Wie man mithilfe von GenAI Wissen im Field Service gewinnt

12. Januar 2024

Jeden Tag rinnt Unternehmen das wichtige Expertenwissen ihrer Mitarbeiter durch die Finger. In einer Zeit des massiven Fachkräftemangels und der Baby-Boomer-Rente ist dies ein kostbares Gut. Dabei liegen häufige Fragen und hilfreiche Antworten bereits heute in Chatsystemen ab, werden aber nicht aufbereitet und entsprechend nicht sinnvoll im Unternehmen geteilt.

Als fiktive Veranschaulichung dient der erste Arbeitstag von Servicemitarbeiter „Marcel“:

Marcel beginnt seinen ersten Arbeitstag im Supportteam eines mittelständischen Industrieunternehmens. Nachdem er seinen Einarbeitungsplan überprüft hat, ist er bereit für seine ersten Kundengespräche. Er startet seinen Computer und öffnet die neue Software, die ihm heute morgen vorgestellt wurde. Die Software spielt eine entscheidende Rolle bei der Bewältigung der Kundenanfragen, die Marcel und das Team bearbeiten müssen.

Das wird deutlich, als wenige Stunden später, nach einer Problemeingrenzung durch Marcel, nur eine Detailfrage zu einer älteren Maschine des Kunden übrig bleibt. Er versucht zunächst das Wissen selbst über eine eingebaute Suche zu finden, allerdings ohne Erfolg. Er erinnert sich an die Empfehlung der Kollegen: „Wenn ihr nicht weiter wisst, müsst ihr Kerstin fragen.“

Kerstin ist eine hilfsbereite ältere Kollegin, die schon so lange im Unternehmen ist und nahezu immer eine Antwort parat hat. Der Serviceleiter hatte am Morgen noch von ihr geschwärmt und von der Lücke erzählt, die sie schon bald im Unternehmen hinterlassen würde. Marcel leitet die Kundenanfrage kurzerhand zu ihr weiter. Schon nach ein paar Sekunden gibt Kerstin eine passende Antwort. Marcel ist beeindruckt und hofft, dass Kerstin niemals gehen wird.

Der Serviceleiter hat sich der Realität gestellt und die Software im Sinne eines digitalen Assistenten in kurzer Zeit so umgerüstet, dass das Wissen aus den Chats nicht verloren geht und somit auch Kerstins Lösung bewahrt wird.

Wie funktioniert dies?

Lösungwissen in Chats wird automatisch durch Sprachmodelle strukturiert und durch Artificial Intelligence in der Wissensdatenbank indexiert, um später problemlos gefunden zu werden. Kerstin konzentriert sich darauf, ihr aktives Wissen aufzuschreiben und ihre Lösungen für schwierige Kundenfragen im System zu sichern und mit allen zu teilen.

Das fiktive Beispiel beschreibt den Service-Alltag für viele mittelständische und große Unternehmen auf der ganzen Welt. Generative AI (GenAI), insbesondere in Form von Large Language Models (LLM), bietet eine reale Chance, aus unstrukturierten Chats automatisch gut lesbares und effizient nutzbares Wissen zu generieren. Unternehmen können spezialisierte Modelle entwickeln, die das Branding und die Stilrichtlinien des Unternehmens berücksichtigen, um ein konsistentes und markengerechtes Wissensmaterial zu generieren.

Damit das generierte Wissen später von allen Mitarbeitern angewendet werden kann, können weitere Methoden der Künstlichen Intelligenz eingesetzt werden. Zum Beispiel können NLP-Algorithmen (Natural Language Processing) verwendet werden, um das Wissen mit den richtigen Metadaten zu versehen. Dadurch wird sichergestellt, dass die Informationen sinnvoll abgelegt und weiterverwendet werden können.

Weiterhin können AI-gestützte Suchalgorithmen eingesetzt werden, um das generierte Wissen kontextabhängig bereitzustellen und so den Zugriff auf relevantes Wissen zu optimieren. Auch eine automatische maschinelle Übersetzung ist sinnvoll, um das Wissen an Sprachbarrieren vorbei für alle Anwender direkt nutzbar zu machen.

Wichtig ist dabei, dass der Einsatz von GenAI auch mit Herausforderungen verbunden ist. Dazu gehören die Qualitätssicherung des generierten Wissens, die Berücksichtigung von Datenschutzbestimmungen und ethische Überlegungen im Umgang mit generierten Inhalten. Unternehmen sollten daher eine verantwortungsvolle und sorgfältige Herangehensweise an die Implementierung und den Einsatz von GenAI-Lösungen wählen. Hier braucht es in der Realität speziell dafür trainierte Modelle, man spricht hier von Finetuning, um den hohen Standards an so ein System gerecht zu werden. Allgemeine GenAI-Lösungen wie ChatGPT oder Google Bard sind dazu nicht in der Lage.

Insgesamt bietet GenAI vielversprechende Möglichkeiten, den Wissensgenerierungsprozess in Unternehmen zu großen Teilen zu automatisieren und zu optimieren. Durch die Nutzung von LLM und weiteren AI-Methoden können Unternehmen ihr internes Wissen effektiver erfassen, strukturieren und für alle Mitarbeiter zugänglich machen. Dadurch wird die Produktivität gesteigert, die Effizienz verbessert und das Unternehmen besser auf die Herausforderungen dieser Zeit vorbereitet. Gleichzeitig braucht es die Kombination mit anderen AI-Technologien, wie beispielsweise Knowledge Graphen, um sicher zu gehen, dass Wissen korrekt und nicht nur eloquent ist.

Knowledge Graphen arbeiten so, wie wir Menschen denken. Sie führen alle Informationen an einem Ort zusammen, verknüpfen diese und bilden sie ab. Sie führen alle Produktinformationen an einem Ort – der „Single Source of Truth“ – zusammen, verknüpfen diese und bilden sie ab. Dadurch bilden sie das logische Gerüst und die Wissensquelle z. B. für den Kundenservice. Techniker und Endkunden können von Fehlercodes auf betroffene Bauteile, Komponenten und Geräte schließen. Servicetechniker lösen dadurch Probleme schneller, mit der entsprechenden Reparaturen oder dem Austausch durch das richtige Ersatzteil.

Die Kombination von GenAI und Knowledge Graphen eröffnet dadurch neue Chancen für das Wissensmanagement und für den Support des Field Service.