Support-Daten für AI aufbereiten: Tickets, Makros und Wissensinhalte

Von Linh Ngo · Aktualisiert am 11. Oktober 2026

Support-Daten für AI aufzubereiten heißt, drei Bestände in Form zu bringen, bevor ein Modell einen Kunden erreicht: eine Wissensdatenbank, die korrekt, eindeutig und aktuell ist, eine Ticket-Historie mit konsistenten Tags und sauberen Lösungen und eine Makro-Bibliothek, die dazu passt, wie Ihr Team wirklich antwortet. Ein AI Agent antwortet aus dem, was Sie ihm geben. Widerspricht sich das Hilfecenter, widerspricht sich auch der Bot, höflich und im großen Maßstab.

Dieser Leitfaden richtet sich an Support-Leiter, CX-Directors und Support-Manager, die kurz davor sind, einen AI Agent einzuschalten, oder es bereits getan haben und falsche Antworten sehen. Er ergänzt den Überblick zu AI im Kundenservice und geht in die Tiefe bei dem, was die meisten Ergebnisse entscheidet: den Inhalten und Daten unter dem Tool.

Wichtige Fakten

• In der NBER-Studie „Generative AI at Work“ erhöhte ein AI-Assistent die gelösten Fälle pro Stunde bei 5.179 Kundensupport-Mitarbeitenden im Durchschnitt um etwa 14%, bei Berufseinsteigern und gering qualifizierten Beschäftigten um 34% (NBER w31161).
• Dieselben Autoren fanden Hinweise darauf, dass die AI „die Best Practices der fähigeren Beschäftigten verbreitet“, was nur funktioniert, wenn diese Praktiken in festgehaltener, nutzbarer Form existieren (NBER w31161).
• Die Dokumentation von Intercom besagt, dass AI anders als menschliche Leser „stark auf klare Struktur, eindeutige Formulierungen und eine enge Ausrichtung am Kundenanliegen angewiesen ist“ (Intercom Help Center).
• Intercom empfiehlt, AI-Inhaltsvorschläge und Markierungen von Teammitgliedern wöchentlich zu prüfen und Artikel mit hoher Beteiligung und geringer Lösungsquote monatlich (Intercom Help Center).
• Die Hinweise von Zendesk zu seinem AI Agent raten, veraltete oder unzuverlässige Informationen zu vermeiden, weil AI Agents sie nutzen (Zendesk Help Center).

Welche Support-Daten AI tatsächlich braucht

Die meisten AI-Support-Tools fallen in zwei Familien, und jede liest einen anderen Bestand.

Die erste beantwortet Fragen aus Ihrer Dokumentation. Sie ruft relevante Hilfeartikel ab und schreibt daraus eine Antwort, ein Muster, das als Retrieval-Augmented Generation bekannt ist. In der Sprache des ACE Framework ist das das Muster rag-assistant. Ihre Qualität ist durch Ihre Wissensinhalte gedeckelt. Das Modell kann keine Richtlinie zitieren, die Sie nie aufgeschrieben haben, und es kann nicht erkennen, welcher von zwei widersprüchlichen Artikeln der richtige ist. Die Seite zum AI-Wissensdatenbank-Agenten behandelt, wie sich dieser Agent verhält, sobald die Inhalte stehen.

Die zweite klassifiziert und leitet weiter. Sie liest ein eingehendes Ticket, weist Kategorie, Dringlichkeit oder Sentiment zu und schickt es in die richtige Warteschlange. Das ist das Muster scoring-routing, und es lernt aus Ihren historischen Tickets. Sind Ihre Tags inkonsistent, lernt es inkonsistente Gewohnheiten. Was eine gut gefütterte Version leistet, zeigt der AI-Support-Triage-Agent.

Makros liegen zwischen beiden. Sie sind die freigegebene Wortwahl Ihres Teams und speisen sowohl Entwurfs-Tools als auch Vorschläge von Agent Assist.

Für das breitere Datenbild über den Support hinaus führt Datenbereitschaft für AI durch die allgemeinen Prüfungen.

Die häufigsten Lücken

Fünf Probleme tauchen in Support-Betrieben vor einem AI-Launch immer wieder auf.

Widersprüche zwischen Artikeln. Zwei Seiten zu Rückerstattungen, im Abstand von zwei Jahren geschrieben, nennen unterschiedliche Fristen. Ein menschlicher Mitarbeiter weiß, welche stimmt. Ein Retrieval-System kann beide ausspielen. Das Hilfecenter von Zendesk selbst weist darauf hin, dass AI Agents veraltete oder unzuverlässige Informationen nutzen, und ein alter Artikel ist genau das.

