zeigt Ihr Suchbericht?
Wählen Sie das Muster, das zu Ihren Daten passt. Jedes weist auf eine andere Lösung hin.
Die vierte Zeile unterschätzen Teams am häufigsten. Ein Support-Leiter auf Reddit hat sie besser beschrieben als jeder Bericht:
"But our customer base is not tech savvy in the slightest, and most of the time they're not reaching out because they can't find help in the knowledge base — they're reaching out because they don't have the time or do not feel like looking for the knowledge in the first place."
Wie funktioniert KI-Suche eigentlich?
Es gibt drei Ebenen, und Anbieter benutzen dieselben Wörter für verschiedene davon, deshalb hilft es, sie zu benennen.
1. Semantische Suche (Abgleich nach Bedeutung). Die Anfrage und jeder Artikel werden in Vektoren umgewandelt, also Zahlenlisten, die Bedeutung erfassen, und die Ergebnisse werden danach sortiert, wie nah sie beieinanderliegen. Die semantische Suche von Zendesk wandelt Anfragen und Artikel in Vektoren um und hebt die nächsten Treffer zusätzlich zum Stichwortabgleich an, und Zendesk meldet eine durchschnittliche Verbesserung der Ranking-Qualität um 7 % bei englischen Help Centern, mit den größten Gewinnen bei längeren Anfragen. Wenn Sie die Theorie wollen, geht meine Erklärung zur neuronalen Suche tiefer.
2. Hybride Suche (Bedeutung plus Stichwörter). Reines Bedeutungs-Matching ist schlecht bei exakten Zeichenfolgen: einem Fehlercode, einem Tarifnamen, einer SKU. Gute Setups behalten deshalb den Stichwortabgleich für diese Fälle und legen die Bedeutung obendrauf. Die Optionen vergleiche ich in RAG vs. Hybrid-Suche.
3. Eine generierte Antwort (RAG). Retrieval-Augmented Generation bedeutet, dass die KI zuerst die besten Artikel abruft und daraus eine kurze Antwort mit Links schreibt. Die generative Suche von Zendesk macht genau das: Die Antwort ist "derived from the top search results" und steht in einem Kasten über ihnen.
Ein Detail ist wichtiger, als es aussieht. Ebene 3 funktioniert nur so gut wie Ebene 1, weil die Antwort aus dem geschrieben wird, was abgerufen wurde. Zendesk sagt es in seiner Dokumentation zur generativen Suche deutlich: "the answer is only as good as your content". Außerdem bittet es Kunden, Suchen als Sätze zu formulieren: "What documents do we need to provide to create a joint account?" liefert häufiger eine Antwort als "joint account". Die meisten Kunden tippen zwei Wörter.
Wo sollte die KI in Ihrem Help Center sitzen?
Hier ist meine Position, für die ich bei den meisten Teams werben würde: Das Suchfeld ist die unwichtigste der drei Stellen. Es hilft nur den Kunden, die suchen. Die Leute, die Tickets zu beantworteten Fragen öffnen, sind oft direkt auf "Kontakt" gegangen.
Ich würde also alle drei abdecken:
- Das Suchfeld. Semantisches oder hybrides Ranking, dazu Titel als Fragen formuliert.
- Über den Ergebnissen. Eine kurze generierte Antwort mit Links und ein ehrliches "Das weiß ich nicht", wenn die Artikel es nicht abdecken.
- Das Kontaktformular und der Chat. Hier fangen Sie ab, bevor ein Ticket existiert. Zendesk zeigt seit Langem vorgeschlagene Artikel im Anfrageformular, während der Kunde den Betreff tippt. Ein KI-Agent geht einen Schritt weiter und beantwortet die Frage im Chat oder direkt am Ticket.
Auf Ebene 3 steckt der zusätzliche Kontext. Ein Suchfeld kennt nur Ihre Artikel. Ein Agent am Kontaktformular oder am Ticket kann auch frühere Tickets lesen, wo all die halb dokumentierten Antworten liegen. Er kann außerdem nachfragen, wenn "Zahlungsproblem" drei verschiedene Artikel meinen könnte. Zendesk ging im April 2026 in diese Richtung mit einem Feld für Folgefragen, das die Suche in einen Chat mit dem KI-Agenten übergibt.
Was bieten Helpdesks bereits für KI-Suche?
