Warum KI im Support verwenden:

Die rasante Entwicklung generativer künstlicher Intelligenz wie ChatGPT hat das Feld des Kundensupports zutiefst transformiert. Aber kann KI wirklich einen menschlichen Agenten ersetzen?

Zu diesem Zeitpunkt scheint es einen Konsens zu geben, dass die technische Frage weitgehend gelöst wurde, aber die auf dem Markt verfügbaren Lösungen bleiben oft unvollständig. Sie erkennen zwar Kundenzufriedenheit als ein wichtiges Thema an, tragen jedoch nur sehr wenig dazu bei, und ziehen es stattdessen vor, Supportkosten zu optimieren. Diese Maßnahme, obwohl scheinbar einfach, ist extrem schwierig zu bewerten: Sie basiert in der Regel auf einer nicht sehr repräsentativen Stichprobe der Gesamtbevölkerung, die mit heterogenen Methoden berechnet wird. Das Fehlen einer absoluten Definition dieses Maßes bedeutet, dass jeder es manipulieren kann, um jeden Ansatz zu validieren.

Endbenutzer möchten menschliche Interaktion:

Die Vorstellung von Kundenzufriedenheit ist ein entscheidendes Thema im Bereich des Kundenservice, und die verschiedenen Daten zeigen, wie komplex es ist, die Präferenzen der Verbraucher zu verstehen. Stellen wir uns vor, unser Ziel ist die Ungültigmachung eines Chatbot-Ansatzes, aber mit einer einfachen Multiplikation erreichen wir unser Ziel dank unseres berühmten Kundennutzens.

Wenn wir das Beispiel des Bots von Toyota nehmen, der laut COMETE.AI 98% seiner Benutzer zufriedenstellt, scheint dies ein Erfolg zu sein. Allerdings zeigt eine PwG-Umfrage, dass 80% der Befragten lieber direkt mit einem menschlichen Kundendienstmitarbeiter interagieren würden als mit einem Chatbot oder einem anderen automatisierten Antwortdienst. Diese Ergebnisse stimmen mit denen von Forbes überein, die berichten, dass 86% der Verbraucher menschliche Interaktion Chatbots vorziehen. 

Wir können also ableiten, dass die 98%ige Kundenzufriedenheitsrate nur auf 20% der Gesamtbevölkerung zutrifft (die anderen 80% der Bevölkerung konnten ihre Präferenzen nicht wirklich äußern). Das Ergebnis ist eine Kundenzufriedenheitsrate von 19,6% - es ist legitim, die Wirksamkeit dieser Technologie als zufriedenstellenden Kompromiss zu hinterfragen.  

KI im Support

KI im Support wird hauptsächlich über Chatbots eingesetzt:

Die überwiegende Mehrheit, wenn nicht alle, der verfügbaren Lösungen folgen dem ChatBot-Modell. Chats stellen jedoch einen sehr kleinen Teil des von unseren Agenten bearbeiteten Tickets dar, wobei über 70% der Anfragen per E-Mail erfolgen.

Chatbots, die KI verwenden, stellen eine clevere Lösung dar, um die meisten Probleme bei der Bearbeitung von Tickets zu umgehen. Künstliche Intelligenz beschränkt sich darauf, teilweise Antworten bereitzustellen und den Endbenutzer bei jeder Ungewissheit zum Nachdenken anzuregen. Diese Chatbots sind nichts weiter als intelligente, dynamische FAQs, die nur zufriedenstellend auf Anfragen nach einfachen Informationen reagieren können, die einen kleinen Prozentsatz des üblichen Kundenservicetraffics ausmachen.  

Im Kontext von E-Mails hat die KI nur eine Chance, die richtige Antwort zu geben, und darf den Benutzer nur dann zurate ziehen, wenn es wirklich notwendig ist.

KI ist immer noch relativ selten, da die Automatisierung eine echte Herausforderung darstellt:

Die Implementierung künstlicher Intelligenz ist eine große Herausforderung für die meisten Unternehmen. Nur wenige Großunternehmen haben die Ressourcen, um dieses Problem direkt anzugehen. Die datenbezogene Arbeit, die erforderlich ist, um diesen Prozess zu automatisieren, ist entscheidend, wird aber oft von der Komplexität der Datenerfassung und der strikten Einhaltung von Datenschutzvorschriften (DSGVO) beeinträchtigt. Die Implementierung einer solchen Lösung ist alles andere als einfach und erfordert in der Regel ein beträchtliches Budget und technologische Umstrukturierung, was oft dazu führt, dass dieser Service ausgelagert wird. Die Hauptschwierigkeit liegt in der Skalierbarkeit des Tools: Die Automatisierung von Prozessen in einer geschlossenen Datenumgebung ist relativ einfach; allerdings ist die Bearbeitung von Tickets von einer Vielzahl von Kunden mit unterschiedlichen Prozessen, Tools und Datenstrukturen eine weitaus komplexere Aufgabe. Hierin liegt die eigentliche Herausforderung des Business Process Outsourcing (BPO). In diesem Kontext liegt das Ziel von Onepilot: künstliche Intelligenz für die effiziente Bearbeitung aller Tickets so vielen Menschen wie möglich zugänglich zu machen.

