Ticket-Klassifikation mit KI: Was Systemhäuser übersehen

"Unsere Ticket-Daten sind zu unstrukturiert für KI." Diesen Satz hören wir häufig. Er ist verständlich — und meistens falsch. Die Daten sind selten das Problem. Die Erwartung ist es.

Was KI-Klassifikation tatsächlich leistet

Ein KI-Modell liest den Ticket-Text und ordnet drei Dinge zu: Kategorie (Netzwerk, Benutzerverwaltung, Hardware), Priorität (kritisch, hoch, normal) und Zielteam (1st Level, 2nd Level, Spezialist). Das geschieht in Sekunden, nicht Minuten.

Der Vorteil ist nicht Geschwindigkeit allein. Der Vorteil ist Konsistenz. Ein menschlicher Dispatcher entscheidet unterschiedlich — je nach Tagesform, Arbeitsbelastung und Erfahrung. Ein Modell entscheidet gleich. Immer.

Bei gut trainierten Modellen liegt die Trefferquote bei 85 bis 92 %. Das klingt nach wenig. Zum Vergleich: Manuelle Klassifikation erreicht in der Praxis 70 bis 80 %. Die KI ist nicht perfekt, aber besser als der Status quo.

Das Datenqualitäts-Missverständnis

"Unsere Daten sind unstrukturiert" bedeutet meistens: Die Ticket-Texte sind frei formuliert, enthalten Tippfehler und variieren stark. Das ist normal. Genau damit arbeiten moderne Sprachmodelle.

Was tatsächlich problematisch ist:

Fehlende oder falsche Labels

Wenn Tickets historisch falsch kategorisiert wurden, lernt das Modell die falschen Zuordnungen. Aus "Netzwerkproblem" wird "Druckerproblem", weil jemand vor zwei Jahren die falsche Kategorie gewählt hat.

Was hilft: Eine Stichprobe von 200 bis 500 Tickets manuell prüfen und korrigieren. Das dauert ein bis zwei Tage und verbessert die Modellqualität erheblich.

Zu wenige Beispiele pro Kategorie

Ein Modell braucht mindestens 50 bis 100 Beispiele pro Kategorie. Wenn "VPN-Probleme" nur 12 Mal in den letzten zwei Jahren auftraten, reicht das nicht für eine eigene Kategorie. Die Kategorie muss breiter gefasst werden — etwa "Netzwerk und Konnektivität".

Inkonsistente Kategorien

Manche Systemhäuser haben 150 Ticket-Kategorien, davon 80 mit weniger als 10 Einträgen. Das Modell kann damit nicht arbeiten. Eine Konsolidierung auf 15 bis 25 sinnvolle Kategorien ist der erste Schritt.

Der Einstiegsprozess

Schritt 1: Bestandsaufnahme

Exportieren Sie Ihre Ticket-Daten der letzten 12 Monate. Relevante Felder: Ticket-Text, Kategorie, Priorität, Zielteam, Bearbeitungszeit, Lösungsstatus.

Schritt 2: Datenbereinigung

Prüfen Sie die häufigsten 20 Kategorien auf Konsistenz. Konsolidieren Sie ähnliche Kategorien. Korrigieren Sie offensichtliche Fehlzuordnungen.

Schritt 3: Pilotierung

Trainieren Sie ein erstes Modell auf 60 % der Daten. Testen Sie gegen die restlichen 40 %. Messen Sie die Trefferquote pro Kategorie, nicht nur insgesamt. Eine Gesamtquote von 90 % nützt wenig, wenn "Kritische Netzwerkausfälle" nur zu 40 % erkannt werden.

Schritt 4: Parallelbetrieb

Setzen Sie das Modell parallel zum manuellen Prozess ein. Das Modell schlägt vor, der Dispatcher bestätigt oder korrigiert. Korrekturen fließen als Trainingsdaten zurück. Nach vier bis sechs Wochen ist die Qualität stabil genug für den produktiven Einsatz.

Was KI nicht ersetzt

Klassifikation ist der Einstieg, nicht das Ziel. KI entscheidet nicht, ob ein Ticket eskaliert werden muss. Sie ersetzt nicht das Urteilsvermögen eines erfahrenen Technikers bei komplexen Störungen. Sie entlastet das Team bei repetitiven Entscheidungen, damit für die schwierigen Fälle mehr Zeit bleibt.

Nächster Schritt

Lassen Sie uns in 30 Minuten prüfen, wie Self-Service Ihren 1st-Level-Support entlastet — unverbindlich und kostenfrei.

Gespräch vereinbaren →