Weniger KI im Suchfeld, als das Marketing nahelegt. Von den sechs geprüften Helpdesks dokumentiert nur Zendesk eine generierte Antwort in der Help-Center-Suche selbst; Salesforce hat eine, die neue Orgs nicht mehr aktivieren können. Die übrigen legen die KI in den Chat und lassen die Suche stichwortbasiert, aber fast alle haben einen brauchbaren Bericht über gescheiterte Suchen, und dieser Bericht ist geschenktes Geld.
| Helpdesk | KI-Antwort in der Help-Center-Suche | Bericht über gescheiterte Suchen | KI antwortet anderswo aus Artikeln | Preisangaben (Anbieterseiten) |
|---|---|---|---|---|
| Zendesk | Ja, generative Suche, alle Suite- und Knowledge-Tarife | Such-Dashboard: Top 5 ohne Ergebnis, Ticket-zu-Suche-Verhältnis | Folgefrage in den Chat mit dem KI-Agenten | Suite Team $55/Agent/Monat bei jährlicher Zahlung; 100.000 generative Suchen/Monat inklusive |
| Freshdesk | Nicht dokumentiert | Bericht zur Wissensdatenbank (Pro und Enterprise) erfasst Aufrufe und Likes, keine Suchbegriffe | E-Mail-KI-Agent; Chat-KI-Agent nur mit Freshdesk Omni | $19 / $55 / $89 pro Agent; zusätzliche KI-Sitzungen $49 pro 100 |
| Gorgias | Nicht dokumentiert | Suchen ohne Ergebnis und Klickrate, alle Tarife | KI-Agent antwortet aus Help-Center-Inhalten | Ab $40/Monat mit 30 automatisierten Interaktionen |
| HubSpot | Nicht dokumentiert | Suchbegriffe ohne Ergebnis, ab Professional | Kundenagent im Chat | Kundenagent 50 Credits ($0.50) pro Lösung |
| Help Scout | Nein, Stichwort-Ranking | Tabelle gescheiterter Suchen | Scout in Beacon und E-Mail | Scout $0.75 pro Lösung, alle Tarife |
| Salesforce | AI-Generated Search Answers, in neuen Orgs seit Spring '25 aber nicht aktivierbar | Nicht bestätigt | Agentforce auf der Hilfeseite | Search Answers ist ein kostenpflichtiges Add-on ohne Listenpreis; Agentforce $2/Konversation |
Einige Details zur Tabelle:
- Zendesk. Die generative Suche ist in allen Suite- und Knowledge-Tarifen standardmäßig aktiv, mit 100.000 berechtigten Suchen pro Monat inklusive; darüber hinaus kaufen Sie die Generative Search Extender über den Vertrieb. Ein über das Folgefragen-Feld gelöster Chat zählt als automatisierte Lösung, die auf der Zendesk-Preisseite bei
$1.50(Commitment) oder$2.00(Pay-as-you-go) liegt. Das alte Lückentool Content Cues wurde am 1. Mai 2025 entfernt. Mehr in meiner Aufschlüsselung der Zendesk-KI-Preise. - Freshdesk. Die kundenseitige KI über der Wissensdatenbank ist Freddy AI Agent. Das eigenständige Freshdesk bekommt den E-Mail-Agenten, und der Chat-Agent, der im Web-Widget antwortet, braucht Freshdesk Omni. Die Preisseite nennt 500 inkludierte Sitzungen, eine einmalige Zuteilung für Neukunden. Mein Beitrag zu den Freshdesk-KI-Preisen enthält die ganze Rechnung.
- Gorgias. Der Help-Center-Bericht in allen Tarifen zeigt Suchen, Suchen ohne Ergebnis und Klickrate, und Gorgias empfiehlt, auf "Has results is false" zu filtern, weil "this list can serve as a content backlog". Es weist außerdem darauf hin, dass viele Suchen ohne Ergebnis in einer Sprache meist bedeuten, dass die Artikel nie übersetzt wurden.
- HubSpot. Die Wissensdatenbank gibt es nur in Professional und Enterprise, und der Analyze-Tab listet Suchbegriffe ohne Ergebnis und die meistgesuchten Begriffe mit Klickzahlen. Ein Beta-Wissensdatenbank-Agent entwirft Artikel aus Lücken für 200 Credits pro Artikel.
