Der Einsatz von künstlicher Intelligenz (KI) im Service Management moderner Serviceorganisationen

Ein großer deutscher Anlagenhersteller berichtete kürzlich über eine sensationelle Steigerung der Durchsatzraten und Qualitätssteigerungen im Bereich Service Management durch den Einsatz künstlicher Intelligenz (KI) im Service Portal und Service Request Management und damit verbundenen Workflows mit hohem Automatisierungspotential. Hierbei sank die Supportticketquote, die durch Service-Desk-Personal eröffnet und bearbeitet werden musste, um 35 %. Zudem erzielte man eine Steigerungsrate mittels KI-gesteuerter Automatisierungsworkflows im Service-Request-Umfeld um 25 %. Was heißt das konkret für die Prozesse und Services und welcher Reifegrad-Index lässt sich damit verknüpfen? Lassen Sie uns die Thematik etwas genauer analysieren.

Was kann KI und was nicht?

Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie. Doch durch den alleinigen Einsatz dieser innovativen Technologie lösen sich die Probleme und Herausforderungen für moderne Serviceorganisationen oder Unternehmen in der digitalen Transformation nicht automatisch in Luft auf. Denn der Algorithmus ist nur so intelligent, wie es die Daten zulassen, aus denen er lernt und seine Logik umsetzt. Am Ende ist nicht der Einsatz der Technologie, sondern der Prozess und der Content zur Steuerung der Technologie entscheidend. Dementsprechend müssen die Serviceorganisation gezielte ORGA-Projekte vorschalten, um mit strukturierten Datenobjekten und Datenbeziehungen in den Bereichen Knowledge Management und Service Support die KI-Technologie nutzbar zu machen.

Was ist der Unterschied zwischen künstlicher Intelligenz (KI) und maschinellem Lernen (ML)?

Künstliche Intelligenz bezeichnet primär alle Technologien, die menschliche Intelligenz nachahmen. Das maschinelle Lernen ist eine Teildisziplin darin – weil hier das Erlernen und Anwenden des Gelernten nachgestellt wird. Beim ML lernen Maschinen oder Systeme mit Hilfe von großen Datenmengen selbstständig Aufgaben zu lösen. Noch spezifischer wird diese Ausrichtung beim Deep Learning (DL) ausgeprägt.

Welche Behauptungen führen beim Einsatz künstlicher Intelligenz zu Missverständnissen?

1. Künstliche Intelligenz löst im Grunde alle Probleme direkt und automatisch, ohne entsprechende Voraussetzungen schaffen zu müssen.
2. Durch den Einsatz künstlicher Intelligenz lassen sich drastisch spürbare Personalkosten einsparen, da die Technologien und Maschinen intelligent genug sind, um alles eigenständig zu erledigen.

Was sind die Voraussetzungen für die Anwendung von Künstlicher Intelligenz?

Grundsätzlich besteht die Prämisse der Datenqualität im Measurement und Reporting hinsichtlich „garbage in – garbage out“. KI ist nicht von allein intelligent, sondern lernt mittels ML aus vorhandenen Daten, die im Vorfeld durch die Serviceorganisation erarbeitet, strukturiert und bereitgestellt werden müssen. Sind diese Daten qualitativ schlecht, werden sie gegebenenfalls falsch verwendet, interpretiert und somit fehlerhaft genutzt.

Ein KI-System arbeitet grundlegend auf drei Ebenen (E1-E3):

E1 - Was nehme ich wahr?

E2 - Was kann ich ableiten?

E3 - Wie muss ich reagieren?

Die Wahrnehmung erfolgt über Sensorik, also Bewegungsdaten oder Stammdaten. Als Ergebnis wird eine Aktion zurückgespielt. Eine entscheidende Fähigkeit von KI-Systemen ist es also, auf Basis von Daten Rückschlüsse auf den Zustand von Maschinen oder Systemen im Betrachtungsfokus (hier bezogen auf Service Management, beispielsweise Service-Portal-Anfragen oder Suchen von Wissensobjekten) zu ziehen. Somit löst KI nicht von sich aus alle Probleme, sondern wird explizit und gesteuert durch vorgelagerte Maßnahmen der Datengenerierung, -strukturierung und Integration zur Anwendung in der systemseitigen KI-Integration unserer Servicemanagement-Lösungen gebracht.

Wer, wie bereits angesprochen, KI einsetzen möchte, um Personalkosten zu reduzieren, nimmt dabei den falschen Fokus ein. Es ist entscheidender, die eigenen Serviceprozesse so im Griff zu haben, dass sie gleichzeitig effizient, flexibel und agil sind. Bis zu 65 % der Kosten stecken verdeckt in Serviceprozessen und Workflows, die bisher aufgrund fehlender oder unzureichender technischer Möglichkeiten nicht transparent gemacht werden konnten. Bei der Identifikation dieser Kostentreiber kann Datenintelligenz ebenfalls helfen. Als Beispiele dafür können Ansätze wie Predictive Analytics (PA), Predictive Quality (PQ) oder die prozessübergreifende Visualisierung von Schwachstellen mithilfe von Process Mining (PM) dienen. Dabei handelt es sich um eine KI-basierte Technik, die Geschäftsprozesse übergreifend auf Basis digitaler Spuren in IT-Systemen rekonstruieren und auswerten kann.

Welche Empfehlung gibt es für die integrative Betrachtung und Anwendung von KI im Service Management?

Ist die Berührungsangst mit künstlicher Intelligenz erst einmal verflogen, müssen Erfahrungen gesammelt werden. Das optimale Vorgehen erfolgt dabei in zwei Stufen. Zunächst gilt es, in einem ersten Schritt durch Experimentieren die Möglichkeiten und Anwendungsfälle zu testen und mittels der Experimente schnell die unvermeidbaren Fehler zu machen (fail fast). In einem zweiten Schritt geht es darum, durch die Erfahrungen die erfolgreichen Experimente und Szenarien produktiv auszurollen (scale fast). Dabei sind Teilergebnisse und -erkenntnisse oft wichtigere und wertbringendere Beiträge als das finale Projektergebnis als solches.

Welche Erfahrung haben Sie in Ihrer Serviceorganisation bereits mit dem Einsatz von KI gemacht?

Welche Voraussetzungen sehen Sie, um KI sinnvoll und wertschöpfend z.B. im Supportbereich oder zur Steigerung der User Experience einzusetzen? Lassen Sie uns darüber sprechen!