Definition, Ziele & Anwendungsbereiche
Im Dezember werfen viele Unternehmen gerne einen Blick auf das vergangene Jahr. Dieses Jahr hat uns viel das Thema Künstliche Intelligenz im Kundenservice beschäftigt. Der Fortschritt im Bereich der Generativen KI – wie es beispielhaft die rasante Popularität von ChatGTP zeigt – wirft viele Fragen für Unternehmen auf. Daher möchten wir zum Jahresende einen Blick auf die Entwicklung rund um Künstliche Intelligenz werfen und zusammenfassen, wie sie im Contact Center eingesetzt wird.
Künstliche Intelligenz oder auch digitale Assistenten leben schon lange unter uns. Siri beantwortet uns Fragen, Chatbots helfen uns Probleme zu lösen, Übersetzungsprogramme überwinden für uns Sprachbarrieren. Und diese Tools helfen auch Unternehmen.
Was ist Künstliche Intelligenz?
Bevor wir speziell auf den Fall von KI im Kundenservice eingehen, werfen wir einen Blick auf die Definition von KI, und was die Grundsätze dieser sind.
Definition
„Künstliche Intelligenz beschreibt die Fähigkeit von Maschinen, basierend auf Algorithmen Aufgaben selbstständig auszuführen. Dabei werden die Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Verstandes nachgeahmt.“ Quelle: Bundesregierung
Beispiel: In diesem Beispiel links sehen Sie einen Chatbot einer Software für Transkription. Im Beispiel rechts sehen Sie den Chatbot Linda der Sparkasse. Der Chatbot antwortet im Webchat-Fenster automatisiert auf die Kundenanfrage. Der Chatbot imitiert menschliches Verhalten.
Schwache und starke KI
Bei der KI wird zudem noch einmal in zwei Kategorien unterschieden, in schwache KI und starke KI.
- Schwache KI („narrow AI“) besitzt keine explizite Fähigkeit selbständig zu lernen und auch keine Kreativität. Die Lernfähigkeit ist reduziert auf das Trainieren von Erkennungsmustern (Maschine Learning) oder ist darauf reduziert große Datenmengen zu durchsuchen und abzugleichen.
- Starke KI („Strong AI/general AI“) ist ein Konzept bzw. theoretische Form von KI mit der Zielsetzung menschlicher Intelligenz gleichzukommen.
Beispiel: Die Kundenanfrage an den Chatbot wird von einer schwachen KI beantwortet. Sie gleicht die Kundenanfrage mit einer Datenbank ab und liefert basierend darauf eine Antwort. Der Chatbot antwortet regelbasiert, also „vorprogrammiert“ auf eine Anfrage. Der Chatbot lernt nicht aus der Interaktion, sondern liefert eine vordefinierte Antwort. Der Chatbot kann beispielsweise dem Kunden Multiple-Choice-Fragen stellen und die Datenbank auf passende Antworten durchsuchen. Er kann auch die Anfrage an einen menschlichen Agenten/Servicemitarbeitenden weiterleiten.
Maschinelles Lernen (ML – „maschine learning“)
Klassische Beispiele für maschinelles Lernen sind Algorithmen, die Ihnen bei Spotify oder auf Netflix und Amazon personalisierte Empfehlungen ausspielen. Sie analysieren Ihre Daten und lernen daraus, so gut, dass man das Gefühl hat, Spotify kennt den eignen Musikgeschmack besser als man selbst.
Beispiel: Beim Chatbot würde der auf maschinelles Lernen gestützter Algorithmus Kundenanfragen analysieren und mit vergangenen Anfragen abgleichen und dann die beste auswählen. Die strategisch beste Antwort wird über Kundenfeedback auf die Frage ausgesucht „Wurde deine Frage beantwortet?“ (hier am Beispiel vom WhatsApp Hilfebereich). Das auf Abruf-basierte System ist von Vorteil, weil nur nachgewiesen gute Antworten wiedergegeben werden.
