Der Kontext
Ein mittelständisches Softwareunternehmen bietet Automatisierungssoftware für Maschinen und Anlagenmanagement für Industriekunden an. Die Nachfrage nach ihrer Lösung stieg schnell, aber das Wachstum schuf ein strukturelles Problem: Sie konnten nicht schnell genug Ingenieure einstellen und an Bord holen, um Schritt zu halten.
Neu eingestellte Mitarbeiter brauchten 18-24 Monate, um ihre volle Produktivität zu erreichen, was vor allem an der Komplexität der Software und der Kundenumgebung lag. Die Software wurde an abgegrenzten Standorten eingesetzt und erforderte die Koordination zwischen mehreren Beteiligten – Softwareanbietern, IT-Dienstleistern, internen IT-Teams, Projektmanagern und Endbenutzern. Anfragen kamen von überall her und mussten oft über mehrere Parteien hinweg bearbeitet werden, bevor sie gelöst werden konnten.
Die Herausforderung
Das Wissen befand sich an zwei Orten: acht Jahre lang in Jira-Problemen (über 50.000 Tickets) und Tausende von Confluence-Seiten, oft nur Screenshots mit minimaler Beschreibung. Für neue Mitarbeiter war dies ein „Datenfriedhof“ – schwer zu finden, noch schwerer zu lernen.
Ein einziger „menschlicher Router“ verbrachte den Tag damit, Tickets zu reinigen, zu klären und zuzuweisen. Ältere Ingenieure verbrachten die Hälfte ihrer Zeit damit, Fragen zu beantworten, unvollständige Tickets zu klären und Jüngeren zu helfen. Das verlangsamte die Innovation und hielt das Team in einem ständigen Reaktionsmodus. Die Genauigkeit der Kategorisierung lag bei etwa 15 % und die Abdeckung der Dokumentation bei etwa 10 %.
Unser Ansatz
Arti begann mit einer gründlichen Analyse von 50.000 Jira-Themen. Die Ergebnisse zeigten Konzentrationspunkte: Nur 3 der 12 Softwaremodule machten mehr als 50 % der Arbeitsbelastung aus. Dies war der Ausgangspunkt für eine hochwirksame Automatisierung.
Dann haben wir einen KI-gesteuerten Router gebaut:
-
Eine automatische Kategorisierungsgenauigkeit von 75 % wurde sofort erreicht und mit einer Human-in-the-Loop-Pipeline trainiert, um 80 % zu erreichen.
-
Überprüfe Tickets automatisch auf Vollständigkeit und fordere fehlende Details vor der Übermittlung an.
-
Die drei wichtigsten historischen Probleme wurden zusammen mit kurzen Zusammenfassungen des Problems und der Lösung aufgedeckt, um die Ingenieure anzuleiten.
Parallel dazu extrahierten die KI-Agenten wiederkehrende Problem-/Lösungscluster. Unter Einbeziehung der leitenden Ingenieure wurden diese in eine neue, nutzbare Wissensbasis strukturiert – eine, die die Ingenieure aktiv unterstützt, anstatt ungenutzt zu bleiben.
Ergebnisse
Die Wirkung war unmittelbar und messbar:
-
Die Einarbeitungszeit sank von 18-24 Monaten auf nur noch 4-6 Monate.
-
Die automatisierte Kategorisierung erreichte eine Genauigkeit von 75-80%.
-
Die Rolle des menschlichen Routers wurde abgeschafft, wodurch Kapazitäten frei wurden.
-
Senior-Ingenieure gewannen Zeit für Innovationen statt für die Brandbekämpfung.
Aufschlag
Durch die Strukturierung ihres „Datenfriedhofs“ in einen nutzbaren Vermögenswert schuf das Unternehmen eine Grundlage für die Skalierung. Neueinstellungen könnten innerhalb von Monaten, nicht von Jahren, erfolgen. Anfragen wurden sauber durch eine komplexe Multi-Stakeholder-Umgebung geleitet. Und das Wichtigste: Das Unternehmen konnte weiter wachsen, ohne dass der Personalbestand linear anstieg.
