Der Flaschenhals in der Ticket-Zuordnung
In Fintech-Unternehmen mit über 2000 Mitarbeitern staut sich die Arbeit im Customer Support nicht an der Beratung, sondern an der Zuordnung. Ein Ticket über eine fehlgeschlagene Kartenzahlung landet im allgemeinen Posteingang, wird von einem Mitarbeiter gelesen, manuell kategorisiert und an die Zahlungsabteilung weitergeleitet. Dieser Prozess dauert im Schnitt 45 Minuten, bevor ein Fachexperte überhaupt sieht, was los ist. Die First-Response-Time liegt bei über 2 Stunden, während der Kunde bereits ungeduldig ist. Das Problem ist nicht die Kompetenz der Mitarbeiter, sondern die manuelle Triage, die bei 2000+ Mitarbeitern zu einem Flaschenhals wird. Jede Minute Verzögerung kostet Vertrauen und kann zu Abwanderung führen. Die Skalierung durch mehr Personal ist teuer und langsam, weil die Rekrutierung und Einarbeitung Monate dauern. Die Lösung muss in der Automatisierung der Zuordnung liegen, nicht in der Vermehrung der Köpfe.
Warum klassische Triage-Systeme scheitern
Viele Unternehmen greifen zuerst auf regelbasierte Triage-Systeme zurück, die auf Keywords und Mustern basieren. Diese Systeme scheitern an der Variabilität der Sprache. Ein Kunde, der von „Geld nicht da“ spricht, wird nicht als „Zahlungsstörung“ erkannt, wenn das Keyword „Zahlung“ fehlt. Die Fehlerquote liegt bei 15 bis 20 Prozent, was bedeutet, dass jedes fünfte Ticket falsch geroutet wird. Das führt zu doppelten Bearbeitungen und frustrierten Kunden. Ein anderer Ansatz ist die vollständige Automatisierung ohne menschliche Kontrolle. Das ist in Fintech-Unternehmen mit ISO 27001-Zertifizierung riskant, weil Fehler bei der Zuordnung von sensiblen Daten zu Compliance-Verstößen führen können. Die Kombination aus starren Regeln und fehlender menschlicher Kontrolle erzeugt einen Teufelskreis aus Fehlern und Nacharbeit.
Der 8-Wochen-Pilot mit Voice Agent
Der Ansatz von Forfis beginnt mit einem AI Automation Audit, das die bestehenden Workflows analysiert und die Prozesse identifiziert, die sich am besten automatisieren lassen. Im Piloten wird ein Voice Agent implementiert, der eingehende Anrufe und Sprachnachrichten verarbeitet. Der Agent nutzt die OpenAI API für die Sprachverarbeitung und Klassifikation, ist aber so konzipiert, dass er in die bestehende Infrastruktur integriert wird, ohne diese zu ersetzen. Die Architektur ist model-agnostic, was bedeutet, dass bei Bedarf auf offene Modelle auf eigener Hardware umgestellt werden kann, wenn die Daten nicht das Gebäude verlassen dürfen. Der Agent klassifiziert das Ticket, leitet es an die richtige Abteilung weiter und antwortet dem Kunden mit einer Bestätigung. Ein Mensch prüft jede Aktion, die Geld, Gesundheitsdaten oder Verträge betrifft. Das System ist so gebaut, dass es in 8 Wochen von der Idee zum laufenden Betrieb kommt.
Integration in die Wissensbasis
Die Integration in Notion oder Confluence ist entscheidend, weil der Agent auf die aktuelle Wissensbasis des Unternehmens zugreifen muss. Die APIs dieser Tools werden genutzt, um dem Agenten die relevanten FAQ, Richtlinien und Eskalationspfade bereitzustellen. Das stellt sicher, dass der Agent konsistente und aktuelle Informationen liefert. Die Synchronisation erfolgt in Echtzeit, was bedeutet, dass Änderungen in der Dokumentation sofort im Agenten verfügbar sind. Das ist besonders wichtig in Fintech-Unternehmen, wo sich Richtlinien häufig ändern. Die Integration ist so gestaltet, dass sie die bestehende Dokumentation nicht verändert, sondern nur darauf zugreift. Das reduziert das Risiko von Fehlern und stellt sicher, dass der Agent immer auf dem neuesten Stand ist.
Die ersten fünf Schritte
Der erste Schritt ist die Identifikation des Pilot-Prozesses. Im Audit werden die Top-3-Prozesse ausgewählt, die den größten Hebel haben. Der Voice Agent wird auf einen geschlossenen Ticket-Typ angewendet, z. B. „Kartenzahlung fehlgeschlagen“. Der zweite Schritt ist die Einrichtung der OpenAI API und die Konfiguration der Prompts. Die Prompts werden so gestaltet, dass sie die Klassifikation genau und konsistent machen. Der dritte Schritt ist die Integration in das bestehende Helpdesk-System. Der Agent leitet die Tickets über die API an die richtige Queue weiter. Der vierte Schritt ist die Schulung des Teams. Die Mitarbeiter lernen, wie sie mit dem Agenten interagieren und wie sie die Ergebnisse prüfen. Der fünfte Schritt ist die Messung der Ergebnisse. Die First-Response-Time und die Fehlerquote werden vor und nach dem Piloten gemessen. Das Ergebnis ist ein dokumentierter Vorher-Nachher-Vergleich, der die Effektivität des Systems belegt.
Leave a Reply