Deep Learning (DL) – (mehrschichtiges Lernen, tiefes Lernen)
Deep Learning ist eine Form des maschinellen Lernens und ermöglicht genaue Vorhersagen ohne menschliche Hilfe zu treffen. Sie nutzen ein künstliches, neuronales Netzwerk, eine geschichtete Algorithmus-Struktur und lösen so ein Problem, das zu kompliziert ist, um mit Regeln beschrieben zu werden, zu dem es aber viel Daten gibt, die als Beispiel für die Lösung dienen können.
Beispiel: Der Chatbot würde sich nicht auf die Antworten aus dem Kundenfeed stützen, sondern seine eigenen, individuellen Antworten erstellen – er würde Gegenfragen stellen und nach der Lösung recherchieren.
Computerlinguistik (CL) – „Natual Language Processing (NLP)
Natürliche Sprachverarbeitung nutzt verschiedene Techniken, um gesprochene und geschriebene Sprache zu verarbeiten mit dem Ziel Bedeutung unserer natürlichen Sprache zu entschlüsseln. Wir kennen die Technologie aus Beispielen wie Siri oder Alexa.
Beispiel: CL erlaubt dem Chatbot die Kundeanfrage in Computersprache zu übersetzen (Befehl) und den Output (also die Antwort) mit passenden menschlichen Begriffen zu formulieren. Das Ziel ist es, Sprachdaten aufzunehmen und durch Algorithmen den Text und seine Bedeutung zu entschlüsseln, um sinnvolle Ergebnisse zu erzielen. Ein einfaches Beispiel ist Spam. CL identifiziert Muster in der Betreffzeile und entscheidet, in welchen Ordner die eingehende Mail sortiert wird, in Spam oder den Posteingang.
KI 2025 im Unternehmen einsetzen – Kundenservice
Die Deloitte KI-Studie „State of Generative AI in the Enterprise Report“ untersucht vierteljährig den aktuellen Stand Generativer KI u. a. in Deutschland. Die länderspezifische Auswertung zeigt, dass die befragten 150 Führungskräfte, dass das Vertrauen gegenüber KI seit der Einführung zugenommen hat (75 %) und das sogar über dem globalen Durchschnitt von 72 % liegt. 44 % der deutschen Unternehmen nutzen KI bereits im Bereich IT und Cybersicherheit; 48 % der Unternehmen bereit im Marketing, Vertrieb und Kundenservice.
Und um den Bereich Kundenservice soll es in den folgenden Beispielen gehen, die Ihr Unternehmen 2025 implementieren kann.
Häufige gestellte Fragen beantworten
Bei dem Thema Künstliche Intelligenz im Kundenservice geht es im Kern darum repetitive Aufgaben zu automatisieren. Das bedeutet auch häufig gestellte Fragen automatisiert zu beantworten. Dabei hilft ein Chatbot. Der Chatbot kann in einem Webchat häufige Fragen beantworten, er kann in WhatsApp Nachrichten beantworten oder Anfragen weiterleiten. Das entlastet Mitarbeitende, da keine Ressourcen für immer wiederkehrenden Anfragen verbraucht werden.
Diese sogenannten Self-Service-Angebote können auch von KI unterstützt werden. KI kann Keywords identifizieren und nach einer passenden Antwort in der Wissensdatenbank suchen. Noch während der User tippt, sucht die KI nach passenden Vorschlägen oder relevanten Seiten, nach denen sich der Kunde erkundigt. Die Eingabe der meistgesuchten Fragen, Keywords und Anliegen hilft Ihnen – das ist wertvolles Feedback für die Analyse und Verbesserung.