Wissen, das in den Köpfen der Menschen steckt. Die Lösung für den seltsamen Sonderfall bei der Abrechnung existiert nur im Gedächtnis Ihres erfahrensten Mitarbeiters. Auf diese Lücke weist die NBER-Studie hin: Die AI verbreitet die Praktiken der Spitzenkräfte, aber nur die, die sie in festgehaltener Form findet.

Wildwuchs bei Tags. Nach drei Jahren haben Sie 140 Tags, von denen sechs „Abrechnungsproblem“ bedeuten, und Mitarbeitende wählen, was im Dropdown zuerst steht. Ein Routing-Modell, das mit dieser Historie trainiert wird, reproduziert das Durcheinander.

Leere Lösungsnotizen. Tickets, die mit „Gelöst“ oder „Erledigt“ geschlossen werden, lehren nichts. Der Wert liegt in der Zeile, die sagt: „SSO-Zertifikat des Kunden war abgelaufen; in den Admin-Einstellungen erneuert und neu synchronisiert.“

Makros, die ihre Richtlinie überlebt haben. Das Makro, das ein 30-tägiges Rückgaberecht verspricht, steht noch im Shortcut-Menü, lange nachdem die Richtlinie auf 14 Tage geändert wurde. Agent-Assist-Tools schlagen es treu vor.

Wie gute Wissensinhalte aussehen

Der Praxisleitfaden zu Knowledge-Centered Service (KCS) v6 des Consortium for Service Innovation ist die etablierteste Methode dafür. Er gliedert die Arbeit in einen Solve Loop, in dem Mitarbeitende beim Lösen von Tickets Wissen erfassen, strukturieren, wiederverwenden und verbessern, und einen Evolve Loop, der Gesundheit der Inhalte, Prozessintegration, Leistungsbewertung und Führung umfasst (KCS v6 Practices Guide). Seine vier Praktiken des Solve Loop lassen sich gut auf die AI-Bereitschaft abbilden:

• Erfassen („Capture Knowledge in the Moment“): Schreiben Sie den Artikel, während Sie das Ticket lösen, nicht in einem vierteljährlichen Dokumentations-Sprint.
• Strukturieren („Use A Simple Template“): Eine einheitliche Vorlage, etwa Problem, Umgebung, Lösung, Ursache, macht Inhalte für Menschen und Retrieval-Systeme leicht lesbar.
• Wiederverwenden („Search Early Search Often“, „Linking“): Tickets mit dem verwendeten Artikel zu verknüpfen zeigt, welche Inhalte tatsächlich genutzt werden.
• Verbessern („Flag It or Fix It“): Wer einen falschen Artikel findet, korrigiert ihn oder markiert ihn, sodass Verfall auffällt.

Sie müssen KCS nicht vollständig übernehmen, um zu profitieren. Das Prinzip lautet, dass Wissen ein Nebenprodukt der Ticketlösung ist und einen Verantwortlichen hat.

Die Hinweise der Anbieter gehen in dieselbe Richtung. Intercom sagt, AI hänge von klarer Struktur und eindeutigen Formulierungen ab und Artikel mit unklarem Zweck oder Umfang könnten für die falsche Art von Anfrage abgerufen werden (Intercom Help Center). Eine praktische Regel: Wenn ein neuer Kollege nach der Lektüre fragen würde „Moment, welcher Fall gilt für mich?“, wird die AI raten.

Einige Schreibgewohnheiten, die helfen:

1. Setzen Sie die Antwort in den ersten Satz, dann die Bedingungen und Ausnahmen.
2. Nennen Sie das Kundensegment, den Tarif oder die Region, für die die Antwort gilt.
3. Verwenden Sie im Titel die Worte der Kunden („E-Mail-Adresse meines Kontos ändern“), nicht internen Jargon.
4. Behandeln Sie pro Artikel eine Aufgabe und verlinken Sie, statt gemeinsame Schritte zu kopieren.
5. Vermerken Sie Produktversion oder Richtliniendatum im Artikel, damit Prüfer veraltete erkennen.

Ticket-Historie und Makros bereinigen

In der Ticket-Historie lernt die AI Ihre Klassifikationslogik, und dort finden Agent-Assist-Tools Beispielantworten.

Tags. Reduzieren Sie auf eine kontrollierte Liste, die sich ein neuer Mitarbeiter merken kann, je nach Komplexität meist 15 bis 40 Gründe. Schreiben Sie zu jedem eine einzeilige Definition und ein Beispiel. Führen Sie Synonyme zusammen, nehmen Sie den Long Tail (seltene Anliegen) außer Betrieb und machen Sie den primären Kontaktgrund zum Pflichtfeld. Labeln Sie dann eine Stichprobe neu (ein paar hundert Tickets genügen zum Testen) und vergleichen Sie das Ergebnis mit dem, was die Mitarbeitenden ursprünglich gewählt haben. Große Abweichungen bedeuten, dass die Kategorien unklar sind, nicht dass die Mitarbeitenden nachlässig sind.

