ChatGPT ist der wohl prominenteste Vertreter der Generative Artificial Intelligence und hat mit seinem Siegeszug einen erneuten Hype um die Potenziale Künstlicher Intelligenz losgetreten. Insbesondere im Kundenservice sind die Erwartungen enorm – könnte sich doch Generative KI der unzähligen Kundenanfragen annehmen, welche derzeit noch durch teure Servicekräfte bearbeitet werden müssen. Hier stellen wir Ihnen die wichtigsten KI-Verfahren zusammen und erläutern, wie diese gerade in Kombination mit GenAI den Kundendienst der Zukunft optimieren. Zunächst einmal ist es dabei wichtig, zwischen sogenannter subsymbolischer und symbolischer KI zu unterscheiden, da sich diese Ansätze grundlegend unterscheiden und individuelle Stärken und Schwächen mit sich bringen. [Autor: Jannik Westram, Empolis]
Generative AI – eine subsymbolische KI
Subsymbolische KI ist ein Sammelbegriff für Verfahren maschinellen Lernens, welche die Funktionsweise biologischer Neuronen simulieren und daher auch als neuronale Netze bezeichnet werden. Somit entstehen Systeme, die sich an neue Situationen anpassen können, ohne erneut programmiert zu werden. Als prominenter Vertreter aus dem Service-Kontext wäre hier Predictive Maintenance zu nennen, wobei vortrainierte neuronale Netze bereits kleinste Anomalien im Maschinenverhalten erkennen und frühzeitige Warnungen abgeben können. Aber auch GenAI nutzt diese Netze, um Texte, Bilder, Audiodateien und vieles mehr zu generieren. Von zentraler Bedeutung für den Kundendienst sind hier Large Language Models (LLM), zu welchen auch ChatGPT zählt. Die KI lernt aus großen Datensätzen und ist in der Lage, menschenähnliche Interaktionen zu simulieren und sogar kreative Inhalte zu erstellen. Der Aufbau eines LLM ist äußerst kostenintensiv. Ist das System trainiert, lassen sich Inhalte im Anschluss ohne nennenswerte Aufwände generieren. Für diese Use Cases lohnt sich der Einsatz von GenAI:
- Kundenanfragen schneller und besser beantworten:
Erstklassiger Service bietet nicht nur Antworten auf explizite Fragen eines Kunden, sondern liefert auch nützliche Hinweise und Zusatzinformationen. Mit GenAI können die Antworten von Kundendienstmitarbeitern systematisch um eben jene Tipps & Tricks erweitert werden, um das Kundenerlebnis zu verbessern. Verläuft die Suche eines Kunden (z. B. über einen Virtual Assistant oder ein Self-Service-Portal) ergebnislos, so können generierte Inhalte ebenfalls nützlich sein. Bezieht sich die Frage hierbei auf kuratiertes Wissen, so können generierte Inhalte zunächst einem Servicemitarbeiter vorgeschlagen werden, welcher diese dann validieren und dem Kunden anschließend schneller helfen kann. Handelt es sich um externe Inhalte (z. B. von einer anderen Website), können diese dem Kunden direkt vorgelegt werden mit einem Verweis auf ihre maschinelle Erstellung und die jeweilige Referenzquelle. - Kundenkommunikation effizient personalisieren:
Die sprachlichen Fähigkeiten von GenAI sind beeindruckend. ChatGPT ist beispielsweise in der Lage, die Ansprache, den Schreibstil oder gar den Tonfall an etwaige Adressaten abzustimmen. Im Kundenservice bietet das Möglichkeiten, um jegliche Kommunikation an Partner, Kunden und Endanwender anzupassen und so die Servicequalität zu verbessern und Ihre Mitarbeiter gleichzeitig zu entlasten. - Wissensdatenbanken schneller erstellen:
Der Aufbau einer Wissensdatenbank kann mit enormen Aufwänden verbunden sein. Mithilfe von GenAI können diese drastisch reduziert werden, wenn sie als Teil von Content Workflows eingesetzt wird . So könnte GenAI beispielsweise den Großteil der Arbeit bei der Erstellung von kundenorientierten Inhalten aus beratungsorientierten Inhalten zur Ergänzung des Self-Service oder eines Virtual Assistant übernehmen. Aufwendig ist ebenfalls die Vorbereitung von Inhalten für neue Produkte oder Dienstleistungen, da es schwierig ist abzuschätzen, welche Inhalte überhaupt benötigt werden. Mithilfe von GenAI kann man die potenziellen Fragen Ihrer Kunden antizipieren und so einen ersten Grundstock der zukünftigen Wissensdatenbank erstellen lassen. - Kunden-Feedback automatisch zusammenfassen:
Moderne Serviceplattformen bieten Kunden und Partnern immer mehr Möglichkeiten, um ihr Feedback zu geteilten Inhalten an die Unternehmen zurückzuspielen. Diese wertvollen Informationen liegen jedoch verteilt in hunderten von Kommentaren vor und werden aus Zeitgründen häufig nur halbherzig berücksichtigt. GenAI kann diesen Datenschatz auswerten und zusammenfassen, sodass sich ein klares Bild ergibt. Im Anschluss besteht sogar die Möglichkeit, die GenAI anzuweisen, einen Artikel so zu überarbeiten, dass Best Practice er das entgegengebrachte Feedback berücksichtigt. - Wissen leichter digitalisieren:
Jeden Tag entsteht neues Wissen in der Serviceorganisation. Dieses liegt in Chatverläufen, E-Mails, Tickets, Notizen der Mitarbeiter oder vielen anderen Quellen vor. GenAI bietet eine hervorragende Möglichkeit dieses Wissen auszuwerten und automatisiert in ein standardisiertes Format zu überführen. So lassen sich neue Datenschätze ohne großen Aufwand erschließen und für den Wissenstransfer nutzbar machen. Trotz der genannten, vielfältigen Einsatzmöglichkeiten von GenAI – hat diese Technologie einen entscheidenden Nachteil. Subsymbolische KI nutzt mathematische Wahrscheinlichkeiten, um Empfehlungen abzugeben – im Falle von Large Language Models auf Basis von gigantischen Mengen an Trainingsdaten in Textform. Für reale Servicefälle an unternehmensspezifischen Produkten existieren diese Trainingsdaten längst nicht in ausreichender Quantität und Qualität. Folglich fehlt die Zuverlässigkeit der Lösungsvorschläge von GenAI – insbesondere, wenn es sich um sicherheitsrelevante Fragestellungen handelt.
Knowledge Graphen – eine symbolische KI
Gehen wir an dieser Stelle kurz auf symbolische KI ein. Als symbolisch wird diese Form der KI bezeichnet, da sie auf der Annahme basiert, dass komplexe Logik durch die Manipulation von Symbolen und die Anwendung von vordefinierten Regeln erreicht werden kann. Sie ist bestens geeignet, um Wissen zu repräsentieren und daraus Schlussfolgerungen zu ziehen. Symbolische KI kommt häufig in sogenannten Expertensystemen zum Einsatz, welche Aufgaben erledigen, für die normalerweise eben ein menschlicher Experte benötigt würde. Es kommen verschiedene Denk und Problemlösungstechniken zum Einsatz, welche dann entsprechende Lösungen ableiten. Als bekannter Vertreter lässt sich hier die Knowledge-Graph-Technologie anbringen. Knowledge Graphen sind eine Form der Künstlichen Intelligenz, die so arbeitet, wie wir Menschen denken und bilden die logische Grundlage für den Einsatz von KI im Kundenservice. Sie führen alle Produktinformationen an einem Ort – der „Single Source of Truth“ – zusammen und kontextualisieren diese in logischen Clustern, welche die Zusammenhänge der Daten repräsentieren. Ausgehend von einem Fehlercode können Techniker oder Endkunden direkt auf das betreffende Bauteil schließen und das Gerät bzw. den Hersteller nachvollziehen. Im Servicefall wird der Techniker oder der Endkunde mithilfe der Knowledge-Graph-Technologie direkt auf die betroffenen Bauteile oder Komponenten verwiesen. Dadurch können sie das Problem schneller lösen mit der entsprechenden Reparatur oder mit dem Austausch durch das entsprechende Ersatzteil. Mit der Darstellung von Zusammenhängen zwischen Produkten, Merkmalen und Einsatzbereichen lassen sich ebenfalls Cross- und Upselling-Potenziale im Ersatzteilgeschäft oder im Self-Service realisieren.
Das Beste aus beiden Welten
Symbolische KI repräsentiert das Expertenwissen der Serviceabteilung. Hierbei handelt es sich um harte Fakten und geprüfte Inhalte, welche zur Bewältigung von ernstzunehmenden Servicefällen unerlässlich sind. Knowledge Graphen bieten das logische Gerüst, dass die Zusammenhänge Ihrer Daten versteht und abbildet. Subsymbolische KI – hier in Form von Generative AI – ist hingegen in der Lage Inhalte situativ zu generieren. Schnell und einfach erstellte Service-Inhalte, die sich insbesondere zur Ergänzung des kuratierten Wissens eignen, helfen dem Service die Kosten zu senken und gleichzeitig die Customer Experience zu verbessern. Die sprachlichen Fähigkeiten der zugrundeliegenden Large Language Models sind beachtlich und erleichtern und personalisieren jede Interaktion mit Ihren Kunden, Mitarbeitern und Partnern. Das volle Potenzial für den Kundenservice entsteht erst aus der Kombination dieser und weiterer Schlüsseltechnologien. Als Spin-Off des Deutschen Forschungszentrum für Künstliche Intelligenz verfügt die Empolis bereits über 30 Jahren Erfahrung in der Entwicklung dieser KI-Verfahren und ihrem Einsatz für den Kundenservice.
