Fallstudie
•
9 min
Die meisten KI-Agenten scheitern nicht am Modell, sondern an dem, was man ihnen zu lesen gibt. Aus einem Voice-Agent-Projekt mit einer großen Anzahl an Kundendokumenten leiten wir eine Methodik ab, die Wissen nicht hochlädt, sondern übersetzt und jede Abweichung belegt.
Nicolas Bartschat
Nicolas Bartschat ist Gründer und Geschäftsführer der AI CONSULT GmbH. Er berät Organisationen bei der Einführung von KI- und Automatisierungslösungen mit Fokus auf Praxistauglichkeit und messbarem ROI.
Gartner erwartet, dass Unternehmen bis Ende 2026 rund 60 % der KI-Projekte aufgeben, die nicht auf KI-taugliche Daten gestützt sind (1). Gleichzeitig geben 63 % der befragten Organisationen an, die richtigen Datenmanagement-Praktiken für KI nicht zu haben oder es nicht zu wissen (1). Bei KI-Agenten im Kundenservice heißt „Daten“ vor allem: Wissen. Arbeitsanweisungen, FAQ-Seiten, Schulungsunterlagen, Produktanleitungen, Glossare.
Der übliche Reflex lautet: alles einsammeln, in die Wissensbasis laden, fertig. Die Annahme dahinter ist, dass ein Agent umso besser antwortet, je mehr er lesen kann. In unseren Projekten erleben wir regelmäßig das Gegenteil. Ungeprüft hochgeladenes Wissen erzeugt Agenten, die widersprüchlich antworten, interne Abläufe ausplaudern, veraltete Fristen nennen oder Lücken mit plausibel klingendem Weltwissen füllen.
In einem aktuellen Voice-Agent-Projekt bei einem Energieunternehmen haben wir 164 gelieferte Dokumente mit rund 1,78 Millionen Zeichen Text in eine Wissensbasis überführt. Am Ende standen 187 Wissensartikel mit zusammen rund 320.000 Zeichen und ein Register mit 154 dokumentierten Abweichungen und Widersprüchen. Aus diesem Projekt leiten wir eine Methodik ab, die für jedes Agentenprojekt mit gewachsenem Unternehmenswissen gilt. Die zentrale Erkenntnis: Die Wissensbasis eines KI-Agenten ist keine Ablage, sondern eine Übersetzung. Und jede Übersetzung braucht ein Protokoll.
