Künstliche Intelligenz (KI) bringt eklatante Verbesserungen mit sich – insbesondere im Kundenservice. Das Problem dabei: Viele Organisationen wissen nicht, wie sie diese am besten praktisch nutzen. Der Hype ist groß, die Anwendungen im Alltag mannigfaltig, doch der geschäftliche Nutzen schwappt vielerorts erst langsam herüber.
Es braucht ein tieferes Verständnis über die Mechanismen hinter KI, um sie zielgerichtet einsetzen zu können. Dieser Beitrag deckt auf, was Large Language Models (LLMs) und maschinelles Lernen (ML) im Kundenservice bewirken.
Was sind LLMs und ML – und wie funktionieren sie?
Large Language Models und maschinelles Lernen revolutionieren den Kundenservice – und manifestieren sich für Unternehmen als feste Größen, um konkurrenzfähig und auf Höhe der Zeit zu sein, schnellen Support zu bieten, zeitsparend zu agieren und uneingeschränkt performanceorientiert zu sein.
Was sind Large Language Models?
Als eine leistungsstarke Art Künstlicher Intelligenz (KI) sind Large Language Models (LLMs) darauf trainiert, menschliche Sprache zu verstehen und zu erzeugen. Es handelt sich um ein Machine-Learning-Model, das natürliche Sprache verarbeitet (Natural Language Processing – NLP).
Large Language Models verstehen Texte, analysieren sie und generieren kohärente Antworten auf Anfragen beziehungsweise führen sprachbezogene Aufgaben aus. Möglich wird dies durch neuronale Netzwerke und Trainings mit enormen Textmengen.
Spannender Fakt #1: Um die Textmenge, die für das Training von GPT-3 benutzt wurde, zu erfassen, müsste ein Mensch hypothetisch für 2.600 Jahre rund um die Uhr lesen.
Spannender Fakt #2: Für den Umfang der Berechnungen, die mit einem Großen Sprachmodellen verbunden sind, bräuchte ein Mensch, wenn er jede Sekunde eine Milliarde Multiplikationen und Additionen durchführen könnte, weit über 100.000.000 Jahre.
Im Zusammenhang mit Texten leisten LLMs unter anderem Folgendes:
- Generierung (Erstellung)
- Zusammenfassungen
- Fortführungen/Ergänzungen
- Übersetzungen
- Umformulierungen
- Klassifizierungen
- Kategorisierungen
- Stimmungserkennung (Sentiment-Analyse)
Unabhängig von der Textarbeit kommen das Fungieren als Chatbot samt der Fragenbeantwortung und grundlegende Programmierkenntnisse hinzu.
Da solche Anwendungen ein hohes Potenzial entfalten und immer leistungsfähiger werden, erfreuen sie sich im Unternehmenskontext einer hohen Beliebtheit. So unterstützen KI-Sprachmodelle den Kundensupport durch Chatbots, Sentiment-Analysen, Übersetzungen, Zusammenfassungen und die Ausgabe von Informationen.
Das Besondere daran: Im Gegensatz zu herkömmlichen Sprachmodellen braucht es dafür kein zusätzliches Finetuning (Spezialisierung auf bestimmte Aufgaben); es entstehen sofort brauchbare Ausgaben.
Hintergrund: Finetuning bedeutet, ein bereits trainiertes Modell mit zusätzlichen, spezifischen Daten anzureichern, um es an besondere Anforderungen, Fachgebiete oder Sprachstile anzupassen. So entstehen noch präzisere und kontextbezogene Ausgaben.
Was ist maschinelles Lernen?
Maschinelles Lernen (ML) bildet die Grundlage für Large Language Models: Computerprogramme lernen aus Beispieldaten, anstatt explizit – anhand starrer Daten – programmiert zu werden. So lernen Modelle, Muster zu erkennen und diese auf ähnliche, neue Daten zu übertragen, ohne dass es dafür weiterer Informationen bedarf.
Ein einfaches Beispiel: Ein Programm weiß anfangs nicht, wie eine Katze aussieht. Dies lernt es nun anhand zahlreicher Bilder und benötigt im Nachhinein keine Informationen mehr über das Aussehen einer Katze.
Ein spannendes Beispiel stellen in diesem Kontext Sentiment-Analysen dar: Ein Modell lernt aus vielen Beispieldaten, wie sich unterschiedliche Stimmungen (von Kunden) äußern und ist schließlich dazu in der Lage, diese zu erkennen. Dadurch finden Support-Mitarbeiter schnelle Orientierung und können einen tieferen Blick auf kritische Fälle werfen und sofort angemessen reagieren.
