Problem
Das Support-Team ordnete täglich 150+ Tickets manuell zu, wodurch SLA-Zeiten auf 4-6 Stunden stiegen und Wissensträger überlastet waren. 30% der Tickets wurden falsch kategorisiert und mussten eskaliert werden.
Lösung & Vorgehen
- Mehrstufiger Agenten-Workflow auf Basis von OpenAI GPT-4o mini und firmeneigenen Embeddings
- Tool-Aufrufe für Wissensdatenbank (Confluence), Status-API (Jira) und E-Mail-Versand
- Fallback-Strategien bei Unsicherheit inkl. menschlichem Review-Queue
- Training mit 500+ historischen Tickets für bessere Klassifikation
Architektur & Tech-Stack
- Eingangspipeline: Azure Functions mit Event Grid Trigger (99.9% Verfügbarkeit)
- Agenten-Orchestrierung: LangChain + Redis Queue für Skalierung
- Observability: Grafana/Prometheus + zentralem Audit-Log in PostgreSQL
- APIs: OpenAI GPT-4o mini, Azure Cognitive Services, Confluence REST API
- Monitoring: Custom Dashboards für Token-Verbrauch, Response-Zeiten und Accuracy
Ergebnisse & Kennzahlen
- 40% schnellere Erstzuordnung: Von 4-6h auf 2.5-3.5h reduziert
- Accuracy-Rate: 94% korrekte Kategorisierung (vs. 70% manuell)
- Eskalationsrate: Von 30% auf 8% gesenkt
- Kosten: 60% Reduktion der Support-Kosten durch Automatisierung
- Transparente Metriken: Real-time Dashboards für Auslastung und Fehlerraten
- ROI: Break-even nach 3 Monaten, 200% ROI nach 6 Monaten
Nächste Schritte
- Automatisierte Antwortvorschläge für Standardfragen
- Erweiterung um Voice-to-Ticket für Hotline-Eingänge
- Ausbau der Guardrails (PII-Filter, Halluzinations-Checks) für weitere Use Cases