KI-Automatisierung für IT-Dienstleister

Das hängt vom Anwendungsfall ab, und wir messen es, bevor etwas live geht. Bei Klassifikation eingehender Nachrichten liegen gut gebaute Systeme regelmäßig über neunzig Prozent. Entscheidend ist nicht die Quote allein, sondern was bei einem Fehler passiert — deshalb bauen wir immer eine Prüfschwelle ein.

Nein. Wir nutzen ausschließlich Zugänge, bei denen Training mit Kundendaten vertraglich ausgeschlossen ist, und verarbeiten in der EU. Bei besonders sensiblen Daten setzen wir Modelle ein, die auf eurer eigenen Infrastruktur laufen.

Die meisten betrieblichen Anwendungsfälle fallen in die Kategorie mit geringem Risiko und lösen vor allem Transparenzpflichten aus. Wo Kunden direkt mit dem System sprechen oder KI-generierte Inhalte veröffentlicht werden, kennzeichnen wir das. Bei Anwendungen im Personalbereich schauen wir genauer hin, dort gelten strengere Regeln.

Das ist der einzige sinnvolle Weg. Ein Anwendungsfall, acht Wochen, messbares Ergebnis. Was danach kommt, entscheidet ihr auf Basis dessen, was ihr gesehen habt.

Nein. Anders als beim klassischen maschinellen Lernen reichen für die meisten Anwendungsfälle ein paar Dutzend gute Beispiele, weil das Sprachmodell die Sprachkompetenz schon mitbringt.

Weil es fast immer die eigenen Abläufe sind, die zuletzt drankommen. Der Schuster hat die schlechtesten Schuhe — bei IT-Dienstleistern ist die eigene Ticketverwaltung regelmäßig schlechter organisiert als die der Kunden.

Sie senkt die Bearbeitungszeit bei wiederkehrenden Fällen und macht Wissen unabhängig von einzelnen Personen. Der Nutzen ist am größten dort, wo die Fluktuation am höchsten ist.

Das hängt an drei Zahlen: wie oft der betroffene Ablauf vorkommt, wie lange er dauert und was eine Stunde bei euch kostet. Bei IT-Dienstleistern ist der Ansatzpunkt meist Einheitliche Ticketerfassung über alle Kanäle. Wir rechnen das vor dem Angebot mit euren Zahlen durch — und sagen es, wenn es sich nicht lohnt.