Erfahren Sie, wie OTRS mit seinen AI Services Ihren Support effizienter macht – und laden Sie das OTRS AI Datenblatt herunter.
Hintergrund: LLMs und ML breiten sich aus
Künstliche Intelligenz gewinnt immer noch massiv an Bedeutung. Die Herausforderung liegt dabei weniger darin, KI-Vorteile zu kennen, als diese weitläufig – mit realen positiven Business-Effekten – zu nutzen. Haben sich Large Language Models wie ChatGPT bereits gemeinhin durchgesetzt, so bildet die dedizierte Nutzung für relevante Unternehmensbereiche eine ungemein größere Herausforderung.
Unser Report „The State of SMB IT for 2026” offenbart, dass die überwiegende Mehrheit (71 %) der kleinen und mittelständischen Unternehmen (KMUs) KI für wichtig in Bezug auf ITSM-Erfolge hält, der Einsatz sich aber noch in einem frühen Stadium befindet. Für KMU stellt KI dabei weniger ein disruptives Element, als mehr eine Ergänzung zu bestehenden Workflows dar.
Dabei spiegelt die KI-Ausbreitung gemäß der Umfragedaten des Reports den ITSM-Reifegrad wider. Das heißt: Ohne ein gut ausgereiftes ITSM- oder ITAM-System bleibt KI auf wenige Anwendungsbereiche wie Chatbots, die Ticket-Klassifizierung oder Wissensdatenbank-Artikel begrenzt.
Auch in anderen Service-Management-Bereichen sind, KI, LLM und ML durchaus angekommen – und liefern bereits gute Effizienzvorteile.
Die Quintessenz besteht darin, dass diese im aktuellen Stadium manuelle Prozesse unterstützen, anstatt sie (vollständig) zu ersetzen.
Rolle im Kundenservice
Große Sprachmodelle finden im Kundenservice ein hervorragendes Einsatzszenario. Anders ausgedrückt: Der Kundenservice lässt sich mithilfe von Large Language Models optimieren. Konkret bedeutet dies, dass sich KI-Anwendungen – die sich auf LLMs stützen – für zahlreiche Aufgaben hernehmen lassen und dort bedeutende Unterschiede machen.
So bekommt der Kunde schnell eine zufriedenstellende Antwort beziehungsweise Lösung, der Agent spart sich Arbeit, Zeit sowie Nerven und Unternehmen profitieren von effizienten Prozessen, wertschöpfender agierenden Mitarbeitern und einer höheren Kundenzufriedenheit.
Beispiel für die Anwendung
Das führt bis hin zu komplexen Fällen: Ein Kunde könnte sich zum Beispiel auf Folgeprobleme nach der Implementierung einer bestimmten Software berufen. Der damit betraute Agent lässt sich die zahlreichen in einem Ticket vorangegangenen Nachrichten nun KI-gestützt innerhalb von Sekunden zusammenfassen, erhält durch eine Sentiment-Analyse Aufschluss über die Stimmung des Kunden und lässt sich eine angemessene Antwort, die er nur noch prüfen muss, generieren.
In diesem Fall wäre die Zeitersparnis enorm und das Ergebnis – durch die aggregierte Nutzung verschiedener KI-Anwendungen – höchstwahrscheinlich überaus zufriedenstellend.
Doch auch ohne Zutun eines Agenten erfüllen LLMs mehr und mehr eine Schlüsselfunktion, indem sie unverzüglich und 24/7 auf Anfragen reagieren, Mitarbeiter entlasten und Routineaufgaben automatisieren. Chatbots und KI-gestützte Wissensdatenbanken, die mit ihren Nutzern interagieren, sind gute Beispiele dafür.
Fortschritte dank maschinellen Lernens
Maschinelles Lernen steht dabei nicht nur sinnbildlich für das hohe Potenzial der Large Language Models: Lassen sich die Ausgaben (Antworten; Lösungen) anfangs vielleicht nur für simple Anfragen (Service-Level 0 und 1) hernehmen, so entwickeln sich die Fähigkeiten mit der Zeit bis hin zu komplexen Lösungsansätzen und den Kompetenzen erfahrener Mitarbeiter.
Tipps für die Nutzung
Die Erfahrung trügt nicht: Large Language Models und maschinelles Lernen breiten sich immer weiter aus, erreichen ein hohes Potenzial und werden dieses in Zukunft voraussichtlich noch übertreffen.
Ergo zählt es weniger, ob Unternehmen sie überhaupt nutzen, sondern vielmehr wie sie das tun. Kurzum: Aus LLM und ML das Meiste herauszuholen, bildet ein ganz entscheidendes Kriterium – in der Zukunft genauso wie in der Gegenwart.
Im Folgenden finden sich einige hilfreiche Tipps, um einerseits die Vorteile adäquat zu nutzen und andererseits effektiv mit Herausforderungen umzugehen.
Vorteile nutzen
Es ist gleichzeitig beruhigend und eine Herausforderung: Die potenziellen KI-Vorteile sind in großer Zahl vorhanden, enorm und mannigfaltig. Man muss sie nur kennen und zu nutzen wissen.
Im Folgenden finden sich wichtige Beispiele dafür, wie die Stärken von Large Language Models im Kundenservice relevante Unterschiede machen:
#1 LLM-Fähigkeiten gezielt für Automatisierungen anwenden
Viele Anwender neigen dazu, Large Language Models recht fragmentiert und zur Unterstützung manueller Prozesse in Anspruch zu nehmen. Tatsächlich können diese jedoch auch Aufgaben, die zuvor manuelle Arbeitsschritte erforderten, vollständig übernehmen. Im Kundenservice zum Beispiel erstellen entsprechende Modelle bereits Antworten und führen Support-Gespräche; auch die Erstellung von Dokumentationen oder FAQs lässt sich automatisieren.
Anwender sind sich im Idealfall des gesamten Nutzungshorizonts von LLMs bewusst und reizen diesen – so weit wie es möglich und sinnvoll ist – aus. So lassen sich viele zuvor zeitintensive Aufgaben einsparen sowie konsistente und zum Teil sogar bessere Ergebnisse erzielen.
#2 Präzision und Qualität hervorbringen
Die typischen Nutzungsempfehlungen für den Umgang mit Large Language Models lauten in etwa so: sich bei Routineaufgaben unterstützen lassen, unliebsame Arbeitsschritte automatisieren, Quantität erzeugen.
Doch dank fortschrittlichen maschinellen Lernens ist auch Qualität möglich: LLMs verstehen Sprache nicht nur präzise, sondern können sie auch genauso präzise generieren. Dadurch lassen sich zum Beispiel elaborierte E-Mails und Berichte sowie äußerst prägnante Zusammenfassungen und Umformulierungen sowie genaue Übersetzungen zwischen verschiedenen Sprachen erzeugen.
#3 Problemlösungen und neue Ansätze gewinnen
Dank der enormen Menge an Trainingsdaten sind Large Language Models dazu in der Lage, Wissen aus ganz unterschiedlichen Bereichen hervorzubringen und dieses miteinander zu kombinieren. Dadurch lassen sich unkonventionelle und kreative Problemlösungen sowie Ideen erzeugen, auf die man als Anwender von sich aus nicht kommt.
Herausforderungen meistern
Generell gilt: KI, LLMs und ML bergen deutlich mehr Vor- als Nachteile. Doch wie in beinahe allen Bereichen gibt es auch hier Herausforderungen. Je eher sich Nutzer dieser bewusst sind, desto besser können sie mit ihnen umgehen.
Insgesamt stehen Nutzer vor diesen Herausforderungen:
- Frage, inwiefern sie den Antworten vertrauen können
- Schwierigkeit, KI-Entscheidungen oder -Empfehlungen zu validieren
- Umgang mit Bias und Diskriminierungen
- vertrauliche Daten schützen
- rechtliche und ethische Unsicherheiten
Im Folgenden sind exemplarisch einige wichtige Herausforderungen erklärt:
#1 Umgang mit Halluzinationen
Die größte Herausforderung bei generativer Künstlicher Intelligenz wie LLMs betrifft den Wahrheitsgehalt der Ausgaben. Auch wenn diese zum Großteil der Wahrheit entsprechen, sollte man sie dennoch insbesondere bei komplexen Anliegen und Problemstellungen prüfen.
So kommt es mitunter zu Halluzinationen: Die KI trifft sachlich falsche Aussagen, die sie für wahr hält. Das liegt daran, dass Ausgaben aufgrund der Wahrscheinlichkeiten für das nächste Wort (auf Basis der Trainingsdaten), nicht aber unter der vollen Berücksichtigung des Wahrheitsgehalts getroffen werden.
