Der Kontext<\/h2><\/div>Ein mittelst\u00e4ndisches Softwareunternehmen bietet Automatisierungssoftware f\u00fcr Maschinen und Anlagenmanagement f\u00fcr Industriekunden an. Die Nachfrage nach ihrer L\u00f6sung stieg schnell, aber das Wachstum schuf ein strukturelles Problem: Sie konnten nicht schnell genug Ingenieure einstellen und an Bord holen, um Schritt zu halten.<\/p>\n
Neu eingestellte Mitarbeiter brauchten 18-24 Monate, um ihre volle Produktivit\u00e4t zu erreichen, was vor allem an der Komplexit\u00e4t der Software und der Kundenumgebung lag. Die Software wurde an abgegrenzten Standorten eingesetzt und erforderte die Koordination zwischen mehreren Beteiligten – Softwareanbietern, IT-Dienstleistern, internen IT-Teams, Projektmanagern und Endbenutzern. Anfragen kamen von \u00fcberall her und mussten oft \u00fcber mehrere Parteien hinweg bearbeitet werden, bevor sie gel\u00f6st werden konnten.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>Die Herausforderung<\/h2><\/div>Das Wissen befand sich an zwei Orten: acht Jahre lang in Jira-Problemen (\u00fcber 50.000 Tickets) und Tausende von Confluence-Seiten, oft nur Screenshots mit minimaler Beschreibung. F\u00fcr neue Mitarbeiter war dies ein „Datenfriedhof“ – schwer zu finden, noch schwerer zu lernen.<\/p>\n
Ein einziger „menschlicher Router“ verbrachte den Tag damit, Tickets zu reinigen, zu kl\u00e4ren und zuzuweisen. \u00c4ltere Ingenieure verbrachten die H\u00e4lfte ihrer Zeit damit, Fragen zu beantworten, unvollst\u00e4ndige Tickets zu kl\u00e4ren und J\u00fcngeren zu helfen. Das verlangsamte die Innovation und hielt das Team in einem st\u00e4ndigen Reaktionsmodus. Die Genauigkeit der Kategorisierung lag bei etwa 15 % und die Abdeckung der Dokumentation bei etwa 10 %.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>![\"Onboarding](\"https:\/\/staging.artiquare.com\/wp-content\/uploads\/2025\/10\/Screenshot-2026-04-01-205433.png\" "\\"Onboarding")
<\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Arti begann mit einer gr\u00fcndlichen Analyse von 50.000 Jira-Themen. Die Ergebnisse zeigten Konzentrationspunkte: Nur 3 der 12 Softwaremodule machten mehr als 50 % der Arbeitsbelastung aus. Dies war der Ausgangspunkt f\u00fcr eine hochwirksame Automatisierung.<\/p>\n
Dann haben wir einen KI-gesteuerten Router gebaut:<\/p>\n
\n- \n
Eine automatische Kategorisierungsgenauigkeit von 75 % wurde sofort erreicht und mit einer Human-in-the-Loop-Pipeline trainiert, um 80 % zu erreichen.<\/p>\n<\/li>\n
- \n
\u00dcberpr\u00fcfe Tickets automatisch auf Vollst\u00e4ndigkeit und fordere fehlende Details vor der \u00dcbermittlung an.<\/p>\n<\/li>\n
- \n
Die drei wichtigsten historischen Probleme wurden zusammen mit kurzen Zusammenfassungen des Problems und der L\u00f6sung aufgedeckt, um die Ingenieure anzuleiten.<\/p>\n<\/li>\n<\/ul>\n
Parallel dazu extrahierten die KI-Agenten wiederkehrende Problem-\/L\u00f6sungscluster. Unter Einbeziehung der leitenden Ingenieure wurden diese in eine neue, nutzbare Wissensbasis strukturiert – eine, die die Ingenieure aktiv unterst\u00fctzt, anstatt ungenutzt zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span><\/div>Analysierte Jira-Themen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>automatische Routenplanung<\/div><\/div><\/div>0<\/span>x<\/span><\/div>schnelleres Onboarding<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>Die Wirkung war unmittelbar und messbar:<\/p>\n
\n- \n
Die Einarbeitungszeit sank von 18-24 Monaten auf nur noch 4-6 Monate.<\/p>\n<\/li>\n
- \n
Die automatisierte Kategorisierung erreichte eine Genauigkeit von 75-80%.<\/p>\n<\/li>\n
