Wenn eine Waschmaschine nicht mehr startet, möchte man sich wahrscheinlich weder mit der Organisation des Herstellers noch mit seiner AI-Strategie beschäftigen. Man möchte wieder waschen können. Ich finde dieses unspektakuläre Ziel einen guten Ausgangspunkt, um darüber nachzudenken, was AI in Unternehmen eigentlich leisten soll.
Bleiben wir dafür bei einem gedachten Hersteller, der seine Geräte direkt verkauft und auch den Service organisiert. Eine Kundin meldet sich mit genau diesem Problem. Das Unternehmen wirbt mit langlebigen Geräten und verlässlicher Hilfe nach dem Kauf. Jetzt muss aus diesem Versprechen eine Lösung werden.
Eine AI könnte der Kundin antworten. Spannender finde ich aber, ob sie den Fall auch weiterbringen kann: die richtige Maschine erkennen, passende Hinweise finden und, wenn nötig, einen Serviceeinsatz organisieren. Dafür braucht sie einiges von dem, was im Unternehmen bereits vorhanden ist. Den Reklamationsprozess etwa, das Wissen über die Geräte und die Systeme, in denen die Arbeit erledigt wird.
Um mir dieses Zusammenspiel klarer zu machen, habe ich das Dreieck in der Grafik zusammengestellt. Es ist keine fertige Blaupause für jedes Unternehmen. Mir hilft es, technische Entwicklungen einzuordnen und zu sehen, was bei ihrer Einführung zusammenkommen muss. Mit neuen Erfahrungen wird sich auch dieses Bild weiterentwickeln.
Drei technische Funktionen innerhalb einer gemeinsamen Arbeitswelt
Ich unterscheide in dem Modell Context Layer, Application Layer und AI Layer. Hinter den etwas technischen Namen stecken unterschiedliche Aufgaben: die fachlichen Zusammenhänge zugänglich machen, im konkreten Fall damit arbeiten und die nötigen Aktionen ausführen.
Drei technische Funktionen, eingebettet in die Arbeit von Menschen und Unternehmen.
Der Context Layer steht oben, weil er die Verbindung zur Unternehmensrealität herstellt. Wofür steht unser Hersteller? Wie bearbeitet er eine Reklamation? Was weiß er über seine Produkte? Seine Position bedeutet nicht, dass er über den anderen Layern entscheidet. Alle drei sind technische Funktionen und deshalb gleich groß dargestellt.
Genauso wichtig ist mir das, was um das Dreieck herumsteht. Menschen entwickeln die Geräte, beraten Kunden und arbeiten im Service. Sie entscheiden, was das Unternehmen verspricht und wie es dieses Versprechen einlösen will. Die Technik unterstützt diese Arbeit und verändert sie zugleich.
Dafür gibt es den Begriff des sozio-technischen Arbeitssystems. Er klingt sperriger als der Gedanke dahinter: Wenn wir die Technik verändern, müssen wir uns auch mit der Arbeit der Menschen beschäftigen. Beides lässt sich gemeinsam besser gestalten als getrennt.
Context Layer: Was die AI über diese Arbeit wissen muss
Unser Hersteller fängt bei einer Reklamation nicht jedes Mal von vorne an. Es gibt einen Ablauf: die Meldung aufnehmen, das Gerät zuordnen, das Problem eingrenzen und eine Lösung organisieren. Dazu gehört auch, wann eine Hilfestellung ausreicht und wann die Technik übernehmen soll.
Diesen Ablauf würde ich einer AI mitgeben. Sie soll nicht erst selbst herausfinden müssen, wie unser Kundenservice grundsätzlich arbeitet. Der Prozess sagt ihr, welcher Schritt ansteht, was sie dafür braucht und wie es anschließend weitergeht. Ist er als Workflow umgesetzt, kann dieser die Reihenfolge auch technisch steuern. Eine Prozessbeschreibung und ein ausführbarer Workflow sind dabei nicht dasselbe; die Beschreibung liefert die fachliche Grundlage für die Umsetzung.
Nur steht im Prozess vermutlich nicht, warum ausgerechnet diese Waschmaschine nicht startet. Dort könnte „Problem eingrenzen“ stehen. Um das tatsächlich zu tun, braucht es Wissen über das Gerät.