KI-Chatbot für komplexe Anfragen
Chatbots sind 24/7 bereit. Sie können Tickets öffnen, verschicken Reminder an Kunden, die sich nicht mehr melden oder aktualisieren automatisch Kundendaten im CRM wie Salesforce oder Microsoft Dynamics 365. Ihr Kundenservice muss diese einfachen Tasks nicht mehr übernehmen. Komplexe Anfragen können von der Integration mit ChatGTP beantwortet werden. Wenn keine Antwort passt oder die Anfrage sehr spezifisch ist, leitet der Chatbot die Anfrage an den passenden Agenten weiter.
Multi-Lingual mit Echtzeit-Übersetzung
Die KI kann auch in der Kommunikation in Echtzeit unterstützen. Sie kommt zum Einsatz, wenn Anfragen in einer anderen Sprache eingehen, die dann sofort im Chat für den Agenten übersetzt werden. Diese Übersetzung in Echtzeit funktioniert auch umgekehrt – die Antwort Ihres Kundenservice wird in die Sprache übersetzt, in der angefragt wurde. Einen ausführlichen Artikel dazu habe ich Ihnen hier verfasst: KI-Chatbot für Übersetzung in Echtzeit.
Automatische Dokumentation
After-Call-Tasks sind langweilig! Deswegen müssen sich Ihre Mitarbeitenden im Kundenservice darum nicht mehr kümmern. Zusammenfassen und paraphrasieren zur Dokumentation gehören zu lästigen und zeitraubenden Tasks für Agenten. Das macht ab sofort die KI. Sie fasst zusammen und paraphrasiert Kundenanfragen für den Agenten.
Wird eine Kundenanfrage an einen Chatbot nicht ausreichend beantwortet und der Chatbot leitet die Anfrage an einen Agenten weiter, kann die KI diese Interaktion auch in einer Zusammenfassung für den Agenten aufbereiten. Sie erstellt den Kontext zu einer Kundenanfrage, damit der Agenten direkt im Thema ist.
Die KI kann zudem Transkripte von Kundengesprächen für die Dokumentation oder die Auswertung von Servicequalität erstellen. Diese Transkripte wiederum ermöglichen Sprachanalysen.
Routing – Anrufweiterleitung ohne Umwege
Ist ihr Microsoft Teams mit dem CRM verknüpft, können Kundendaten bei Anruf ausgelesen werden. Kunden, die beispielsweise offene Rechnungen haben, werden direkt über das automatisierte Routing an die Buchhaltung weitergeleitet.
Gibt es Nachteile vom KI im Kundenservice?
Ein Nachteil der heutigen Technik ist sicherlich, dass es viele unausgereifte Lösungen auf dem Markt gibt, die Ihnen alles versprechen. Diese mit Attributen wie „smart“ oder „intelligent“ versehene Technologien brauchen immer manuellen Aufwand und einem menschlichen Part. Alle Lösungen müssen gefüttert und trainiert werden, damit sie einen wirklichen Mehrwert bieten. Es ist wichtig eine Lösung zu wählen, die Ihren Support automatisiert und damit effizienter macht, nicht mehr Ressourcen frisst.
Künstliche Intelligenz im Contact Center
Die KI in ROGER365.io ist bereit: Diese Plug-and-play-Lösung ist auf den Kundenservice ausgerichtet und startklar für den Einsatz in Ihrem Unternehmen. Natürlich muss auch hier „gefüttert“ werden. Meine Empfehlung für das Datenfüttern? Ihr Unternehmen hat unzählige Kontaktpunkte. Nutzen Sie diese! Was ich damit meine, habe ich Ihnen in diesem Artikel zusammengefasst: Wissensdatenbanken für die KI erstellen.
Noch nicht überzeugt? Lesen Sie, was andere Geschäftsführer und Entscheider von KI denken. In diesem Artikel haben wir das Thema KI aus dem Blickwinkel von Geschäftsführern und Vorständen und wie diese im Zeitalter von KI Entscheidungen treffen beleuchtet.
Foto von Kelly Sikkema auf Unsplash
Tags:
