KUNDENSUPPORT MIT LLMs AUTOMATISIEREN
=====================================

Stand: 2026-01-24

QUELLEN
-------
  Web-Recherche durchgefuehrt am 2026-01-24:
  - ada.cx (AI Customer Service Agents)
  - crescendo.ai/blog/best-ai-customer-support-platforms
  - chatbase.co/blog/ai-in-customer-service
  - desk365.io/blog/ai-customer-service-statistics
  - heltar.com/blogs/best-llm-models-for-customer-support

MARKTUEBERBLICK 2025-2026
=========================
  Gartner Prognose:
    - 2029: AI loest 80% der Kundenservice-Issues autonom
    - 85% der Service-Leader planen GenAI-Piloten bis 2025
    - 80% der Unternehmen nutzen/planen AI-Chatbots

  Ergebnisse:
    - Bis zu 30% Kostenreduktion
    - 14% hoehere Agentenproduktivitaet

TECHNOLOGIE-STACK
=================
  Kerntechnologien:
    - Large Language Models (LLMs)
    - Natural Language Processing (NLP)
    - Sentiment Analysis
    - Intent Detection
    - Multimodal AI (Text + Voice)
    - Retrieval-Augmented Generation (RAG)

  RAG ist der Schluessel:
    - Durchsucht Knowledge Base bei Kundenanfragen
    - Ruft relevante Informationen ab
    - Generiert kontextbasierte Antworten

FUEHRENDE PLATTFORMEN
=====================

| Plattform    | Typ              | Besonderheit                      | Preis           |
|--------------|------------------|-----------------------------------|-----------------|
| Crescendo.ai | Enterprise LLM   | 99.8% Genauigkeit, 50+ Sprachen   | Enterprise      |
| Intercom     | Outcome-based    | $0.99/Resolution, Fin Tasks       | Ab $29/Mo       |
| Zendesk      | AI Agents + Co   | Advanced Workflows, Copilot       | Gestaffelt      |
| Ada          | Autonomous       | End-to-End Resolution             | Enterprise      |
| Freshdesk    | SMB-freundlich   | Freddy AI integriert              | Ab $15/Agent    |

INTERCOM FIN
------------
  - Outcome-based Pricing: $0.99 pro geloeste Anfrage
  - Agentic Workflows (Fin Tasks)
  - MCP Action Connectors
  - 14-Tage kostenlose Testphase

ZENDESK AI
----------
  - AI Agents (Advanced) fuer autonome Workflows
  - Copilot fuer Ticket-Suggestions
  - Auto-Assist mit LLM

CRESCENDO.AI
------------
  - 24/7 Support: Live Chat, Voice, Email, SMS
  - 99.8% Genauigkeit
  - 50+ Sprachen
  - Enterprise-Grade LLM/NLP

REAL-WORLD ERGEBNISSE
=====================
  Lyft:
    - 87% Reduktion der Bearbeitungszeit

  Bank of America (Erica):
    - 2 Milliarden Interaktionen
    - 98% der Anfragen in 44 Sekunden geloest

  NIB:
    - $22 Millionen gespart durch Chatbot-Automatisierung

LLM-AUSWAHL FUER CHATBOTS
=========================
  Empfohlene Modelle (2025):

  | Modell              | Staerke                    | Use Case              |
  |---------------------|----------------------------|-----------------------|
  | Claude 3.5 Sonnet   | Nuancierte Konversation    | Complex Support       |
  | GPT-4o              | Multimodal, schnell        | General Support       |
  | Gemini Pro          | Kosteneffizient            | High-Volume           |
  | Llama 3.1 (70B)     | Self-hosted, DSGVO         | Datenschutz-kritisch  |

EU AI ACT BEACHTEN
==================
  - August 2025: General-Purpose AI Vorgaben
  - August 2026: High-Risk Verpflichtungen
  - Compliance-Anforderungen fuer Customer Service AI

BACH-INTEGRATION
================
  Empfohlener Workflow:
    1. RAG-System mit eigener Knowledge Base
    2. Claude/Gemini fuer Antwortgenerierung
    3. Ticket-System-Integration (Zendesk, Freshdesk)

  Partner-Zuweisung:
    - Claude: Komplexe, nuancierte Anfragen
    - Gemini: Hohe Volumina, Kosteneffizienz
    - Ollama: Sensible Kundendaten (lokal)

IMPLEMENTIERUNGS-SCHRITTE
=========================
  1. Knowledge Base aufbauen (FAQs, Docs, Policies)
  2. RAG-Pipeline implementieren
  3. Intent-Erkennung trainieren
  4. Eskalations-Regeln definieren
  5. Human-in-the-Loop fuer komplexe Faelle
  6. Metriken: CSAT, Resolution Time, Automation Rate

GUARDRAILS UND HALLUZINATIONS-VERMEIDUNG
========================================
  Strikte RAG-Prompts:
    "Antworte NUR auf Basis der bereitgestellten Dokumente.
     Wenn die Antwort nicht in den Dokumenten steht,
     sage 'Das kann ich nicht beantworten' und eskaliere."

  Templates und Bausteine:
    - Feste Antwortbausteine fuer haeufige Fragen
    - "Allowed Actions" definieren (z.B. keine Rabatte ohne Flag)
    - Variablen nur fuer personalisierte Teile

  Confidence-Score:
    - Unsichere Antworten markieren
    - Automatische Eskalation bei niedrigem Score
    - Bestimmte Kategorien immer an Menschen

HAFTUNG UND ESKALATION
======================
  Kritisch bei falschen Auskuenften:
    - Klare Eskalationspfade definieren
    - Dokumentation aller AI-Entscheidungen
    - Menschliche Freigabe bei rechtlich relevanten Themen
    - Audit Trail fuer Compliance

MEHRSPRACHIGKEIT
================
  LLMs koennen:
    - Automatische Spracherkennung
    - Uebersetzung der Anfrage
    - Antwort in Kundensprache
    - 50+ Sprachen bei Enterprise-Loesungen

SIEHE AUCH
==========
  wiki/automatisierung/mail_automation.txt
  wiki/automatisierung/telefon_service.txt
  wiki/rag.txt
