„Kann das nicht einfach die KI machen?“ Diese Frage höre ich inzwischen regelmäßig. Meine Antwort: Einen großen Teil der Vorarbeit – ja. Die Entscheidung am Ende – nein.
Wo KI im Support wirklich hilft
Ich arbeite seit Jahren im 2nd/3rd-Level und baue parallel eigene KI-Werkzeuge. Im Alltag haben sich drei Aufgaben als besonders nützlich herausgestellt:
Lange Logs zusammenfassen. Ein Ticket kommt mit mehreren tausend Zeilen Log. Ein Sprachmodell kann in Sekunden sagen, welche Fehler wann zum ersten Mal auftreten, welche sich wiederholen und welche Komponenten beteiligt sind. Das ersetzt nicht den Blick ins Log, zeigt aber, wo man zuerst hinschauen sollte.
Ähnliche frühere Fälle finden. Viele Fehlerbilder sind schon einmal aufgetreten, nur unter anderen Worten. Eine semantische Suche über Wissensartikel und gelöste Tickets – etwa mit RAG, also einer Suche, die passende Dokumente heraussucht und dem Modell als Grundlage gibt – findet sie, auch wenn die Begriffe nicht übereinstimmen.
Einen ersten Antwortentwurf vorbereiten. Struktur, höfliche Formulierung, die Schritte in sinnvoller Reihenfolge. Den Inhalt prüfe ich, aber ich fange nicht mit einer leeren Seite an.
Jede dieser Aufgaben spart nur ein paar Minuten. Bei vielen Tickets pro Woche ist das spürbar.
Wo KI an ihre Grenzen kommt
Sprachmodelle formulieren überzeugend, auch wenn sie falsch liegen. Ein Befehl mit einer Option, die es nicht gibt, ein Konfigurationsschlüssel aus einer anderen Version, eine plausible, aber erfundene Ursache – das alles kommt vor.
Wichtiger noch: KI übernimmt keine Verantwortung. Ob ein Workaround reicht oder ob die Ursache tiefer liegt, ob eine Änderung an einem Produktivsystem jetzt vertretbar ist, ob man einen Kunden besser anruft statt zu schreiben – das entscheidet weiter ein Mensch, der das System und die Situation kennt.
Ein Modell sieht nur, was man ihm gibt. Den Kontext außerhalb des Tickets – die Wartung von letzter Woche, die bekannte Eigenheit eines Setups, die Stimmung eines Kunden nach dem dritten Kontakt – kennt es nicht.
Meine Regeln für KI im Support
- Quellen statt Behauptungen. Antworten aus einer Wissensbasis sollten angeben, worauf sie sich stützen. Dann lässt sich in Sekunden prüfen, ob das stimmt.
- Befehle werden geprüft, bevor sie laufen. Kein Vorschlag eines Modells geht ungelesen auf ein Kundensystem.
- Daten bleiben, wo sie hingehören. Logs und Tickets enthalten oft personenbezogene Daten. Was davon ein externer Dienst sehen darf, ist eine Frage des Datenschutzes und der Vorgaben im Unternehmen, nicht der Bequemlichkeit. Lokal betriebene Modelle sind hier eine Option.
- Der Mensch schließt das Ticket. Die KI bereitet vor, die Entscheidung und die Antwort an den Kunden verantwortet ein Mensch.
Ein schneller Kollege für die Vorarbeit
Für mich ist KI im Support ein sehr schneller Kollege, der Logs liest, Notizen zusammenträgt und einen Entwurf vorlegt. Er ist unermüdlich und oft erstaunlich gut. Aber er ist nicht derjenige, der das Ticket abschließt.
Gerade bei der Ursachenanalyse zeigt sich das: Ein Modell kann Auffälligkeiten finden und Hypothesen vorschlagen. Ob eine Hypothese stimmt, zeigt sich erst, wenn jemand sie am System prüft.
Wie man anfängt
- Eine wiederkehrende Vorarbeit auswählen, zum Beispiel Log-Zusammenfassungen.
- Klären, welche Daten verarbeitet werden dürfen und wo.
- Die Ergebnisse eine Zeit lang bewusst gegenprüfen.
- Erst danach weitere Aufgaben übertragen.
So entsteht Vertrauen in das Werkzeug dort, wo es berechtigt ist – und ein klares Bild davon, wo nicht.