Der Kontext<\/h2><\/div>Ein schnell wachsendes B2B-SaaS-Unternehmen hatte Schwierigkeiten, den Support zu erweitern. Die Ticketvolumina stiegen an, die Einarbeitung neuer Agenten dauerte Monate, und wichtiges Fachwissen lag in verstreuten Systemen.<\/p>\n
\n- \n
15.000+ Tickets in 5 Jahren, fast alle manuell bearbeitet<\/p>\n<\/li>\n
- \n
Die Einarbeitung neuer Agenten dauerte aufgrund der uneinheitlichen Einstufung Monate<\/p>\n<\/li>\n
- \n
Institutionelles Wissen ist in Stammesgewohnheiten und nicht in Systemen verankert<\/p>\n<\/li>\n<\/ul>\n
Obwohl wir in die Dokumentation investiert haben, waren die Daten zu fragmentiert, um daraus zu lernen. Mit jedem neuen Agenten begann die Lernkurve wieder von vorne.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>Die Herausforderung<\/h2><\/div>Automatisierungsversuche waren zuvor gescheitert – zu komplex, zu losgel\u00f6st vom Tagesgesch\u00e4ft.
Das Team brauchte eine L\u00f6sung, die:<\/p>\n
\n- \n
Nativ in bestehende Jira-Workflows<\/strong> integriert<\/p>\n<\/li>\n- \n
Verk\u00fcrzte Einarbeitungszeit<\/strong> durch Sichtbarmachen von Mustern<\/p>\n<\/li>\n- \n
Nachgewiesene echte Genauigkeit innerhalb von 8 Wochen<\/strong><\/p>\n<\/li>\n- \n
Erforderte keine Verhaltens\u00e4nderung<\/strong> von Frontline-Agenten<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div><\/div><\/div>![\"68%](\"https:\/\/staging.artiquare.com\/wp-content\/uploads\/2026\/02\/Screenshot-2026-02-14-145443.png\" "\\"68%")
<\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>Arti analysierte 15.000 historische Tickets, um versteckte Taxonomiemuster und wiederkehrende Absichten aufzudecken.
Wir haben ein Human-in-the-Loop-ML-Modell<\/strong> direkt in Jira entwickelt:<\/p>\n\n- \n
KI schl\u00e4gt Kategorien vor; Agenten werden in 5 Sekunden validiert<\/p>\n<\/li>\n
- \n
Keine neuen Tools oder Dashboards<\/p>\n<\/li>\n
- \n
Umschulung alle zwei Wochen von validierten Tickets<\/p>\n<\/li>\n
- \n
\u00dcbernahme durch den Champion (15 Minuten\/Tag)<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span>%<\/span><\/div>Auto-Kategorisierung nach 8 Wochen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>Best\u00e4tigte Validierungsgenauigkeit<\/div><\/div><\/div>0<\/span>hrs\/mo<\/span><\/div>Senior Ingenieur Zeit befreit<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Die Ergebnisse<\/h2><\/div>\n\n\n\n\nMetrisch<\/th>\n Vor<\/th>\n Nach 8 Wochen<\/th>\n<\/tr>\n \nAuto-Kategorisierung<\/td>\n 15%<\/td>\n 68%<\/strong><\/td>\n<\/tr>\n\nValidierungsgenauigkeit<\/td>\n –<\/td>\n 97%<\/strong><\/td>\n<\/tr>\n\nManuelle Triage<\/td>\n 255 Tickets\/Monat<\/td>\n 96 Tickets\/Monat<\/strong><\/td>\n<\/tr>\n\nGesparte Zeit<\/td>\n –<\/td>\n ~20 Stunden\/Monat<\/strong><\/td>\n<\/tr>\n\nRamp-Up f\u00fcr neue Agenten<\/td>\n 8 Wochen<\/td>\n 3 Wochen<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n\n„Die Einf\u00fchrung war nahtlos. F\u00fcnf Sekunden pro Ticket, keine neuen Tools. Das System lernt alle zwei Wochen aus unseren Korrekturen“.<\/em>
– Support Operations Lead<\/p>\n<\/blockquote>\n<\/div><\/div><\/div><\/div><\/div>Die Auswirkungen<\/h3><\/div>Die routinem\u00e4\u00dfige Triagearbeit ging um zwei Drittel zur\u00fcck, das Onboarding wurde beschleunigt und die Wissenserfassung verbessert. Das Team skalierte schneller, ohne auszubrennen – und schuf eine Grundlage f\u00fcr kontinuierliches Lernen in Jira selbst.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Ein schnell wachsendes B2B-SaaS-Unternehmen hatte Schwierigkeiten, den Support zu erweitern. Die Ticketvolumina stiegen an, die Einarbeitung neuer Agenten dauerte Monate, und wichtiges Fachwissen lag in verstreuten Systemen.<\/p>\n
- \n
- \n
15.000+ Tickets in 5 Jahren, fast alle manuell bearbeitet<\/p>\n<\/li>\n
- \n
Die Einarbeitung neuer Agenten dauerte aufgrund der uneinheitlichen Einstufung Monate<\/p>\n<\/li>\n
- \n
Institutionelles Wissen ist in Stammesgewohnheiten und nicht in Systemen verankert<\/p>\n<\/li>\n<\/ul>\n
Obwohl wir in die Dokumentation investiert haben, waren die Daten zu fragmentiert, um daraus zu lernen. Mit jedem neuen Agenten begann die Lernkurve wieder von vorne.<\/p>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div>Die Herausforderung<\/h2><\/div>
Automatisierungsversuche waren zuvor gescheitert – zu komplex, zu losgel\u00f6st vom Tagesgesch\u00e4ft.
