Der Kontext<\/h2><\/div>Ein milliardenschwerer Maschinenhersteller baute eine digitale Schicht auf seine Hardwareprodukte auf. Mit einem starken IT-Team investierten sie viel in Copiloten und fortschrittliche LLM-Pipelines (RAG, fein abgestimmte Einbettungen, Reranking, hybride Suche). Trotz dieser Bem\u00fchungen waren die Experten frustriert – die Antworten waren unvollst\u00e4ndig und unzuverl\u00e4ssig.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>Die Herausforderung<\/h2><\/div>Das tiefere Problem waren nicht die Modelle. Es war das Wissen selbst<\/em>. Ein Gro\u00dfteil des Fachwissens war undokumentiert und in chaotischen Jira-Anfragen vergraben.<\/p>\n\n- \n
Mehr als 70 Kategorien, Dutzende von Bezeichnungen und eine geringe Kategorisierungsgenauigkeit (~35%).<\/p>\n<\/li>\n
- \n
1 Vollzeit\u00e4quivalent (FTE) verbrachte jeden Monat mit der manuellen Weiterleitung von Tickets, bevor die eigentliche Arbeit \u00fcberhaupt begann.<\/p>\n<\/li>\n
- \n
Experten, die in Nachfassaktionen ertrinken: unvollst\u00e4ndige Tickets kl\u00e4ren, falsch kategorisierte Anfragen erneut versenden und unerreichbare Antragsteller verfolgen. Die Kl\u00e4rung dauerte oft l\u00e4nger als die L\u00f6sung des eigentlichen Problems.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>![\"85%](\"https:\/\/staging.artiquare.com\/wp-content\/uploads\/2025\/10\/Screenshot-2026-04-01-205209.png\" "\\"85%")
<\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Wir haben das Problem in Phasen unterteilt, beginnend mit Routing und Triage.<\/p>\n
\n- \n
Er analysierte mehr als 250.000 Jira-Probleme in der gesamten IT-Landschaft des Produkts.<\/p>\n<\/li>\n
- \n
Es wurde festgestellt, dass 2 Schl\u00fcsselkomponenten ~50% des Arbeitsaufkommens ausmachten, aufgeteilt in ~120 verschiedene Muster.<\/p>\n<\/li>\n
- \n
Wir haben ein KI\/ML-Klassifizierungssystem entwickelt, um diese Muster automatisch den erforderlichen Feldern, Arbeitsabl\u00e4ufen und Genehmigungsschritten zuzuordnen.<\/p>\n<\/li>\n
- \n
Wir haben eine Human-in-the-Loop-Pipeline eingef\u00fchrt, um die Genauigkeit auf \u00fcber 85 % zu steigern und kontinuierlich zu verbessern.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span>%<\/span><\/div>der Arbeitsbelastung automatisiert<\/div><\/div><\/div>0<\/span>%<\/span><\/div>Automatisierte Genauigkeit der Kategorisierung<\/div><\/div><\/div>0<\/span><\/div>Eingesparte VZ\u00c4\/Monat<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>\n- \n
Die automatische Kategorisierung verbesserte sich von 35% \u2192 75% out-of-the-box und \u00fcber 85% mit Feedbackschleife.<\/p>\n<\/li>\n
- \n
Das \u00c4quivalent von 1 VZ\u00c4 pro Monat, das zuvor f\u00fcr die manuelle Weiterleitung verschwendet wurde, wurde eingespart.<\/p>\n<\/li>\n
- \n
Weniger Wiederer\u00f6ffnungen und Nachfassaktionen, da die Benutzer bei der Eingabe angeleitet werden und die erforderlichen Informationen im Voraus erfasst werden.<\/p>\n<\/li>\n
- \n
