Wie intelligenter Service zum Wettbewerbsvorteil wird

Fachkräftemangel, steigende Kundenerwartungen und immer komplexere Produktportfolios setzen Pre- und Aftersales-Teams unter Druck. AI Agents eröffnen hier einen neuen Weg: Sie machen verteiltes Produkt- und Servicewissen in natürlicher Sprache nutzbar, beantworten Anfragen in Sekunden und entlasten Expertinnen und Experten genau dort, wo heute besonders viel manuelle Arbeit entsteht.

Für Unternehmen im Maschinen- und Anlagenbau sowie im technischen Handel ist guter Service längst mehr als ein Kostenfaktor. Kundinnen und Kunden erwarten kompetente Beratung vor dem Kauf, schnelle Hilfe bei Störungen und verlässliche Informationen zu Ersatzteilen, Zubehör und Bedienung. Gleichzeitig wächst das Produktwissen schneller als auf der Organisationsseite mitskaliert werden kann: neue Produktvarianten, neue Dokumente, internationale Märkte, unterschiedliche Eingangskanäle und steigende Anfragevolumina.

Genau hier setzt XITASO mit Agentic-AI-Lösungen an. Als Software-Dienstleister und strategischer Digitalisierungspartner entwickeln wir KI-Systeme, die nicht nur Fragen beantworten, sondern relevante Datenquellen verstehen, passende Werkzeuge auswählen, Ergebnisse bewerten und bei Bedarf bewusst an menschliche Expertinnen und Experten übergeben. Aus einem klassischen Chatbot wird so ein intelligenter Service-Assistent.

01 — Einordnung

Warum Pre- und Aftersales ein ideales Einsatzfeld für AI Agents sind

Pre- und Aftersales sind stark von natürlicher Sprache geprägt: Kundinnen und Kunden schreiben E-Mails, füllen Webformulare aus, eröffnen Tickets, nutzen Messenger oder stellen Fragen direkt im Webshop. Die Antworten liegen jedoch selten an einem einzigen Ort. Für eine qualifizierte Auskunft müssen Produktdaten, Bedienungsanleitungen, FAQ-Einträge, internes Wissen oder Informationen aus weiteren Systemen wie z. B. ERP zusammengeführt werden.

Grenzen herkömmlicher Such- und FAQ-Systeme

Herkömmliche Such- oder FAQ-Systeme stoßen dabei schnell an Grenzen. Sie finden einzelne Dokumente, aber sie lösen keine Aufgaben. Moderne AI Agents gehen einen Schritt weiter: Sie interpretieren die Absicht der Anfrage, zerlegen komplexe Fragen in Teilaufgaben, wählen geeignete Datenquellen aus und formulieren daraus eine verständliche, kontextbezogene Antwort. Das ist besonders wertvoll bei erklärungsbedürftigen Produkten, technischen Störungen und beratungsintensiven Kaufentscheidungen.

Unmittelbarer Nutzen – mit dem Menschen im Design

Der Nutzen ist unmittelbar spürbar: Services werden rund um die Uhr erreichbar, Antwortzeiten sinken in den Sekundenbereich und Fachkräfte werden von wiederkehrenden Fragen entlastet. Gleichzeitig bleibt der Mensch Teil des Designs. Bei sensiblen Themen, unklarer Faktenlage oder Anliegen außerhalb des definierten Scopes wird der Kundenservice automatisch eingebunden.

02 — Technologie

Vom Chatbot zum Agenten: Der technologische Unterschied

Ein einfacher Chatbot reagiert häufig auf vordefinierte Muster oder durchsucht eine Wissensbasis mit begrenztem Kontext. Ein Agentic-RAG-System kombiniert dagegen Retrieval Augmented Generation mit agentischer Logik: Das System entscheidet nach ausführlichem Reasoning, welche Retrieval-Werkzeuge, Datenquellen oder Funktionen für eine Anfrage geeignet sind. Es kann technische Produktdaten durchsuchen, Handbücher gezielt abfragen, FAQ-Wissen heranziehen oder Live-Informationen aus Systemschnittstellen berücksichtigen.