Dass ein LLM halluziniert, lässt sich einschränken, indem man der KI einen Kontext – wie durch Textdokumente – zur Verfügung stellt. So kann sie noch besser kontextuell richtige und adäquate Ausgaben generieren.
#2 Verzerrungen erkennen
Dieser Punkt liegt recht nahe am vorangegangenen: dem Wahrheitsgehalt. Nur können Verzerrungen durchaus der Wahrheit entsprechen, sind also keine Halluzinationen, aber rücken die Wahrheit in ein anderes Licht.
So übernehmen LLMs zum Beispiel manchmal gesellschaftliche Stereotype, was dazu führen kann, dass sie Ärzte automatisch als männlich und Pflegekräfte automatisch als weiblich deklarieren. Zusätzlich zu solchen ethischen Verzerrungen kann es zu sprachlichen (z. B. übertrieben höfliche Formulierungen) oder geografischen (z. B. US-zentrierte Beispiele und Begriffe) Bias kommen.
Mit etwas Übung und Erfahrung lassen sich solche Bias recht leicht erkennen. Sie werden durch genügend Trainingsdaten und eine zunehmende Reife der Anwendungen auch ohne Zutun der Anwender behoben. Wichtig ist dabei auch das sogenannte Finetuning – eine Feinjustierung mit kuratierten Daten.
#3 Preisgabe sensibler Daten
Ein LLM sollte unbedingt die Datenschutz-Grundverordnung (DSGVO) einhalten und personenbezogene Daten nicht weitergeben. Ferner sind Nutzer gut beraten, personenbezogene und generell sensible Daten sowie Informationen möglichst nicht mit einer KI zu teilen, wenn dies nicht unbedingt nötig ist beziehungsweise sie sich nicht sicher sind, was mit diesen geschieht.
LLMs und maschinelles Lernen bei OTRS
Kunden hegen heutzutage hohe Erwartungen an Service-Erlebnisse: Es geht um schnelle Leistungen zu jeder Zeit, die sowohl kompetent als auch umfangreich und auf dem neuesten Stand sind. So zählt es beim ITSM zum Beispiel, auch große Ticketmengen so bearbeiten zu können, dass die Servicequalität hoch ist und Kunden zufrieden sind.
Die KI-Services von OTRS führen dabei LLMs und maschinelles Lernen auf ein hohes Niveau. Die KI denkt mit, lernt aus Daten, versteht Zusammenhänge und kreiert kontextbezogene Antworten. Damit leistet sie einen wichtigen Schritt, um zuvor zeitaufwändige Serviceprozesse zu automatisieren.
So steigern unsere KI-Funktionen nicht nur die Effizienz, sondern auch die Qualität und Skalierbarkeit des Kundenservice, wodurch Unternehmen klare Wettbewerbsvorteile erfahren.
Folgende KI-Services stehen zur Verfügung:
- Ticket-Klassifizierungen und Servicebeschreibung
- KI-Antwortgenerierung
- Sentiment-Analysen
- Echtzeit-Übersetzungen
- KI-Zusammenfassungen
Fazit
Large Language Models und maschinelles Lernen weisen im Kundenservice eine zunehmende Bedeutung auf. Wer sie gezielt für Automatisierungen, Standardisierungen oder auch Personalisierungen einsetzt, kann die Effizienz, Service-Erlebnisse und die Kundenzufriedenheit signifikant verbessern.
Dabei geht es nicht nur um Quantität – wie bei weniger Zeiteinsatz für Routineaufgaben –, sondern auch um Qualität: Large Language Models liefern neue Sichtweisen, probate Problemlösungen und evaluieren Stimmungen, was die Basis für einen besseren Service legt.
Ein wichtiger Differentiator wird vor allem in Zukunft sein, wie genau Unternehmen Large Language Models einsetzen. Dafür gibt es zwei grundlegende Optionen:
- Unternehmen setzen Large Language Models vereinzelt und fragmentiert ein, um manuelle Verfahren zu unterstützen, zu beschleunigen und effizienter zu gestalten.
- Large Language Models kommen als disruptive Technologie zum Einsatz, um manuelle Vorgehensweisen zu ersetzen.
Der erste Ansatz stellt die manuelle Arbeit in den Vordergrund, wohingegen der zweite Technologie-zentriert ist. Fakt ist: Wer Large Language Models nur vereinzelt nutzt, schöpft deren enormes Potenzial im Kundenservice bei Weitem nicht aus und sollte seine Strategie überdenken