Lösungsnotizen. Ergänzen Sie ein Pflichtfeld „Was hat geholfen“ oder eine Abschlussvorlage. Schon eine kurze, konkrete Notiz macht jedes Ticket zu einem möglichen Wissensartikel und zu einem besseren Trainingsbeispiel.

Sensible Daten. Tickets enthalten Namen, Kartenfragmente, Gesundheitsangaben und Passwörter, die Menschen versehentlich eingefügt haben. Entscheiden Sie, was maskiert oder ausgeschlossen wird, bevor Ticket-Text für Training oder Retrieval verwendet wird. Beziehen Sie Ihre Datenschutz- oder Sicherheitsverantwortlichen früh ein.

Makros. Exportieren Sie die vollständige Liste mit Nutzungszahlen. Nehmen Sie alles außer Betrieb, was ein Jahr lang unbenutzt blieb, weisen Sie jedem verbleibenden Makro einen Verantwortlichen zu und verknüpfen Sie jedes mit der Richtlinie, die es ausdrückt. Ändert sich eine Richtlinie, aktualisiert der Verantwortliche das Makro und den passenden Artikel in derselben Änderung.

Schritt für Schritt: Support-Daten bereit machen

1. Wählen Sie den ersten Anwendungsfall. Ein Deflection-Bot (Anfragenvermeidung) für Passwort- und Abrechnungsfragen braucht starke Artikel. Ein Triage-Modell braucht starke Tags. Beginnen Sie mit dem Bestand, von dem Ihr erstes Projekt abhängt, und sehen Sie im Leitfaden Datenbereitschaft nach Muster, was jedes Muster braucht.
2. Prüfen Sie die 50 wichtigsten Themen. Ziehen Sie Ihre Kontaktgründe nach Volumen. Prüfen Sie für jeden, dass genau ein aktueller Artikel ihn beantwortet. Markieren Sie die fehlenden, doppelten und widersprüchlichen.
3. Beheben Sie zuerst die Widersprüche. Führen Sie Duplikate zusammen, löschen oder leiten Sie den unterlegenen um und klären Sie die Richtlinienfrage mit dem Verantwortlichen. Das ist der schnellste Genauigkeitsgewinn, den Sie bekommen.
4. Füllen Sie die Lücken aus echten Tickets. Lesen Sie für die wichtigsten unabgedeckten Themen 20 gelöste Tickets und schreiben Sie den Artikel aus der besten Lösung. Das ist KCS-„Capture“ im Stapel.
5. Vereinheitlichen Sie die Vorlage. Führen Sie eine Artikelstruktur und einen Titelstil ein. Schreiben Sie zuerst die 50 wichtigsten um, nicht die ganze Bibliothek.
6. Bereinigen Sie Tags und Notizen. Veröffentlichen Sie die kontrollierte Tag-Liste mit Definitionen, ordnen Sie die Historie neu zu und verlangen Sie künftig Lösungsnotizen.
7. Prüfen Sie Makros. Nehmen Sie sie außer Betrieb, aktualisieren Sie sie oder weisen Sie Verantwortliche zu und binden Sie jedes an eine Richtlinie.
8. Legen Sie Verantwortliche und Prüftermine fest. Jeder Artikel und jedes Makro bekommt einen benannten Verantwortlichen und ein Prüfintervall. Sortieren Sie nach Datum der letzten Aktualisierung, beginnen Sie bei den Artikeln mit dem meisten Traffic und setzen Sie die Prüfung in einen festen Kalender.
9. Bauen Sie ein Testset. Schreiben Sie 50 bis 100 echte Kundenfragen mit der richtigen Antwort je Frage, einschließlich Fragen, die der Bot ablehnen soll. Lassen Sie es vor dem Launch und nach jeder Inhaltsänderung laufen.
10. Eröffnen Sie eine Feedback-Schleife. Geben Sie Mitarbeitenden einen Ein-Klick-Weg, eine falsche oder fehlende Antwort zu markieren, und prüfen Sie die Markierungen wöchentlich. Intercom empfiehlt die wöchentliche Prüfung von AI-Inhaltsvorschlägen und Markierungen von Teammitgliedern sowie einen monatlichen Blick auf Artikel, die die AI stark nutzt, die die Frage aber selten lösen (Intercom Help Center).

Checkliste zur Bereitschaft der Support-Daten

Bewerten Sie jede Zeile mit 0 (nicht zutreffend), 1 (teilweise zutreffend) oder 2 (zutreffend). Alles unter 10 von 16 im ersten Block bedeutet: Bringen Sie die Inhalte in Ordnung, bevor Sie einen kundenseitigen Bot starten.