Wir haben einen Chatbot eingesetzt, um sich wiederholende Fragen zu beantworten und die Nutzer durch die richtigen Arbeitsabl\u00e4ufe zu leiten.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>Das System wurde zu einer \u00dcbersetzungsebene zwischen der IT-Komplexit\u00e4t und den Zielen der Nutzer<\/strong>. Anstatt sich mit Kategorien und Feldern herumzuschlagen, verstand das System die Absicht und leitete entsprechend weiter. Diese Klarheit beschleunigte nicht nur die Reaktionszeiten, sondern legte auch den Grundstein f\u00fcr skalierbare Automatisierungs- und Genehmigungsworkflows, erweiterte Wissensdatenbanken und absichtsgesteuerten Benutzersupport.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Ein milliardenschwerer Maschinenhersteller baute eine digitale Schicht auf seine Hardwareprodukte auf. Mit einem starken IT-Team investierten sie viel in Copiloten und fortschrittliche LLM-Pipelines (RAG, fein abgestimmte Einbettungen, Reranking, hybride Suche). Trotz dieser Bem\u00fchungen waren die Experten frustriert – die Antworten waren unvollst\u00e4ndig und unzuverl\u00e4ssig.<\/p>\n<\/div><\/div><\/div>
Die Herausforderung<\/h2><\/div>Das tiefere Problem waren nicht die Modelle. Es war das Wissen selbst<\/em>. Ein Gro\u00dfteil des Fachwissens war undokumentiert und in chaotischen Jira-Anfragen vergraben.<\/p>\n\n- \n
Mehr als 70 Kategorien, Dutzende von Bezeichnungen und eine geringe Kategorisierungsgenauigkeit (~35%).<\/p>\n<\/li>\n
- \n
1 Vollzeit\u00e4quivalent (FTE) verbrachte jeden Monat mit der manuellen Weiterleitung von Tickets, bevor die eigentliche Arbeit \u00fcberhaupt begann.<\/p>\n<\/li>\n
- \n
Experten, die in Nachfassaktionen ertrinken: unvollst\u00e4ndige Tickets kl\u00e4ren, falsch kategorisierte Anfragen erneut versenden und unerreichbare Antragsteller verfolgen. Die Kl\u00e4rung dauerte oft l\u00e4nger als die L\u00f6sung des eigentlichen Problems.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div><\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Wir haben das Problem in Phasen unterteilt, beginnend mit Routing und Triage.<\/p>\n
\n- \n
Er analysierte mehr als 250.000 Jira-Probleme in der gesamten IT-Landschaft des Produkts.<\/p>\n<\/li>\n
- \n
Es wurde festgestellt, dass 2 Schl\u00fcsselkomponenten ~50% des Arbeitsaufkommens ausmachten, aufgeteilt in ~120 verschiedene Muster.<\/p>\n<\/li>\n
- \n
Wir haben ein KI\/ML-Klassifizierungssystem entwickelt, um diese Muster automatisch den erforderlichen Feldern, Arbeitsabl\u00e4ufen und Genehmigungsschritten zuzuordnen.<\/p>\n<\/li>\n
- \n
Wir haben eine Human-in-the-Loop-Pipeline eingef\u00fchrt, um die Genauigkeit auf \u00fcber 85 % zu steigern und kontinuierlich zu verbessern.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span>%<\/span><\/div>der Arbeitsbelastung automatisiert<\/div><\/div><\/div>0<\/span>%<\/span><\/div>Automatisierte Genauigkeit der Kategorisierung<\/div><\/div><\/div>0<\/span><\/div>Eingesparte VZ\u00c4\/Monat<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Ergebnisse<\/h2><\/div>\n- \n
Die automatische Kategorisierung verbesserte sich von 35% \u2192 75% out-of-the-box und \u00fcber 85% mit Feedbackschleife.<\/p>\n<\/li>\n
- \n
Das \u00c4quivalent von 1 VZ\u00c4 pro Monat, das zuvor f\u00fcr die manuelle Weiterleitung verschwendet wurde, wurde eingespart.<\/p>\n<\/li>\n
- \n
Weniger Wiederer\u00f6ffnungen und Nachfassaktionen, da die Benutzer bei der Eingabe angeleitet werden und die erforderlichen Informationen im Voraus erfasst werden.<\/p>\n<\/li>\n
- \n
Wir haben einen Chatbot eingesetzt, um sich wiederholende Fragen zu beantworten und die Nutzer durch die richtigen Arbeitsabl\u00e4ufe zu leiten.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
