Der Kontext
Ein schnell wachsendes B2B-SaaS-Unternehmen hatte Schwierigkeiten, den Support zu erweitern. Die Ticketvolumina stiegen an, die Einarbeitung neuer Agenten dauerte Monate, und wichtiges Fachwissen lag in verstreuten Systemen.
-
15.000+ Tickets in 5 Jahren, fast alle manuell bearbeitet
-
Die Einarbeitung neuer Agenten dauerte aufgrund der uneinheitlichen Einstufung Monate
-
Institutionelles Wissen ist in Stammesgewohnheiten und nicht in Systemen verankert
Obwohl wir in die Dokumentation investiert haben, waren die Daten zu fragmentiert, um daraus zu lernen. Mit jedem neuen Agenten begann die Lernkurve wieder von vorne.
Die Herausforderung
Automatisierungsversuche waren zuvor gescheitert – zu komplex, zu losgelöst vom Tagesgeschäft.
Das Team brauchte eine Lösung, die:
-
Nativ in bestehende Jira-Workflows integriert
-
Verkürzte Einarbeitungszeit durch Sichtbarmachen von Mustern
-
Nachgewiesene echte Genauigkeit innerhalb von 8 Wochen
-
Erforderte keine Verhaltensänderung von Frontline-Agenten
Unser Ansatz
Arti analysierte 15.000 historische Tickets, um versteckte Taxonomiemuster und wiederkehrende Absichten aufzudecken.
Wir haben ein Human-in-the-Loop-ML-Modell direkt in Jira entwickelt:
-
KI schlägt Kategorien vor; Agenten werden in 5 Sekunden validiert
-
Keine neuen Tools oder Dashboards
-
Umschulung alle zwei Wochen von validierten Tickets
-
Übernahme durch den Champion (15 Minuten/Tag)
Die Ergebnisse
| Metrisch | Vor | Nach 8 Wochen |
|---|---|---|
| Auto-Kategorisierung | 15% | 68% |
| Validierungsgenauigkeit | – | 97% |
| Manuelle Triage | 255 Tickets/Monat | 96 Tickets/Monat |
| Gesparte Zeit | – | ~20 Stunden/Monat |
| Ramp-Up für neue Agenten | 8 Wochen | 3 Wochen |
„Die Einführung war nahtlos. Fünf Sekunden pro Ticket, keine neuen Tools. Das System lernt alle zwei Wochen aus unseren Korrekturen“.
– Support Operations Lead
Die Auswirkungen
Die routinemäßige Triagearbeit ging um zwei Drittel zurück, das Onboarding wurde beschleunigt und die Wissenserfassung verbessert. Das Team skalierte schneller, ohne auszubrennen – und schuf eine Grundlage für kontinuierliches Lernen in Jira selbst.
