Der Kontext
Ein milliardenschwerer Maschinenhersteller baute eine digitale Schicht auf seine Hardwareprodukte auf. Mit einem starken IT-Team investierten sie viel in Copiloten und fortschrittliche LLM-Pipelines (RAG, fein abgestimmte Einbettungen, Reranking, hybride Suche). Trotz dieser Bemühungen waren die Experten frustriert – die Antworten waren unvollständig und unzuverlässig.
Die Herausforderung
Das tiefere Problem waren nicht die Modelle. Es war das Wissen selbst. Ein Großteil des Fachwissens war undokumentiert und in chaotischen Jira-Anfragen vergraben.
-
Mehr als 70 Kategorien, Dutzende von Bezeichnungen und eine geringe Kategorisierungsgenauigkeit (~35%).
-
1 Vollzeitäquivalent (FTE) verbrachte jeden Monat mit der manuellen Weiterleitung von Tickets, bevor die eigentliche Arbeit überhaupt begann.
-
Experten, die in Nachfassaktionen ertrinken: unvollständige Tickets klären, falsch kategorisierte Anfragen erneut versenden und unerreichbare Antragsteller verfolgen. Die Klärung dauerte oft länger als die Lösung des eigentlichen Problems.
Unser Ansatz
Wir haben das Problem in Phasen unterteilt, beginnend mit Routing und Triage.
-
Er analysierte mehr als 250.000 Jira-Probleme in der gesamten IT-Landschaft des Produkts.
-
Es wurde festgestellt, dass 2 Schlüsselkomponenten ~50% des Arbeitsaufkommens ausmachten, aufgeteilt in ~120 verschiedene Muster.
-
Wir haben ein KI/ML-Klassifizierungssystem entwickelt, um diese Muster automatisch den erforderlichen Feldern, Arbeitsabläufen und Genehmigungsschritten zuzuordnen.
-
Wir haben eine Human-in-the-Loop-Pipeline eingeführt, um die Genauigkeit auf über 85 % zu steigern und kontinuierlich zu verbessern.
Ergebnisse
-
Die automatische Kategorisierung verbesserte sich von 35% → 75% out-of-the-box und über 85% mit Feedbackschleife.
-
Das Äquivalent von 1 VZÄ pro Monat, das zuvor für die manuelle Weiterleitung verschwendet wurde, wurde eingespart.
-
Weniger Wiedereröffnungen und Nachfassaktionen, da die Benutzer bei der Eingabe angeleitet werden und die erforderlichen Informationen im Voraus erfasst werden.
-
Wir haben einen Chatbot eingesetzt, um sich wiederholende Fragen zu beantworten und die Nutzer durch die richtigen Arbeitsabläufe zu leiten.
Aufschlag
Das System wurde zu einer Übersetzungsebene zwischen der IT-Komplexität und den Zielen der Nutzer. Anstatt sich mit Kategorien und Feldern herumzuschlagen, verstand das System die Absicht und leitete entsprechend weiter. Diese Klarheit beschleunigte nicht nur die Reaktionszeiten, sondern legte auch den Grundstein für skalierbare Automatisierungs- und Genehmigungsworkflows, erweiterte Wissensdatenbanken und absichtsgesteuerten Benutzersupport.