- \n
Die Rolle des menschlichen Routers wurde abgeschafft, wodurch Kapazit\u00e4ten frei wurden.<\/p>\n<\/li>\n
- \n
Senior-Ingenieure gewannen Zeit f\u00fcr Innovationen statt f\u00fcr die Brandbek\u00e4mpfung.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>Durch die Strukturierung ihres „Datenfriedhofs“ in einen nutzbaren Verm\u00f6genswert schuf das Unternehmen eine Grundlage f\u00fcr die Skalierung. Neueinstellungen k\u00f6nnten innerhalb von Monaten, nicht von Jahren, erfolgen. Anfragen wurden sauber durch eine komplexe Multi-Stakeholder-Umgebung geleitet. Und das Wichtigste: Das Unternehmen konnte weiter wachsen, ohne dass der Personalbestand linear anstieg.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Ein mittelst\u00e4ndisches Softwareunternehmen bietet Automatisierungssoftware f\u00fcr Maschinen und Anlagenmanagement f\u00fcr Industriekunden an. Die Nachfrage nach ihrer L\u00f6sung stieg schnell, aber das Wachstum schuf ein strukturelles Problem: Sie konnten nicht schnell genug Ingenieure einstellen und an Bord holen, um Schritt zu halten.<\/p>\n
Neu eingestellte Mitarbeiter brauchten 18-24 Monate, um ihre volle Produktivit\u00e4t zu erreichen, was vor allem an der Komplexit\u00e4t der Software und der Kundenumgebung lag. Die Software wurde an abgegrenzten Standorten eingesetzt und erforderte die Koordination zwischen mehreren Beteiligten – Softwareanbietern, IT-Dienstleistern, internen IT-Teams, Projektmanagern und Endbenutzern. Anfragen kamen von \u00fcberall her und mussten oft \u00fcber mehrere Parteien hinweg bearbeitet werden, bevor sie gel\u00f6st werden konnten.<\/p>\n<\/div><\/div><\/div>
Die Herausforderung<\/h2><\/div>Das Wissen befand sich an zwei Orten: acht Jahre lang in Jira-Problemen (\u00fcber 50.000 Tickets) und Tausende von Confluence-Seiten, oft nur Screenshots mit minimaler Beschreibung. F\u00fcr neue Mitarbeiter war dies ein „Datenfriedhof“ – schwer zu finden, noch schwerer zu lernen.<\/p>\n
Ein einziger „menschlicher Router“ verbrachte den Tag damit, Tickets zu reinigen, zu kl\u00e4ren und zuzuweisen. \u00c4ltere Ingenieure verbrachten die H\u00e4lfte ihrer Zeit damit, Fragen zu beantworten, unvollst\u00e4ndige Tickets zu kl\u00e4ren und J\u00fcngeren zu helfen. Das verlangsamte die Innovation und hielt das Team in einem st\u00e4ndigen Reaktionsmodus. Die Genauigkeit der Kategorisierung lag bei etwa 15 % und die Abdeckung der Dokumentation bei etwa 10 %.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div><\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Arti begann mit einer gr\u00fcndlichen Analyse von 50.000 Jira-Themen. Die Ergebnisse zeigten Konzentrationspunkte: Nur 3 der 12 Softwaremodule machten mehr als 50 % der Arbeitsbelastung aus. Dies war der Ausgangspunkt f\u00fcr eine hochwirksame Automatisierung.<\/p>\n
Dann haben wir einen KI-gesteuerten Router gebaut:<\/p>\n
\n- \n
Eine automatische Kategorisierungsgenauigkeit von 75 % wurde sofort erreicht und mit einer Human-in-the-Loop-Pipeline trainiert, um 80 % zu erreichen.<\/p>\n<\/li>\n
- \n
\u00dcberpr\u00fcfe Tickets automatisch auf Vollst\u00e4ndigkeit und fordere fehlende Details vor der \u00dcbermittlung an.<\/p>\n<\/li>\n
- \n
Die drei wichtigsten historischen Probleme wurden zusammen mit kurzen Zusammenfassungen des Problems und der L\u00f6sung aufgedeckt, um die Ingenieure anzuleiten.<\/p>\n<\/li>\n<\/ul>\n