Das Team brauchte eine L\u00f6sung, die:<\/p>\n- \n
- \n
Nativ in bestehende Jira-Workflows<\/strong> integriert<\/p>\n<\/li>\n
- \n
Verk\u00fcrzte Einarbeitungszeit<\/strong> durch Sichtbarmachen von Mustern<\/p>\n<\/li>\n
- \n
Nachgewiesene echte Genauigkeit innerhalb von 8 Wochen<\/strong><\/p>\n<\/li>\n
- \n
Erforderte keine Verhaltens\u00e4nderung<\/strong> von Frontline-Agenten<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div>
<\/div><\/div><\/div><\/div><\/span><\/div><\/div><\/div>Unser Ansatz<\/h2><\/div>
Arti analysierte 15.000 historische Tickets, um versteckte Taxonomiemuster und wiederkehrende Absichten aufzudecken.
Wir haben ein Human-in-the-Loop-ML-Modell<\/strong> direkt in Jira entwickelt:<\/p>\n- \n
- \n
KI schl\u00e4gt Kategorien vor; Agenten werden in 5 Sekunden validiert<\/p>\n<\/li>\n
- \n
Keine neuen Tools oder Dashboards<\/p>\n<\/li>\n
- \n
Umschulung alle zwei Wochen von validierten Tickets<\/p>\n<\/li>\n
- \n
\u00dcbernahme durch den Champion (15 Minuten\/Tag)<\/p>\n<\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div>
0<\/span>%<\/span><\/div>Auto-Kategorisierung nach 8 Wochen<\/div><\/div><\/div>0<\/span>%<\/span><\/div>Best\u00e4tigte Validierungsgenauigkeit<\/div><\/div><\/div>0<\/span>hrs\/mo<\/span><\/div>Senior Ingenieur Zeit befreit<\/div><\/div><\/div><\/div><\/div><\/div><\/div><\/div>Die Ergebnisse<\/h2><\/div>\n
\n\n\n
\n Metrisch<\/th>\n Vor<\/th>\n Nach 8 Wochen<\/th>\n<\/tr>\n \n Auto-Kategorisierung<\/td>\n 15%<\/td>\n 68%<\/strong><\/td>\n<\/tr>\n \n Validierungsgenauigkeit<\/td>\n –<\/td>\n 97%<\/strong><\/td>\n<\/tr>\n \n Manuelle Triage<\/td>\n 255 Tickets\/Monat<\/td>\n 96 Tickets\/Monat<\/strong><\/td>\n<\/tr>\n \n Gesparte Zeit<\/td>\n –<\/td>\n ~20 Stunden\/Monat<\/strong><\/td>\n<\/tr>\n \n Ramp-Up f\u00fcr neue Agenten<\/td>\n 8 Wochen<\/td>\n 3 Wochen<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n \n
„Die Einf\u00fchrung war nahtlos. F\u00fcnf Sekunden pro Ticket, keine neuen Tools. Das System lernt alle zwei Wochen aus unseren Korrekturen“.<\/em>
– Support Operations Lead<\/p>\n<\/blockquote>\n<\/div><\/div><\/div><\/div><\/div>Die Auswirkungen<\/h3><\/div>
Die routinem\u00e4\u00dfige Triagearbeit ging um zwei Drittel zur\u00fcck, das Onboarding wurde beschleunigt und die Wissenserfassung verbessert. Das Team skalierte schneller, ohne auszubrennen – und schuf eine Grundlage f\u00fcr kontinuierliches Lernen in Jira selbst.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
- \n
- \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>