Hintergrund: Mittelständler im E-Commerce mit wachsender Ticket-Last
Dieser Fall ist ein Composite aus Mustern, die Forfis in der Praxis beobachtet hat. Wir erfinden keine Kunden, sondern verallgemeinern typische Herausforderungen aus dem E-Commerce-Sektor. Das Unternehmen, das wir hier beschreiben, ist ein fiktiver, aber plausibler Vertreter eines Mittelständlers mit 350 Mitarbeitenden, der im deutschen E-Commerce tätig ist und jährlich 12 Millionen Euro Umsatz erzielt. Die IT-Infrastruktur besteht aus einem Shopify-Store, einem SAP-Business-One-ERP, einem Zendesk-Ticketing-System und einem Salesforce-CRM. Die KI-Reifegrad-Phase ist „Isolierte Piloten“: Das Unternehmen hat bereits zwei kleine Piloten durchgeführt (einen für Dokumentenextraktion, einen für interne Wissenssuche), aber noch keine skalierbare Lösung für den Customer-Facing-Bereich implementiert. Die operative Dringlichkeit entsteht durch eine steigende Ticket-Last: 5.000 Tickets pro Monat, eine First-Response-Time von 3,2 Stunden und eine Fehlerquote von 8 % bei der manuellen Bearbeitung. Die Compliance-Anforderungen des EU AI Act und des AGG (Allgemeines Gleichbehandlungsgesetz) für die Candidate Screening-Komponente machen eine strukturierte Einführung notwendig.
Herausforderung: FRT senken und Kosten pro Ticket reduzieren
Die zentrale Herausforderung war die Reduktion der First-Response-Time (FRT) bei gleichzeitiger Senkung der Kosten pro Support-Ticket. Das bestehende Team von 12 Support-Agents konnte die steigende Ticket-Last nicht bewältigen, ohne die FRT zu verlängern. Die manuelle Bearbeitung führte zu einer Fehlerquote von 8 %, was zu Nacharbeit und unzufriedenen Kunden führte. Zusätzlich bestand der Bedarf, einen KI-Assistenten für die Candidate Screening-Komponente im Recruiting-Prozess einzuführen, der Lebensläufe parst und vorläufige Eignungsbeurteilungen erstellt. Die operative Dringlichkeit wurde durch eine Deadline im Q3 2024 verschärft: Das Unternehmen musste die Compliance-Anforderungen des EU AI Act bis zum August 2026 erfüllen und wollte bereits im Q4 2024 eine messbare Verbesserung der FRT erreichen. Die Personalkosten für den Support lagen bei 45.000 EUR/Monat, und das Management wollte diese um mindestens 20 % senken, ohne die Qualität zu beeinträchtigen.
Ansatz: n8n-Orchestrierung mit Human-in-the-Loop
Forfis startete mit einem Prozess-Audit, das die Workflows identifizierte, die sich am besten für die Automatisierung eignen. Der Fokus lag auf zwei Use Cases: 1) Customer-Facing AI Assistant für Ticket-Triage und First-Response, 2) Conversational Agent für die Candidate Screening-Komponente. Die Architektur basiert auf n8n als Orchestrierungsschicht, die Webhooks vom Zendesk-Ticketing-System empfängt, API-Aufrufe an OpenAI (GPT-4o) und Anthropic (Claude 3.5 Sonnet) sendet und die Ergebnisse in das Ticketing-System zurückspielt. Die Integration erfolgt über Custom REST APIs und Webhooks, die sich in das bestehende Salesforce-CRM und SAP-ERP einfügen. Die Delivery-Modelle ist Managed AI Operations: Forfis übernimmt die technische Planung, das Produkt-Design und die Full-Cycle-Entwicklung. Der Pilot läuft über 3 Monate und umfasst eine gemessene Before/After-Baseline auf FRT und Fehlerquote. Die Human-in-the-Loop-Architektur ist Standard: Das Modell erstellt Entwurf oder Klassifizierung, ein Mensch genehmigt alles, was Geld, Gesundheitsdaten oder Verträge betrifft. Für die Candidate Screening-Komponente wird ein Open-Weight-Modell (Llama 3) auf eigener Hardware eingesetzt, da sensible Daten das Gebäude nicht verlassen dürfen.
Ergebnis: FRT um 91 % gesenkt, Kosten pro Ticket um 66 %
Nach 3 Monaten Pilotbetrieb zeigte die gemessene Before/After-Baseline eine deutliche Verbesserung. Die First-Response-Time (FRT) sank von 3,2 Stunden auf 22 Minuten, was einer Reduktion von 91 % entspricht. Die Kosten pro Support-Ticket sanken von 18,50 EUR auf 6,20 EUR, was einer Senkung von 66 % entspricht. Die Fehlerquote bei der manuellen Bearbeitung sank von 8 % auf 2,5 %, da der KI-Assistent die Triage und First-Response übernimmt und die menschlichen Agents nur noch bei Eskalationen eingreifen. Die Candidate Screening-Komponente reduzierte die Zeit für die vorläufige Eignungsbeurteilung von 45 Minuten pro Lebenslauf auf 8 Minuten, was einer Senkung von 82 % entspricht. Die Compliance-Anforderungen des EU AI Act und des AGG wurden erfüllt: Die KI-Systeme sind dokumentiert, die Transparenz gegenüber Nutzern ist gewährleistet, und die menschliche Aufsicht bei finalen Entscheidungen ist fest verankert. Das Management ist mit den Ergebnissen zufrieden und plant die Skalierung auf weitere Use Cases im Q1 2025.
Lektionen: Was ähnliche Teams daraus lernen können
Die wichtigsten Erkenntnisse aus diesem Fall sind: 1) Ein klar definierter Pilot-Umfang mit messbaren Erfolgskriterien (FRT, Fehlerquote, Kosten pro Ticket) ist entscheidend für den Erfolg. 2) Die Integration in bestehende Systeme (CRM, ERP, Ticketing) über Custom REST APIs und Webhooks ist wichtiger als die Einführung neuer Tools. 3) Die Human-in-the-Loop-Architektur ist nicht nur eine Compliance-Erfordernis, sondern auch ein Qualitätsfaktor: Die menschliche Freigabe reduziert die Fehlerquote und erhöht das Vertrauen der Mitarbeiter. 4) Die model-agnostic-Architektur (OpenAI, Anthropic, Open-Weight-Modelle) ermöglicht es, je nach Use Case das passende Modell zu wählen und die Kosten zu optimieren. 5) Die Compliance-Anforderungen des EU AI Act und des AGG müssen von Anfang an in die Architektur einfließen, nicht nachträglich ergänzt werden. Diese Lektionen gelten für alle mittelständischen Unternehmen, die KI im Customer-Facing-Bereich einführen möchten.
Leave a Reply