Welche Modellvariante hat die Kundin? Was bedeutet die Anzeige auf ihrem Display? Gibt es dafür einen bekannten Bedienhinweis? Und welche Prüfung darf sie selbst vornehmen, ohne dass eine Fachkraft nötig ist?
Hier wird für mich deutlich, warum ein Prozess und eine Sammlung von Handbüchern nebeneinander noch nicht genügen. Die AI muss beim richtigen Schritt auf das Wissen zur richtigen Maschine zugreifen können. Eine plausible Anleitung für das falsche Modell hilft der Kundin nicht weiter.
Im Context Layer werden diese Dinge deshalb miteinander verbunden. Zum Schritt „Problem eingrenzen“ gehören die benötigten Geräteangaben und die passenden Serviceinformationen. Zum Schritt „Reparatur organisieren“ gehören andere Informationen: Was muss im Auftrag stehen? Welches Team ist zuständig? Wo werden freie Termine abgefragt und wo wird der Auftrag angelegt?
Auch die Systeme gehören also in diesen Zusammenhang. Die AI braucht einen Bezug zwischen der Aufgabe und den Funktionen, die ihr dafür zur Verfügung stehen. Der aktuelle Terminplan liegt trotzdem weiterhin in der Einsatzplanung. Der Context Layer macht zugänglich, wo die Information herkommt und wofür sie benötigt wird, statt eine zweite Terminverwaltung aufzubauen.
Und das Serviceversprechen? Das steht nicht nur auf der Website. Wenn unser Hersteller mit langlebigen Geräten wirbt, muss sich das beispielsweise in seinen Reparaturangeboten, dem verfügbaren Produktwissen und der Beratung wiederfinden. Diese Ausrichtung wird im Unternehmen in konkrete Abläufe und Leistungen übersetzt. Der Context Layer macht deren Verbindung nutzbar. Gesetzliche Ansprüche, Garantiebedingungen und zusätzliche Serviceangebote müssen dabei auseinanderzuhalten sein.
Die AI hat damit eine deutlich bessere Grundlage als ihr allgemeines Wissen über Waschmaschinen. Sie kann die Anfrage im Zusammenhang mit diesem Produkt und der Arbeitsweise dieses Herstellers bearbeiten. Das kann falsche Hinweise, wiederholte Fragen und unvollständige Aufträge vermeiden helfen. Es funktioniert allerdings nur, wenn die Inhalte gepflegt sind und auch die richtigen Informationen abgerufen werden.
Ich sehe darin übrigens ebenso einen Nutzen für Mitarbeitende. Wer einen Fall übernimmt, braucht dieselben Zusammenhänge. Es wäre wenig gewonnen, wenn die AI gut informiert arbeitet, die Kollegin im Kundenservice aber weiterhin in mehreren Ablagen suchen muss. Über diese Verbindung von Prozessen und Wissen habe ich bereits ausführlicher geschrieben.
Application Layer: Aus einer Antwort muss eine Handlung werden können
Angenommen, die Kundin braucht einen Servicetermin. Die AI kennt den Ablauf und weiß, welche Angaben erforderlich sind. Nun muss sie tatsächlich etwas tun können.
Dafür steht der Application Layer. Hier liegen die Anwendungen, in denen Geräteinformationen abgerufen, Servicefälle geführt und Termine gebucht werden. Zu ihnen gehören Geschäftslogik, Daten und Funktionen. Die Oberfläche ist nur eine Möglichkeit, damit zu arbeiten.
Eine Mitarbeiterin öffnet die Einsatzplanung und bucht dort einen Termin. Ein Agent kann dieselbe Aufgabe über eine bereitgestellte Schnittstelle erledigen. Für ihn wird die Terminabfrage zu einem Werkzeug: Er ruft sie auf, erhält freie Termine und lässt nach der Auswahl einen davon buchen. Die Anwendung meldet zurück, ob das geklappt hat.
Diese Rückmeldung ist wichtig. Ich würde als Kundin einen Unterschied darin sehen, ob mir ein Termin nur freundlich angekündigt wurde oder ob tatsächlich jemand für diesen Besuch eingeplant ist.
Hier greifen die Layer ineinander. Der Kontext verbindet den Prozessschritt mit den nötigen Informationen und dem zuständigen System. Die Integration macht dessen Funktion für den Agenten aufrufbar. Die Anwendung prüft den Aufruf und führt die Buchung aus. Anschließend ist der neue Stand im Servicevorgang sichtbar.