KI bei Onepilot

Unsere Vision:

Bei Onepilot sind wir davon überzeugt, dass menschliches Eingreifen unerlässlich ist, um echte Kundenzufriedenheit zu garantieren. KI kann zwar ein wertvolles Werkzeug sein, kann aber nicht als alleinige Lösung betrachtet werden. Unser Ansatz besteht darin, die Arbeit unserer Freiberufler zu optimieren, anstatt sie zu ersetzen. Tatsächlich agiert unsere KI im Hintergrund und flüstert unseren Agenten die richtigen Antworten zum richtigen Zeitpunkt zu. Es liegt jedoch immer in menschlicher Kontrolle, wie die Antwort für den Endbenutzer formuliert wird. 

Für unsere Kunden bedeutet dies absolute Sicherheit: Sie vertrauen uns ihre Anfragen an und wir kümmern uns um den Rest, von der Modellierung der Prozesse bis hin zur Implementierung der passenden künstlichen Intelligenzmodelle. Unsere Hauptanliegen sind Produktivität, jedoch immer mit dem Kunden im Blick. Wir überwachen sorgfältig die Bearbeitungszeit von Tickets, was es uns ermöglicht, eine dynamische und faire Preisgestaltung zu übernehmen. Je kürzer die Bearbeitungszeit für ein Problem ist, desto geringer sind die endgültigen Kosten für den Kunden. Auf diese Weise wird jeder intern geschaffene Wert an unsere Dienstleistungen weitergegeben und unseren Kunden ein außergewöhnliches Qualitätsniveau zu einem wettbewerbsfähigen Preis geboten.

Einige Zahlen:

Ein typischer Monat bei Onepilot ist gekennzeichnet durch ein Volumen von mehr als 500.000 E-Mails, die bearbeitet werden müssen, und erfordert das Eingreifen von mehr als 1.200 Agenten. Die Einführung von Autopilot, mit seinen Nachrichtenempfehlungen, hat sich seit seiner Einführung im November 2023 als äußerst vielversprechend erwiesen. Dieses neue Tool ermöglichte es uns, die Bearbeitungszeit für die Hälfte der Tickets, auf die es angewendet wurde, um den Faktor 6 zu verringern, von durchschnittlich 6 Minuten auf nur 1 Minute. Aufgrund dieser Ergebnisse starten wir nun in die Erweiterungsphase für alle unsere Kunden. Bis Ende des Jahres ist unser Ziel, 50% der E-Mail-Tickets über Autopilot zu verwalten. Dieser Übergang wird zu einer Verdopplung unserer Ticketbearbeitungskapazität führen, wobei die unveränderte Zufriedenheit der Endbenutzer garantiert wird, ohne dass auf Seiten des Kunden Maßnahmen erforderlich sind. 

Erschließung der fairen Nutzung von KI: Unsere Vorteile

Die Implementierung unseres Kern-KI-Algorithmus "Autopilot" stellt einen großen Schritt nach vorn bei der Lösung der mit der Ticketbearbeitung verbundenen Probleme dar. Sie ermöglicht es uns, die Wissensbasen unserer Kunden automatisch zu interpretieren und perfekt in die Haupt-Ticketing-Tools zu integrieren. Sie ermöglichst uns wesentliche Kontextinformationen wie Bestellstatus oder Lieferzeiten abzurufen. Diese Lösung basiert auf mehreren Millionen sorgfältig von unseren Agenten annotierten Nachrichten sowie hunderten von Wissensbasen, die gepflegt und regelmäßig aktualisiert werden und die alle Prozesse unserer Kunden umfassend beschreiben, wobei eine firmeneigene Datenstruktur an KI angepasst wird.

Grafik 1: 70% der Onepilot-Tickets sind E-Mails, während über 56% der Onepilot-Tickets eine Interaktion mit einem externen Tool erfordern (meistens ein Back-Office oder ein Carrier).

