KI im Kundenservice mit Gemini und Ticketsystem: Klassifizieren, Antwortentwürfe, Eskalation

Im Kundenservice vieler mittelständischer Betriebe kommt alles zusammen: Mails an die Sammeladresse, Nachrichten aus dem Kontaktformular, Rückrufbitten, Reklamationen mit Fotos und Fragen zum Lieferstatus. Ein Ticketsystem schafft Ordnung, aber das Sortieren, Zuweisen und Beantworten bleibt Handarbeit. Genau hier kann KI mit Gemini helfen, wenn Du sie an der richtigen Stelle einsetzt und sie nichts ohne Freigabe nach außen schickt.

Dieser Beitrag zeigt, wie Du Gemini mit Deinem Ticketsystem verbindest: Anfragen klassifizieren und weiterleiten, Antwortentwürfe mit menschlicher Freigabe, klare Eskalationsregeln, eine geprüfte Wissensbasis, Datenschutz und ein Pilot, den Du ehrlich messen kannst.

Wo KI im Kundenservice wirklich hilft

Drei Aufgaben eignen sich besonders gut für den Einstieg:

• Einordnen und weiterleiten: Worum geht es, wie dringend ist es, wer ist zuständig?
• Antwortentwürfe: Ein Vorschlag auf Basis Eurer Textbausteine und Eures Wissens, den ein Mensch prüft und abschickt.
• Zusammenfassen: Lange Verläufe mit mehreren Rückfragen auf wenige Sätze bringen, etwa bei der Übergabe an Kollegen.

Was die KI nicht entscheiden sollte: Kulanz, Gutschriften, rechtliche Aussagen, Zusagen zu Lieferterminen oder alles, was Geld kostet. Das bleibt beim Menschen.

Schritt 1: Anfragen klassifizieren und weiterleiten

Lege zuerst eine kurze, feste Liste von Kategorien fest, zum Beispiel Bestellung, Lieferstatus, Reklamation, Rechnung, technische Frage und Sonstiges. Dazu kommen Priorität, Sprache und Felder wie Kunden- oder Auftragsnummer, falls sie in der Nachricht stehen.

Gemini kann seine Antwort an ein vorgegebenes JSON-Schema binden. Laut Gemini-API-Dokumentation eignen sich diese strukturierten Ausgaben ausdrücklich für Klassifizierung in vorgegebene Kategorien, etwa über ein enum. Google weist aber auch darauf hin, dass die Ausgabe zwar gültiges JSON ist, die Werte aber trotzdem in Deiner Anwendung geprüft werden sollten. Genau so baust Du es: Fehlt eine Pflichtangabe oder passt die Kategorie nicht zum Inhalt, landet das Ticket in der normalen Eingangsqueue. Eine Auffangkategorie „unklar“ gehört immer dazu.

Die Weiterleitung selbst übernimmt das Ticketsystem nach festen Regeln: Kategorie Rechnung geht an die Buchhaltung, Reklamation an das Qualitätsteam. Die KI liefert nur die Einordnung, die Regel bleibt nachvollziehbar.

Schritt 2: Antwortentwürfe mit Freigabe durch Menschen

Der Antwortentwurf landet als interne Notiz im Ticket, nicht im Postausgang. Jemand aus Deinem Team liest ihn, passt ihn an und schickt ihn selbst ab. Drei Regeln haben sich bewährt:

• Entwürfe stützen sich auf freigegebene Textbausteine und die Wissensbasis, nicht auf freies Formulieren.
• Jeder Entwurf zeigt, auf welche Quellen er sich bezieht, damit die Prüfung schnell geht.
• Im Ticket ist erkennbar, dass ein Entwurf von der KI stammt und wer ihn freigegeben hat.

Warum die Freigabe so wichtig ist und wie Du sie technisch sauber einbaust, beschreiben wir im Beitrag zu Multi-Agent-Systemen mit Human-in-the-Loop.

Schritt 3: Eskalationsregeln festlegen

Eskalationen sollten nicht vom Bauchgefühl eines Modells abhängen. Lege feste Regeln im Ticketsystem fest und nutze die KI nur als zusätzliches Signal. Typische Regeln:

• Datenschutzanfragen, etwa Auskunfts- oder Löschwünsche, gehen sofort an die zuständige Person.
• Hinweise auf rechtliche Schritte, Sicherheitsprobleme oder Personenschäden werden nie automatisch beantwortet.
• Wiederholte Kontakte zum selben Vorgang oder ein deutlich verärgerter Ton führen zu einer Prüfung durch die Teamleitung.
• Tickets, die eine vereinbarte Zeit ohne Antwort bleiben, steigen automatisch in der Priorität.