- Help Scout. AI Answers wurde im Oktober 2026 in Scout umbenannt. Es kostet in jedem Tarif
$0.75pro Lösung, und der Docs-Bericht zeigt gescheiterte Suchen und wie viele Personen nach dem Stöbern trotzdem eine E-Mail geschickt haben. Siehe Help-Scout-Preise. - Salesforce. AI-Generated Search Answers gibt es nur auf Englisch, und seit Spring '25 werden neue Orgs auf eine Data-Cloud-Version verwiesen, die Experience-Cloud-Sites noch nicht unterstützt. Das sollten Sie prüfen, bevor Sie darauf planen.
Wenn Ihr Helpdesk in der Spalte "Nicht dokumentiert" steht, heißt das nicht, dass Sie festsitzen. Es heißt, dass das Suchfeld bleibt, wie es ist, und die KI in die Ebenen 2 und 3 geht, wo ich den Aufwand ohnehin hinlegen würde.
Wie machen Sie aus gescheiterten Suchen Verbesserungen?
Behandeln Sie den Bericht über gescheiterte Suchen jede Woche als To-do-Liste Ihrer Autoren. Das ist die günstigste Verbesserung auf dieser Seite und die, die die meisten Teams überspringen. Eine Reddit-Antwort zur Verbesserung einer Wissensdatenbank brachte es in einer Zeile auf den Punkt: "your KB platform should have lists of terms that folks search for and which articles deflect tickets and which ones do not."
Sehen Sie sich diese Anfragen an: "havent recived order", halbe Sätze, ein Tippfehler in jeder zweiten. So tippen echte Kunden, und deshalb tut sich exaktes Matching schwer.
Der Ablauf, den ich fahren würde:
- Wöchentlich zwei Listen ziehen. Suchen ohne Ergebnis und Tickets zu Themen, die das Help Center angeblich abdeckt.
- Jeden Fehlschlag einordnen. Fehlender Artikel, Artikel unter den falschen Wörtern oder ein Artikel, der die Frage nicht beantwortet. Mein Leitfaden zu Suchlücken enthält dafür eine Vorlage.
- Schreiben oder korrigieren. Eine Frage pro Artikel, die Worte des Kunden im Titel, die Schritte, nach denen Kunden fragen, im Text.
- Neu synchronisieren und prüfen. Stellen Sie sicher, dass alles, was das Help Center liest (Suchindex, KI-Agent), die Änderung übernimmt, und beobachten Sie dieselbe Anfrage in der nächsten Woche.
KI hilft bei Schritt 2 und Schritt 3. Gorgias hat eine AI Library, die Artikel aus echten Ticketdaten entwirft und zeigt, wie viele Tickets jeder vermeiden könnte.
Bei eesel sehe ich denselben Ablauf von der anderen Seite. Qontro, ein ERP-Unternehmen aus Neuseeland, das Freshdesk nutzt, bekommt zu jedem neuen Ticket einen Antwortentwurf, gestützt auf sein Help Center und rund 9.800 frühere Tickets. Das Team vergleicht jeden Entwurf mit der Antwort, die ein Mensch tatsächlich gesendet hat, und jeder falsche Entwurf weist meist auf einen fehlenden oder unvollständigen Hilfeartikel hin. Sie korrigieren den Artikel, eesel synchronisiert das Help Center jeden Freitag neu, und der nächste Entwurf ist besser. Qontro hat außerdem sein eigenes Vokabular in die Anweisungen geschrieben (bei Qontro ist eine Instanz ein "Shop"), also die Wortschatzlücke von oben, von Hand geschlossen. Mehr Ideen in meinem Beitrag zum Erkennen veralteter Help-Center-Inhalte.
Woran erkennen Sie, ob es funktioniert?
Nicht an Such-Klicks. Das Suchengagement kann steigen, während die Tickets gleich bleiben. Die Zahl, die zählt, ist wie viele Kunden suchen und trotzdem ein Ticket öffnen, und Zendesk weist sie direkt aus.