Wir haben eine Panel von KI-Tools entwickelt, um das tägliche Leben unserer Agenten zu verbessern und gleichzeitig ein hohes Qualitätsniveau zu garantieren:

Sobald ein Ticket eingegangen ist, durchsucht Autopilot automatisch die mit dem Kunden verbundene Wissensbasis, damit der Agent sich in der bestmöglichen Position befindet, um zu antworten. Wenn der Algorithmus alle erforderlichen Schritte lösen kann, s schlägt er eine manuell von einem unserer Account Manager erstellte Antwort vor und bietet auch eine von LLM generierte Alternative, um die Personalisierung zu erhöhen. Wenn der Algorithmus nicht genügend Informationen hat, um den Prozess abzuschließen, jedoch bestimmte Schritte verarbeiten konnte, wird der Agent direkt zum ersten nicht automatisch verarbeiteten Schritt geleitet. Darüber hinaus erhält der Agent für jeden übersprungenen Schritt eine Zusammenfassung, in der die Auswahl des Algorithmus begründet wird. 

Da wir die Daten unserer Kunden schützen möchten, haben wir strenge Maßnahmen wie die Echtzeit-Anonymisierung von Nachrichten über die sehr präzise Named Entity Detection implementiert. Die Daten, die keine persönlichen Informationen mehr enthalten, können daher unbegrenzt gespeichert und an die LLMs unserer Wahl gesendet werden. Um die Qualität der Arbeit unserer Agenten zu garantieren, analysiert ein weiterer spezialisierter KI-Algorithmus alle gesendeten Nachrichten und wählt diejenigen aus, die er für unzureichende Qualität hält. Jede Woche leitet dieser Algorithmus bis zu 10% der Nachrichten an unser Team weiter, das diese Tickets manuell überprüft und deren Qualität annotiert. Dieses Tool wird verwendet, um ein hohes Niveau an Kundenzufriedenheit zu garantieren und mittelfristig verwendet, um Autopilot zu kontrollieren.

Etwas mehr Details zu unserem Kernalgorithmus: Autopilot

Unser Ansatz beruht auf der kombinierten Verwendung von groß angelegten Sprachmodellen und klassischen maschinellen Lernverfahren. Um dies zu erreichen, haben wir eine Sequenz von Modellen eingerichtet, die wöchentlich neu trainiert werden und die neuesten verfügbaren Tickets einbeziehen. 

Dank eines Datenanreicherungsalgorithmus sind wir in der Lage, synthetische Daten zu generieren und damit unseren Lernsatz zu bereichern, selbst mit relativ bescheidenen Proben. Drei Punkte können bereits ausreichen, damit unser Algorithmus einen Prozess versteht. Dieser Ansatz hat eine Reihe von Vorteilen, darunter die Fähigkeit, neue Kunden schnell zu integrieren und Änderungen in den Kundenprozessen zeitnah zu berücksichtigen. Jedes Modell ist auf eine präzise Aufgabe spezialisiert und in seinem Bereich begrenzt, um die Relevanz zu garantieren. Wir kombinieren LLMs, RAG (Retrieval-Augmented Generation) und überwachtes Klassifizieren, um leistungsstarke Modelle zu produzieren. An jedem Knoten des Wissensbaums, der den Kundenprozess repräsentiert, sind mehrere Modelle zugeordnet und werden durch einen Abstimmungsmechanismus ausgewählt. So werden automatisch für jeden Kunden mehrere Dutzend Modelle trainiert, entsprechend den Architekturen und Einschränkungen, die im Rahmen unseres Proof of Concept definiert wurden.

Wir messen die Relevanz unseres Algorithmus anhand des % der Vorschläge, die von unseren Agenten verwendet werden, und während der POC-Phase erreichten wir 85% der richtigen Vorschläge. Dieses Maß steht im Gegensatz zur Kundenzufriedenheit, da es absolut und überprüfbar ist.

Grafik 2: Bei einer durchschnittlichen Genauigkeit von 85% und trotz eines begrenzten Bereichs von 2% der prognostizierten Tickets hat unser "Autopilot"-Proof of Concept unseren Agenten bereits mehr als 3.500 Stunden gespart. Unser Ziel ist es, diese Zahl um das 25-fache zu erhöhen, wenn wir das Tool hochskalieren.

Schlussfolgerung:

Die Integration von Autopilot in Onepilot hat eine regelrechte Revolution in der Ticketbearbeitung bewirkt. Die beeindruckenden Ergebnisse, die von Anfang an mit dieser Initiative erzielt wurden, zeugen von ihrer unbestreitbaren Wirksamkeit. Aufbauend auf diesem Schwung streben wir danach, die Standards des Ticketmanagements für unsere Kunden neu zu definieren und ihnen eine noch reibungslosere und effizientere Erfahrung zu bieten. Mit Autopilot nun in allen Sprachen verfügbar, sind wir bereit, uns jeder Herausforderung zu stellen, während wir unser absolutes Engagement für die Zufriedenheit der Endbenutzer aufrechterhalten.