Parallel dazu extrahierten die KI-Agenten wiederkehrende Problem-\/L\u00f6sungscluster. Unter Einbeziehung der leitenden Ingenieure wurden diese in eine neue, nutzbare Wissensbasis strukturiert – eine, die die Ingenieure aktiv unterst\u00fctzt, anstatt ungenutzt zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span><\/div>Analysierte Jira-Themen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>automatische Routenplanung<\/div><\/div><\/div>0<\/span>x<\/span><\/div>schnelleres Onboarding<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>Die Wirkung war unmittelbar und messbar:<\/p>\n
\n- \n
Die Einarbeitungszeit sank von 18-24 Monaten auf nur noch 4-6 Monate.<\/p>\n<\/li>\n
- \n
Die automatisierte Kategorisierung erreichte eine Genauigkeit von 75-80%.<\/p>\n<\/li>\n
- \n
Die Rolle des menschlichen Routers wurde abgeschafft, wodurch Kapazit\u00e4ten frei wurden.<\/p>\n<\/li>\n
- \n
Senior-Ingenieure gewannen Zeit f\u00fcr Innovationen statt f\u00fcr die Brandbek\u00e4mpfung.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>Durch die Strukturierung ihres „Datenfriedhofs“ in einen nutzbaren Verm\u00f6genswert schuf das Unternehmen eine Grundlage f\u00fcr die Skalierung. Neueinstellungen k\u00f6nnten innerhalb von Monaten, nicht von Jahren, erfolgen. Anfragen wurden sauber durch eine komplexe Multi-Stakeholder-Umgebung geleitet. Und das Wichtigste: Das Unternehmen konnte weiter wachsen, ohne dass der Personalbestand linear anstieg.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Das Wissen befand sich an zwei Orten: acht Jahre lang in Jira-Problemen (\u00fcber 50.000 Tickets) und Tausende von Confluence-Seiten, oft nur Screenshots mit minimaler Beschreibung. F\u00fcr neue Mitarbeiter war dies ein „Datenfriedhof“ – schwer zu finden, noch schwerer zu lernen.<\/p>\n
Ein einziger „menschlicher Router“ verbrachte den Tag damit, Tickets zu reinigen, zu kl\u00e4ren und zuzuweisen. \u00c4ltere Ingenieure verbrachten die H\u00e4lfte ihrer Zeit damit, Fragen zu beantworten, unvollst\u00e4ndige Tickets zu kl\u00e4ren und J\u00fcngeren zu helfen. Das verlangsamte die Innovation und hielt das Team in einem st\u00e4ndigen Reaktionsmodus. Die Genauigkeit der Kategorisierung lag bei etwa 15 % und die Abdeckung der Dokumentation bei etwa 10 %.<\/p>\n<\/div><\/div><\/div>
<\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Arti begann mit einer gr\u00fcndlichen Analyse von 50.000 Jira-Themen. Die Ergebnisse zeigten Konzentrationspunkte: Nur 3 der 12 Softwaremodule machten mehr als 50 % der Arbeitsbelastung aus. Dies war der Ausgangspunkt f\u00fcr eine hochwirksame Automatisierung.<\/p>\n
Dann haben wir einen KI-gesteuerten Router gebaut:<\/p>\n
\n- \n
Eine automatische Kategorisierungsgenauigkeit von 75 % wurde sofort erreicht und mit einer Human-in-the-Loop-Pipeline trainiert, um 80 % zu erreichen.<\/p>\n<\/li>\n
- \n
\u00dcberpr\u00fcfe Tickets automatisch auf Vollst\u00e4ndigkeit und fordere fehlende Details vor der \u00dcbermittlung an.<\/p>\n<\/li>\n
- \n
Die drei wichtigsten historischen Probleme wurden zusammen mit kurzen Zusammenfassungen des Problems und der L\u00f6sung aufgedeckt, um die Ingenieure anzuleiten.<\/p>\n<\/li>\n<\/ul>\n
Parallel dazu extrahierten die KI-Agenten wiederkehrende Problem-\/L\u00f6sungscluster. Unter Einbeziehung der leitenden Ingenieure wurden diese in eine neue, nutzbare Wissensbasis strukturiert – eine, die die Ingenieure aktiv unterst\u00fctzt, anstatt ungenutzt zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span><\/div>Analysierte Jira-Themen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>automatische Routenplanung<\/div><\/div><\/div>0<\/span>x<\/span><\/div>schnelleres Onboarding<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>Die Wirkung war unmittelbar und messbar:<\/p>\n