Aufschlag<\/h3><\/div>Das System wurde zu einer \u00dcbersetzungsebene zwischen der IT-Komplexit\u00e4t und den Zielen der Nutzer<\/strong>. Anstatt sich mit Kategorien und Feldern herumzuschlagen, verstand das System die Absicht und leitete entsprechend weiter. Diese Klarheit beschleunigte nicht nur die Reaktionszeiten, sondern legte auch den Grundstein f\u00fcr skalierbare Automatisierungs- und Genehmigungsworkflows, erweiterte Wissensdatenbanken und absichtsgesteuerten Benutzersupport.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Das tiefere Problem waren nicht die Modelle. Es war das Wissen selbst<\/em>. Ein Gro\u00dfteil des Fachwissens war undokumentiert und in chaotischen Jira-Anfragen vergraben.<\/p>\n Mehr als 70 Kategorien, Dutzende von Bezeichnungen und eine geringe Kategorisierungsgenauigkeit (~35%).<\/p>\n<\/li>\n 1 Vollzeit\u00e4quivalent (FTE) verbrachte jeden Monat mit der manuellen Weiterleitung von Tickets, bevor die eigentliche Arbeit \u00fcberhaupt begann.<\/p>\n<\/li>\n Experten, die in Nachfassaktionen ertrinken: unvollst\u00e4ndige Tickets kl\u00e4ren, falsch kategorisierte Anfragen erneut versenden und unerreichbare Antragsteller verfolgen. Die Kl\u00e4rung dauerte oft l\u00e4nger als die L\u00f6sung des eigentlichen Problems.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div> Wir haben das Problem in Phasen unterteilt, beginnend mit Routing und Triage.<\/p>\n Er analysierte mehr als 250.000 Jira-Probleme in der gesamten IT-Landschaft des Produkts.<\/p>\n<\/li>\n Es wurde festgestellt, dass 2 Schl\u00fcsselkomponenten ~50% des Arbeitsaufkommens ausmachten, aufgeteilt in ~120 verschiedene Muster.<\/p>\n<\/li>\n Wir haben ein KI\/ML-Klassifizierungssystem entwickelt, um diese Muster automatisch den erforderlichen Feldern, Arbeitsabl\u00e4ufen und Genehmigungsschritten zuzuordnen.<\/p>\n<\/li>\n Wir haben eine Human-in-the-Loop-Pipeline eingef\u00fchrt, um die Genauigkeit auf \u00fcber 85 % zu steigern und kontinuierlich zu verbessern.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div> Die automatische Kategorisierung verbesserte sich von 35% \u2192 75% out-of-the-box und \u00fcber 85% mit Feedbackschleife.<\/p>\n<\/li>\n Das \u00c4quivalent von 1 VZ\u00c4 pro Monat, das zuvor f\u00fcr die manuelle Weiterleitung verschwendet wurde, wurde eingespart.<\/p>\n<\/li>\n Weniger Wiederer\u00f6ffnungen und Nachfassaktionen, da die Benutzer bei der Eingabe angeleitet werden und die erforderlichen Informationen im Voraus erfasst werden.<\/p>\n<\/li>\n Wir haben einen Chatbot eingesetzt, um sich wiederholende Fragen zu beantworten und die Nutzer durch die richtigen Arbeitsabl\u00e4ufe zu leiten.<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div> Das System wurde zu einer \u00dcbersetzungsebene zwischen der IT-Komplexit\u00e4t und den Zielen der Nutzer<\/strong>. Anstatt sich mit Kategorien und Feldern herumzuschlagen, verstand das System die Absicht und leitete entsprechend weiter. Diese Klarheit beschleunigte nicht nur die Reaktionszeiten, sondern legte auch den Grundstein f\u00fcr skalierbare Automatisierungs- und Genehmigungsworkflows, erweiterte Wissensdatenbanken und absichtsgesteuerten Benutzersupport.<\/p>\n<\/div><\/div><\/div><\/div><\/div>\n
<\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>
\n
Ergebnisse<\/h2><\/div>
\n
Aufschlag<\/h3><\/div>
![\"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>