Damit entfällt im besten Fall die Arbeit zwischen den Systemen: Daten aus einer Antwort kopieren, in ein anderes Fenster eintragen, eine Bestätigung schreiben und den Fall nachtragen. Die Fachsysteme bleiben bestehen. AI kann mit ihnen arbeiten, statt nur daneben Vorschläge zu produzieren.
AI Layer: Mit diesem Wissen einen Fall bearbeiten
Die Nachricht der Kundin wird sich kaum so lesen wie ein ausgefülltes Serviceformular. Vielleicht beschreibt sie, was sie ausprobiert hat, erwähnt eine Anzeige und lässt die Modellnummer weg. AI kann aus dieser Schilderung die relevanten Angaben herausarbeiten und erkennen, was noch fehlt.
Mit dem Prozess und dem verknüpften Produktwissen kann sie dann gezielt weiterarbeiten. Sie fragt die fehlende Geräteangabe nach, ruft die passende Anleitung ab und erklärt den vorgesehenen nächsten Schritt verständlich. Sie muss weder den gesamten Prozess neu erfinden noch sich auf eine allgemeine Vermutung verlassen.
Bis hierhin könnte die AI auch eine Mitarbeiterin unterstützen, die den Fall selbst bearbeitet. Ein Agent kann darüber hinaus einen zusammenhängenden Auftrag übernehmen. Er nutzt die Werkzeuge der Anwendungen, verarbeitet deren Ergebnisse und setzt die Bearbeitung fort. Dazu braucht es neben dem Modell eine Umgebung, die den Auftrag und den Bearbeitungsstand hält. Antwortet die Kundin erst am nächsten Morgen, muss der Vorgang dort weitergehen können, wo er aufgehört hat.
Wie viel Freiheit dafür sinnvoll ist, hängt von der Aufgabe ab. Bei klaren Abläufen würde ich die Reihenfolge einem Workflow überlassen und AI dort einsetzen, wo Sprache verstanden oder eine Situation eingeordnet werden muss. In anderen Fällen kann ein Agent innerhalb seines Auftrags zwischen möglichen Wegen wählen. Das habe ich in „Wenn der Weg feststeht, muss KI ihn nicht neu finden“ genauer beschrieben.
Das Modell lässt beides zu: Unterstützung bei einzelnen Aufgaben und die vollständige digitale Bearbeitung geeigneter Fälle. Entscheidend ist, dass Auftrag, Wissen und Werkzeuge zusammenpassen. Der Zugriff auf viel Wissen allein macht aus einer AI noch keinen verlässlichen Kundenservice.
Was mit unserer Waschmaschine passieren könnte
Nehmen wir an, der Hersteller hat einen automatisierten Servicekanal eingerichtet. Die Kundin meldet, dass ihre Maschine nicht startet. Die AI nimmt die Schilderung auf und der Agent legt über das Servicesystem einen Vorgang an. Die genaue Gerätevariante fehlt noch, also fragt er danach.
Mit dieser Angabe wird das passende Produktwissen zugänglich. Der Prozess sieht vor, das Problem zunächst anhand der dafür vorgesehenen Fragen einzugrenzen. Die AI fragt deshalb nach der Anzeige am Gerät. Sie schickt nicht vorsorglich jede denkbare Fehlerursache, sondern nutzt die Hinweise, die für dieses Modell relevant sind.
Für unser gedachtes Beispiel passt die Antwort zu einer aktivierten Bediensperre. Die Anleitung enthält dazu eine sichere Bedienhilfe, die die Kundin selbst anwenden kann. Die AI erläutert sie und fragt anschließend, ob die Maschine wieder startet.
Bestätigt die Kundin das, dokumentiert der Agent die Lösung. Wenn die festgelegten Bedingungen für den Abschluss erfüllt sind, schließt er den Vorgang. Auf Seiten des Herstellers hat niemand diesen Fall manuell bearbeitet. Trotzdem wurden der vorgesehene Prozess, das konkrete Produktwissen und die Anwendungen genutzt.
Funktioniert die Hilfe nicht, geht der Fall auf dem vorgesehenen Weg weiter. Vielleicht muss eine Fachkraft den Fehler prüfen. Sie erhält die Geräteangaben, die Schilderung und die bisherigen Ergebnisse, statt die Kundin alles erneut erzählen zu lassen. Sind die Voraussetzungen für eine Reparatur geklärt, kann der Agent den Auftrag vorbereiten, Termine anbieten und die Auswahl buchen lassen. Bestätigt das System die Buchung, wird die Kundin informiert.