Die Wissensbasis: Antworten nur aus geprüften Quellen

Gute Entwürfe brauchen gutes Wissen: Produktdaten, Lieferbedingungen, Rückgaberegeln, häufige Fragen und interne Arbeitsanweisungen. Jede Quelle braucht eine verantwortliche Person und ein Prüfdatum. Liegt das Wissen in Google Drive, gilt dieselbe Regel wie bei jedem Assistenten: Die KI darf nur nutzen, was die Person im Ticket sehen darf. Wie das funktioniert, zeigt unser Beitrag RAG über Google Drive mit Berechtigungen.

Für größere Servicecenter bietet Google mit Agent Assist fertige Bausteine, etwa Zusammenfassungen mit eigenen Abschnitten und Wissensvorschläge aus Deinen Dokumenten. In den Best Practices empfiehlt Google, die Qualität mit einem Golden Set aus etwa 20 bis 30 typischen Beispielen zu prüfen. Dieser Gedanke passt auch für kleinere Teams mit eigener Lösung.

Datenschutz und Sicherheit

Kundenanfragen enthalten personenbezogene Daten. Deshalb klärst Du vor dem Start:

• Vertrag und Region: Auftragsverarbeitungsvertrag mit allen Dienstleistern, Verarbeitung in der EU, wo möglich.
• Training: Für Gemini auf Google Cloud sagt Google zu, Kundendaten ohne vorherige Erlaubnis nicht zum Training oder Feintuning von Modellen zu verwenden. Details und Ausnahmen, etwa Protokolle zur Missbrauchserkennung, stehen auf der Seite Gemini Enterprise Agent Platform and zero data retention. Für Gemini in Google Workspace findest Du die Angaben im Privacy Hub.
• Datensparsamkeit: Nur die Felder an das Modell geben, die für die Aufgabe nötig sind. Bankdaten oder Gesundheitsangaben gehören nicht in den Prompt.
• Manipulierte Mails: Eingehende Nachrichten können versteckte Anweisungen enthalten. Behandle sie immer als Daten, nie als Befehl. Mehr dazu im Beitrag zu Agent-Guardrails und Prompt Injection.

Was Du messen solltest

Miss vor dem Start, wie es heute läuft, sonst kannst Du später nichts vergleichen. Sinnvolle Kennzahlen sind:

• Anteil richtig eingeordneter Tickets, geprüft per Stichprobe
• Anteil der Entwürfe, die ohne größere Änderung verschickt werden
• Zeit bis zur ersten Antwort und bis zur Lösung
• Wiedereröffnete Tickets und Eskalationen
• Kosten pro Ticket, inklusive KI-Aufrufen (siehe KI-Kosten im Griff)
• Rückmeldungen von Kunden und vom Serviceteam

Wir nennen hier bewusst keine Zielwerte. Was realistisch ist, hängt von Deinen Anfragen, Deiner Wissensbasis und Deinem Ticketsystem ab und zeigt sich erst im Pilot.

Start als Pilot

Ein guter Pilot ist klein und klar begrenzt:

1. Ausgangslage erfassen: Kategorien festlegen, Kennzahlen für einige Wochen aufschreiben, Wissensquellen sammeln.
2. Einordnen im Schattenbetrieb: Die KI ordnet ein, das Team arbeitet wie bisher. Danach vergleichst Du beide Ergebnisse.
3. Entwürfe für zwei Kategorien: Zum Beispiel Lieferstatus und Rechnungsfragen, immer mit Freigabe.
4. Auswerten und entscheiden: Erst wenn die Zahlen und das Team zustimmen, nimmst Du weitere Kategorien dazu.

Technisch verbindest Du dafür die Schnittstelle Deines Ticketsystems mit Gemini, oft über n8n oder Make. Wie so ein Ablauf aussieht, zeigt unser Beitrag KI-Workflows mit Gemini und n8n. Mehr zu unserem Vorgehen findest Du unter Prozessautomatisierung, die Grundlagen in Google Workspace richten wir ebenfalls mit Dir ein.

Fazit

KI im Kundenservice lohnt sich vor allem beim Einordnen, beim Vorformulieren und beim Zusammenfassen. Entscheidend sind feste Regeln: Die KI schlägt vor, der Mensch entscheidet und schickt ab, Eskalationen folgen klaren Vorgaben, und gemessen wird ehrlich. Ob Dein Betrieb dafür bereit ist, zeigt der AI Readiness Check, Hintergründe stehen im AI-Readiness-Whitepaper. Im kostenlosen Erstgespräch schauen wir gemeinsam, welcher Teil Deines Kundenservice sich für einen ersten Pilot eignet.