Nutzen Sie die Wertung als Gesprächseinstieg mit dem Team, nicht als Bestanden-oder-Durchgefallen-Note. Die Zeilen mit der niedrigsten Wertung sind Ihr erster Sprint.

Beispiele nach Funktion

Das sind anschauliche Szenarien, keine gemessenen Fallstudien.

Kundensupport. Stellen Sie sich ein Software-Support-Team mit zwei Artikeln zum Zurücksetzen des Passworts vor, einem für den alten Login und einem für Single Sign-on. Beide in einem Artikel zusammenzuführen, mit einem kurzen Abschnitt „Welchen Login nutzen Sie?“ am Anfang, gibt dem Bot eine einzige Quelle. Ihr eigenes Testset zeigt Ihnen, wie stark die Genauigkeit steigt.

Abrechnung und Finanz-Support. Die Rückerstattungsrichtlinie hat oft Ausnahmen, die nur die Leitung der Abrechnung kennt: Jahrestarife, regionale Regeln, teilweise Nutzung. Werden sie in einem Artikel als ausdrückliche Regeltabelle aufgeschrieben, können AI und neue Mitarbeitende sie einheitlich anwenden.

Technischer Support. Nehmen wir an, Entwickler beheben Probleme im Code, aber der Support hält die Umgehungslösung nie fest. Eine Pflichtnotiz „Ursache und Lösung“ in der Abschlussvorlage erzeugt einen steten Strom an Artikelentwürfen, die ein Support-Spezialist wöchentlich prüfen kann.

Onboarding und Customer Success. Wenn Customer Success Manager dieselben Einrichtungsfragen aus persönlichen Vorlagen beantworten, gibt das Verschieben der besten Versionen in gemeinsame Makros mit Verantwortlichen dem Team einheitliche Formulierungen und der AI etwas Freigegebenes zum Schöpfen.

Betrieb und Qualität. Eine QA-Leitung kann jede Woche AI-Antworten gegen das Testset stichprobenartig prüfen und jeden Fehler als Inhaltskorrektur, Tagging-Korrektur oder Richtlinienfrage erfassen. Verschieben sich die Fehler von Inhaltslücken zu seltenen Sonderfällen, zahlt sich die Inhaltsarbeit aus.

Fallstricke, die Sie vermeiden sollten

• Alles importieren. Wer der AI jeden Artikel, jeden Forenthread und jede alte Release-Notiz füttert, bringt sie dazu, die veralteten zu zitieren. Kuratieren Sie die Quellmenge und schließen Sie archivierte Inhalte aus.
• Ein Modell-Upgrade als Inhaltskorrektur behandeln. Ein besseres Modell löst zwei widersprüchliche Richtlinien nicht auf. Es widerspricht sich nur eloquenter. Warum flüssige falsche Antworten das Hauptrisiko sind, steht unter AI-Halluzination.
• Zuerst die gesamte Bibliothek umschreiben. Beginnen Sie mit den Themen, die das Volumen treiben. Zehn großartige Artikel schlagen 500 bereinigte, nach denen niemand gefragt hat.
• Keine Verantwortlichen. Inhalte ohne Verantwortlichen verfallen. Die erste Richtlinienänderung nach dem Launch wird etwas kaputtmachen.
• Das private Wissen auslassen. Interne Runbooks und Eskalationsregeln sind ebenso wichtig wie öffentliche Artikel und oft am schlechtesten geordnet. Entscheiden Sie bewusst, welche AI-Funktionen sie lesen dürfen. Zendesk weist darauf hin, dass generative Antworten überwiegend auf öffentlich zugänglichen Artikeln beruhen, eingeschränkte Inhalte also eventuell nicht genutzt werden.
• Die Menschen übersehen. Mitarbeitende, die das Wissen schreiben, brauchen dafür Zeit und Anerkennung. In AI und Rollen im Support-Team steht, wie die Inhaltsarbeit verändert, wer was tut.
• Ohne Testset starten. Wenn Sie die Antwortqualität vor dem Launch nicht messen können, erfahren Sie es von den Kunden.

Wie es weitergeht

Wählen Sie die 20 wichtigsten Kontaktgründe, prüfen Sie, dass jeder einen aktuellen Artikel hat, und beheben Sie die Widersprüche. Dieses eine Audit bringt meist mehr als jede Tool-Konfiguration. Bauen Sie dann das Testset, legen Sie die Verantwortlichen fest und führen Sie die wöchentliche Prüfung der Markierungen ein. Nutzen Sie danach den Überblick, um diese Arbeit im breiteren Rollout zu verorten.