Eine Reparatur erledigt damit weiterhin ein Mensch. Die Organisation davor und danach muss aber nicht ebenfalls vollständig an ihm hängen. Bei unklaren Fällen bleibt eine persönliche Übernahme möglich, mit dem bereits erarbeiteten Stand.
An dieser Stelle wird für mich der mögliche Effizienzgewinn greifbar. Mitarbeitende müssen weniger suchen, übertragen und nachhalten. Ein einfacher Bedienfall wartet nicht auf die nächste freie Person. Passende Hilfestellung kann einen unnötigen Besuch vermeiden; ein vollständiger Auftrag kann verhindern, dass bei einem notwendigen Besuch wichtige Informationen fehlen.
Das sind keine garantierten Einsparungen. Wenn der Agent ständig falsche Hinweise gibt oder seine Arbeit mühsam korrigiert werden muss, ist nichts gewonnen. Aber es sind konkrete Tätigkeiten, an denen sich prüfen lässt, ob die neue Arbeitsweise besser funktioniert. Und es ist mehr als eine kürzere Antwortzeit im Chat.
Auch die Rückwege im Dreieck gehören dazu. Die Anwendungen melden, was tatsächlich ausgeführt wurde. Die Kundin bestätigt, ob die Hilfe erfolgreich war. Die Technik dokumentiert ihren Befund. Fehlt in vielen Aufträgen dieselbe Angabe, können Kundenservice und Technik die Fallaufnahme verbessern. Diese Erfahrung verändert den Prozess und das Wissen, das beim nächsten Fall bereitsteht.
Eine gute Übergabe spart der Kundin erneute Erklärungen und der Technik unnötige Rückfragen.
Was ich daraus für die Einführung von AI mitnehme
Ich würde bei unserem Hersteller nicht mit der Frage anfangen, welchen Agenten er kaufen soll. Ich würde mir mit den beteiligten Menschen ansehen, wie eine Reklamation heute bearbeitet wird. Was versprechen wir der Kundin? Wo verlieren wir Zeit? Welches Wissen fehlt an welcher Stelle? Und was müsste die AI selbst ausführen können, damit sie uns tatsächlich Arbeit abnimmt?
Daraus ergibt sich ein überschaubarer Anfang. Vielleicht sind es zunächst bestimmte Bedienfälle einer Produktfamilie. Dafür lassen sich Ablauf, Anleitungen und Systemzugriffe sauber verbinden und erproben. Wir müssen nicht erst das gesamte Unternehmen abbilden, bevor wir einen nützlichen Teil davon verbessern können.
Mich interessiert dabei auch, was die Mitarbeitenden anschließend mit ihrer Zeit machen können. Weniger Routine kann mehr Raum für schwierige Fälle und Beratung schaffen. Sie kann ebenso in höhere Fallzahlen übersetzt werden. Darüber entscheidet die Organisation. Es folgt nicht automatisch aus der Technik.
Ob sich die Arbeit verbessert, würde ich an vergleichbaren Fällen prüfen: Wie viel manuelle Zeit fällt an, wie lange wartet die Kundin auf eine Lösung und wie oft müssen Fälle wieder geöffnet werden? Auch Kontrolle, Korrekturen und Betriebskosten gehören dazu. Ein scheinbar automatisierter Ablauf, der seine Arbeit nur unsichtbar an andere weiterreicht, wäre kein Erfolg.
Dafür hilft mir das Dreieck. Es hält die Verbindung zwischen dem, was das Unternehmen leisten will, und dem, was im einzelnen Fall passieren muss. Der Prozess gibt Orientierung, Produktwissen macht die Hilfe passend und die Anwendungen ermöglichen die Ausführung. AI kann damit einen erheblichen Teil der Arbeit übernehmen. Menschen gestalten diese Grundlage und arbeiten dort weiter, wo ihre Erfahrung oder ihre praktische Arbeit gefragt ist.
Die Kundin muss von alldem nichts wissen. Für sie zählt, dass ihre Waschmaschine wieder funktioniert und sie auf dem Weg dahin gut betreut wurde. An diesem Anspruch würde ich auch die Technik messen.
Prozesse · Automatisierung · AI
Mehr über mich