Kundenservice automatisieren: L1-Tickets in 6 Schritten reduzieren

Schritt 1: Baselinet euer L1

Ihr könnt nicht reduzieren, was ihr nicht messt. Zählt in den letzten 60 Tagen:

• Gesamte eingehende Kontakte (Chat + E-Mail + Telefon).
• Anteil, der L1 ist — d. h. mit einem dokumentierten Verfahren lösbar, wenn der Kunde es fände.
• Median-Time-to-Resolution pro Kanal.
• First-Contact Resolution pro Kanal.
• CSAT pro Kanal.

Diese fünf Zahlen sind eure Baseline. Jede Änderung wird gegen sie gemessen.

Schritt 2: Segmentiert nach Deflectability

Nicht alles L1 ist gleich. Bucketet euer L1 in drei Gruppen:

• Hohe Deflectability: sauber, scriptbar, gut dokumentiert (Passwort-Resets, „wie ist mein Saldo", „wie entkalke ich"). Ziel-Deflection: 70–90 %.
• Mittel: dokumentiert, aber kundenspezifisch (Garantiestatus, Versanddatum, modellbewusste Fehlercodes). Ziel-Deflection: 40–60 %.
• Niedrig: dokumentiert, aber urteilsabhängig (sicherheitsrelevant, regulatorisch). Ziel-Deflection: 10–30 %.

Die meisten Teams versprechen bei Medium zu viel und shippen, bevor das Tooling bereit ist. Tut das nicht.

Schritt 3: Pilotiert auf einem Segment

Wählt den High-Deflectability-Bucket mit dem höchsten Volumen. Ein Segment, ein Kanal. Zwei Wochen. Messt gegen eure Baseline, nicht gegen die Marketing-Sprache des Anbieters.

Wenn euer Pilot die Baseline auf diesem Segment nicht um 20+ Punkte bewegt, ist die KI noch nicht gut genug. Rollt nicht aus.

Schritt 4: Messt jenseits von Deflection

Die Falle: Vanity-Deflection.

Wenn die Deflection steigt, aber der CSAT sinkt, habt ihr in Frustration deflectet. Wenn die Deflection steigt, aber die Re-Open-Rate steigt, habt ihr in einen Callback deflectet. Beobachtet alle fünf Baseline-Metriken jede Woche.

Das gesunde Muster: Deflection rauf, CSAT flat oder leicht rauf, FCR rauf, Re-Open-Rate flat oder runter.

Schritt 5: Expandiert ins nächste Segment

Sobald ein Segment seine Ziel-Deflection ohne CSAT/FCR-Regression erreicht, expandiert ins nächste. Expandiert ein Segment auf einmal — nie zwei parallel —, damit ihr jede Regression sauber zuordnen könnt.

Schritt 6: Kumuliert mit Eval

Der Ship-Moment ist nicht „fertig". Es ist der Anfang. Jede Woche:

• Samplet 50 zufällige unbeantwortete oder Niedrig-Confidence-Konversationen.
• Lasst euren Reviewer labeln: „hätte antworten sollen", „richtig eskaliert", „falsche Antwort".
• Füttert die „hätte antworten sollen"-Fälle in eine Regressions-Eval.
• Shipt Retrieval-/Prompt-/Modell-Änderungen nur, wenn die Eval besteht.

Kumulierende Eval ist das, was nach sechs Monaten ein 35-%-Deflection-Deployment von einem 65-%-Deflection-Deployment trennt. Die meisten Teams überspringen sie. Tut das nicht.