\n- \n
Die Einarbeitungszeit sank von 18-24 Monaten auf nur noch 4-6 Monate.<\/p>\n<\/li>\n
- \n
Die automatisierte Kategorisierung erreichte eine Genauigkeit von 75-80%.<\/p>\n<\/li>\n
- \n
Die Rolle des menschlichen Routers wurde abgeschafft, wodurch Kapazit\u00e4ten frei wurden.<\/p>\n<\/li>\n
- \n
Senior-Ingenieure gewannen Zeit f\u00fcr Innovationen statt f\u00fcr die Brandbek\u00e4mpfung.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>Durch die Strukturierung ihres „Datenfriedhofs“ in einen nutzbaren Verm\u00f6genswert schuf das Unternehmen eine Grundlage f\u00fcr die Skalierung. Neueinstellungen k\u00f6nnten innerhalb von Monaten, nicht von Jahren, erfolgen. Anfragen wurden sauber durch eine komplexe Multi-Stakeholder-Umgebung geleitet. Und das Wichtigste: Das Unternehmen konnte weiter wachsen, ohne dass der Personalbestand linear anstieg.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Arti begann mit einer gr\u00fcndlichen Analyse von 50.000 Jira-Themen. Die Ergebnisse zeigten Konzentrationspunkte: Nur 3 der 12 Softwaremodule machten mehr als 50 % der Arbeitsbelastung aus. Dies war der Ausgangspunkt f\u00fcr eine hochwirksame Automatisierung.<\/p>\n
Dann haben wir einen KI-gesteuerten Router gebaut:<\/p>\n
- \n
- \n
Eine automatische Kategorisierungsgenauigkeit von 75 % wurde sofort erreicht und mit einer Human-in-the-Loop-Pipeline trainiert, um 80 % zu erreichen.<\/p>\n<\/li>\n
- \n
\u00dcberpr\u00fcfe Tickets automatisch auf Vollst\u00e4ndigkeit und fordere fehlende Details vor der \u00dcbermittlung an.<\/p>\n<\/li>\n
- \n
Die drei wichtigsten historischen Probleme wurden zusammen mit kurzen Zusammenfassungen des Problems und der L\u00f6sung aufgedeckt, um die Ingenieure anzuleiten.<\/p>\n<\/li>\n<\/ul>\n
Parallel dazu extrahierten die KI-Agenten wiederkehrende Problem-\/L\u00f6sungscluster. Unter Einbeziehung der leitenden Ingenieure wurden diese in eine neue, nutzbare Wissensbasis strukturiert – eine, die die Ingenieure aktiv unterst\u00fctzt, anstatt ungenutzt zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span><\/div>Analysierte Jira-Themen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>automatische Routenplanung<\/div><\/div><\/div>0<\/span>x<\/span><\/div>schnelleres Onboarding<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>
Die Wirkung war unmittelbar und messbar:<\/p>\n
- \n
- \n
Die Einarbeitungszeit sank von 18-24 Monaten auf nur noch 4-6 Monate.<\/p>\n<\/li>\n
- \n
Die automatisierte Kategorisierung erreichte eine Genauigkeit von 75-80%.<\/p>\n<\/li>\n
- \n
Die Rolle des menschlichen Routers wurde abgeschafft, wodurch Kapazit\u00e4ten frei wurden.<\/p>\n<\/li>\n
- \n
Senior-Ingenieure gewannen Zeit f\u00fcr Innovationen statt f\u00fcr die Brandbek\u00e4mpfung.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>
Durch die Strukturierung ihres „Datenfriedhofs“ in einen nutzbaren Verm\u00f6genswert schuf das Unternehmen eine Grundlage f\u00fcr die Skalierung. Neueinstellungen k\u00f6nnten innerhalb von Monaten, nicht von Jahren, erfolgen. Anfragen wurden sauber durch eine komplexe Multi-Stakeholder-Umgebung geleitet. Und das Wichtigste: Das Unternehmen konnte weiter wachsen, ohne dass der Personalbestand linear anstieg.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
- \n
![\"Wissensdatenbank\"](\"https:\/\/staging.artiquare.com\/wp-content\/uploads\/2023\/03\/linkedin-sales-solutions-YDVdprpgHv4-unsplash-Large.jpg\" "\\"Wissensdatenbank\\"")
<\/span><\/div><\/div><\/div><\/div><\/div><\/div><\/div>