Wenn die KI Schwächen in den Produktdaten findet
Durch die Einführung des Agenten hat sich bei Scheppach auch der Blick auf die Datenbasis verändert. Denn nicht immer liegt eine unbefriedigende Antwort an der KI, wie B. Schächterle erläutert: „Bei der Analyse einzelner Fälle zeigte sich beispielsweise, dass Informationen bereits in den Ausgangsdokumenten widersprüchlich formuliert waren oder eine FAQ eine andere Information enthielt als die Betriebsanleitung.“ Auch Lücken in der PIM-Datenbank wurden sichtbar, beispielsweise bei Produkten, die seltener verkauft werden und deren Daten deshalb bislang nicht in gleicher Tiefe gepflegt wurden.
„Solche Erkenntnisse werden an die jeweils für die Datenpflege zuständigen Personen weitergegeben“, so B. Schächterle.
Die Top-3-Learnings
Eine besondere Herausforderung bringt das Produktportfolio selbst mit sich. Denn Kettensägen, Stromgeneratoren oder auch Arbeiten an einem Rasenmäher bergen bei unsachgemäßem Umgang Risiken. Von Beginn an gab es deshalb klare Anforderungen daran, welche Fragen der Agent überhaupt beantworten darf.
„Wir hatten sehr harte Vorgaben: Am besten werden keine Fragen beantwortet, die gefährlich für Leib und Leben sind oder hohe Schäden beispielsweise an der Hauselektrik verursachen können“, berichtet der KI-Fachmann. Prinzipiell kann ein LLM viele dieser Fragen beantworten. „Wir haben viel Zeit und durchaus auch intensive Debatten mit den Experten geführt, welche Fragen beantwortet werden dürfen und welche nicht.“
Zum Einsatz kommen deshalb sogenannte Guardrails. Anfragen zu sensiblen Themen werden bereits abgefangen, bevor sie überhaupt den Agenten erreichen. Damit gehört nicht nur die Qualität einer Antwort zum Entwicklungsziel. Ebenso wichtig ist die Entscheidung, wann KI bewusst keine Antwort geben soll.
Ein zweites wichtiges Learning betrifft die Datensouveränität und den Datenschutz. Hintergrund ist, dass Kunden einem Assistenten teilweise von sich aus personenbezogene Informationen wie Namen oder Telefonnummern geben, obwohl diese für die Beantwortung der Produktfrage nicht erforderlich sind. Scheppach hat deshalb hohe Anforderungen an die Verarbeitung der Daten gestellt. Ziel ist eine vollständig in der eigenen Infrastruktur betriebene Lösung. „Der Wunsch von Scheppach nach einer On-Premises-Lösung erforderte unter anderem eine erneute Modellauswahl und Anpassungen an der bisherigen Architektur“, nennt B. Schächterle als Konsequenz.
Ein drittes Learning ist die enge Zusammenarbeit mit den Fachleuten bei Scheppach. „Sprachmodelle produzieren Antworten, die auch dann überzeugend wirken können, wenn fachliche Details nicht vollständig stimmen. Ein Softwareentwickler, der nicht über tiefes Produktwissen verfügt, kann das kaum beurteilen.“ Deshalb brauche es Domänenexperten, die das Projekt nicht nur gelegentlich unterstützen, sondern aktiv begleiten. „Es ist wichtig, dass nicht nur das Entwicklerteam, sondern auch die Fachbereiche drum herum hoch motiviert sind, ein gutes Produkt zu entwickeln. Der gute Draht zu den Domänenexperten war für uns Gold wert.“ Diese Verzahnung sieht B. Schächterle auch als einen wesentlichen Erfolgsfaktor des Projekts: Xitaso entwickelt die Plattform nicht losgelöst für Scheppach. Das Projekt wird gemeinsam von Entwicklern beider Unternehmen und den Fachbereichen vorangetrieben.
Auch der Handover soll intelligenter werden
Die Weiterentwicklung konzentriert sich nicht ausschließlich darauf, die Self-Service-Quote immer weiter zu erhöhen. Auch die verbleibenden Anfragen sollen schneller beim menschlichen Service bearbeitet werden können. „Schon jetzt wird beim Handover die bisherige Kommunikation mit dem Agenten aufbereitet und an das Ticket übergeben. Damit muss der Kunde seine Fragestellung nicht noch einmal komplett in ein Service-Formular eingeben.“ B. Schächterle sieht darin einen nicht zu unterschätzenden Vorteil: „Gerade beim erneuten Ausfüllen eines Formulars würden ansonsten oftmals Informationen weggelassen. Durch die Übergabe des bisherigen Dialogs stehen sie dem Service-Mitarbeiter direkt zur Verfügung.“
Im nächsten Schritt soll der AI-Agent direkt in das interne Ticketsystem integriert werden. Geht dort eine Anfrage per Formular oder E-Mail ein, soll er die Bearbeitung des Service-Mitarbeiters optimal vorbereiten, indem bereits ein Antwortvorschlag in das Ticket geschrieben wird. „Der interne Mitarbeiter muss dann nur noch entscheiden: Ist die Antwort bereits gut genug, dann schicke ich sie raus. Oder ist sie noch nicht gut genug, dann bessere ich nach.“ Diese Funktion befindet sich aktuell in der Entwicklung.
Neben der tieferen Integration in den Ersatzteilservice und das Ticketsystem steht ein weiteres Thema auf der Roadmap: die Internationalisierung. Scheppach expandiert in weitere Länder. Für den Agenten bedeutet das mehr als lediglich Übersetzung. „Unterschiedliche Lagerstandorte und Verfügbarkeiten müssen berücksichtigt werden, ebenso landesspezifische Produktspezifikationen“, nennt B. Schächterle zwei Herausforderungen. Gleichzeitig wird sich zeigen, wie Kunden in unterschiedlichen Ländern das zusätzliche KI-Angebot annehmen.
Ausblick
Für B. Schächterle ist das Projekt auch nach dem Produktivstart in Bewegung. „Es bleibt spannend“, sagt er. Denn statt einen Chatbot einmal zu entwickeln und anschließend lediglich zu betreiben, liefert jede reale Anfrage neuen Input dafür, welche Funktion als Nächstes eine Mehrwertsteigerung bringt. Der Agent wird damit Schritt für Schritt vom digitalen Produktberater zu einem zunehmend integrierten Bestandteil des gesamten Service-Prozesses.
Und auch bei Scheppach selbst ist man hochzufrieden. „Gemeinsam mit Xitaso haben wir in kurzer Zeit eine leistungsfähige KI-Lösung von der Idee bis in den produktiven Einsatz gebracht“, resümiert Peter Krauß, CIO bei Scheppach. Dabei ist die Verbindung des Domänenwissens von Scheppach mit dem Technologie-Know-how von Xitaso auch aus seiner Sicht ein wesentlicher Erfolgsfaktor bei diesem Projekt.