| Kennzahl | Was sie Ihnen sagt | Wo Sie sie finden |
|---|---|---|
| Such-zu-Ticket-Rate | Suchen, die trotzdem in einem Ticket endeten | Zendesk "Ticket to search ratio"; Help Scout "Conversations Created" |
| Rate der Suchen ohne Ergebnis | Suchen, die gar nichts fanden | Suchberichte von Zendesk, Gorgias, HubSpot, Help Scout |
| Klickrate | Ob Ergebnisse wie Antworten aussehen | Zendesk, Gorgias |
| Tickets zu abgedeckten Themen | Tickets, die das Help Center hätte beantworten sollen | Tickets nach Thema taggen, mit Artikeln abgleichen |
| Genauigkeit der KI-Antworten | Ob generierte Antworten zu den Artikeln passen | Daumen hoch/runter unter Antworten; wöchentlich stichprobenartig prüfen |
| Tickets pro 1.000 Besucher | Gesamteffekt des Self-Service | Ticketvolumen vs. Help-Center-Traffic |
Messen Sie, bevor Sie etwas einschalten, und vergleichen Sie danach dieselben Wochen. Saisonalität täuscht jeden. Wenn Sie das nach oben berichten, lesen Sie zuerst meine Anmerkung zur Deflection Rate, denn "umgeleitet" lässt sich leicht überzählen: Ein Kunde, der die Suchseite ohne Ticket verließ, hat vielleicht einfach aufgegeben.
Was kann bei KI-Suche schiefgehen?
Drei Fehlerarten, die ich alle in echten eesel-Rollouts oder Verkaufsgesprächen erlebt habe.
- Selbstsichere Antworten aus dünnen Inhalten. Ich habe erlebt, dass Bots zahlender eesel-Kunden in frühen Setups Antworten erfunden haben, wenn die Wissensdatenbank nichts Passendes enthielt. Das ist die Narbe hinter der heutigen eesel-Einrichtung: Wenn das Help Center es nicht abdeckt, sagt der Agent das und übergibt, statt zu raten, genau so, wie Innr ihn über rund 1.500 Artikel und frühere Tickets in vier Sprachen betreibt.
- Zu breite Artikel. Ein B2B-Team fürchtete, die KI würde Automodelle bestätigen, die es nicht unterstützte, weil ein Artikel "we support all models" sagte. Die KI las es wörtlich. Prüfen Sie Artikel auf pauschale Sätze, bevor Sie eine KI darauf ansetzen; meine Checkliste im KI-Audit der Wissensdatenbank hilft dabei.
- Veraltete Inhalte. Eine KI-Antwort wiederholt die Regel von gestern mit voller Überzeugung. Legen Sie einen Synchronisierungsplan und einen Verantwortlichen pro Bereich fest. Eine sich selbst aktualisierende Wissensdatenbank hilft hier.
Und das Problem, das nicht technisch ist: mehr Artikel schreiben, die niemand liest. Diese Antwort aus demselben Zendesk-Thread ist komisch, weil sie wahr ist:
"The trick we use is to spend hundreds of hours carefully documenting and screenshotting all of the processes, then sending links to people who have issues. Updating it with every edge case we find……only to have every single customer just ring and ask a question."
Die Lösung dafür ist nicht ein besserer Artikel. Es ist eine Antwort dort, wo der Kunde schon ist.
eesel für die Help-Center-Suche
Wenn Ihr Help Center gut ist und Kunden trotzdem schreiben, ist eesel das KI-Helpdesk-Teammitglied, das den Artikel zu ihnen bringt. Es liest Ihr Help Center, Makros und frühere Tickets und antwortet dann in einer Chat-Bubble auf Ihrer Website oder Ihrem Help Center und entwirft Antworten auf die Tickets, die trotzdem eingehen, in Zendesk, Freshdesk, Gorgias, Help Scout oder HubSpot.
Zwei Kunden zeigen, wie das in unterschiedlichen Größen aussieht. AG Reederei Norden-Frisia, eine deutsche Fährreederei, betreibt einen Bot namens CaptAIn, der aus dem Zendesk-Help-Center, Makros und früheren Tickets über drei Kanäle antwortet, und wenn das Team eine FAQ zu Dachträgern aktualisiert, übernimmt der Bot sie bei der nächsten Synchronisierung. SE Ranking betreibt einen Agenten pro Produkt auf rund 16.800 Wissensseiten, darunter etwa 14.100 Help-Center-Seiten, und die Agenten beantworteten in einem Monat rund 2.100 Live-Chats als Erste.
Möchten Sie es an Ihrem eigenen Help Center sehen? Verbinden Sie Ihren Helpdesk, und eesel entwirft Antworten auf echte Tickets, bevor Sie etwas bezahlen, mit 100 kostenlosen Credits auf der Preisseite. eesel ausprobieren.