Robuste Datenplattform und ETL-Pipelines

Die technische Grundlage für eine solche Agentenlösung ist eine robuste Datenplattform, die gezielt für agentische Use Cases entwickelt wurde. Denn der Agent benötigt nicht nur Zugriff auf Informationen, sondern auch eine verlässliche Struktur, um diese Informationen richtig einordnen und nutzen zu können. Dafür werden je nach Datentyp individuelle ETL-Pipelines aufgebaut: Strukturierte Daten aus Systemen wie PIM oder ERP werden aus mehreren Tabellen extrahiert, transformiert, validiert und so aufbereitet, dass der Agent sie über passende Tools gezielt abfragen kann, etwa über Filter, Relationen oder domänenspezifische Sortierungen nach Verfügbarkeit, Relevanz oder internen Prioritäten.

Auch unstrukturierte Daten wie Bedienungsanleitungen, Service-Dokumentationen oder technische PDFs müssen speziell vorbereitet werden. Komplexe Layouts, Tabellen und Produktinformationen werden über Dokumenten-Extraktions-Pipelines erschlossen, bei Bedarf mit Vision-Language-Modellen verarbeitet und durch Deduplikationslogiken für Speicherbedarf, Abfragequalität und Geschwindigkeit optimiert. Im Produktumfeld empfiehlt sich eine hybride Suche, die semantische Ähnlichkeit mit klassischen Keyword-Matches kombiniert, was besonders wichtig bei Modellbezeichnungen, Artikelnummern oder technischen Begriffen ist.

Context- und Harness Engineering

Ein weiterer Erfolgsfaktor ist das gezielte Context- und Harness Engineering. Die Tools müssen so geschnitten und beschrieben sein, dass ein Sprachmodell sie auch ohne implizites Domänenwissen korrekt einsetzen kann. Dazu gehören klare Tool-Schnittstellen, geeignete Ergebnisformate, optimierte Kontextreihenfolgen, kompakte oder detaillierte Antworten je nach Suchstrategie sowie Mechanismen, die den Agenten auch in längeren Konversationen zuverlässig zum passenden Tool-Einsatz führen.

Erst durch diese Kombination aus Datenqualität, Plattformarchitektur und agentengerechtem Tool-Design entsteht ein System, das nicht nur technisch funktioniert, sondern im konkreten Geschäftsprozess echten Mehrwert liefert.

03 — Qualitätssicherung

Qualität entsteht nicht zufällig: Evaluation von Anfang an

Ein zentraler Erfolgsfaktor bei der Entwicklung von AI Agents ist die Evaluationsstrategie. XITASO setzt dabei auf eine Kombination aus automatisierter Bewertung und menschlicher Expertise. Mit LLM-as-a-Judge-Verfahren können Antworten systematisch gegen Benchmark-Datensätze bewertet werden. Gleichzeitig bleiben Domänenexpertinnen und -experten unverzichtbar, weil sie Nuancen, Grenzfälle und fachliche Zusammenhänge erkennen, die rein automatische Bewertung nicht zuverlässig abdecken kann.

Kontinuierlicher Verbesserungsprozess

Im Projekt werden handgefertigte Beispiele, synthetisch generierte Testfälle mit Ground Truth, reale Nutzeranfragen, Tracing-Daten und Feedbackschleifen miteinander verbunden. So entsteht ein kontinuierlicher Verbesserungsprozess: Jeder Fehler wird zum Testfall, jede reale Anfrage schärft das Verständnis des Systems und jede neue Datenquelle erweitert den Nutzen des Agenten.

Tracing und Observability

Hand in Hand mit regelmäßiger Evaluation geht eine durchgängige Nachvollziehbarkeit des agentischen Verhaltens. Durch Tracing und Observability werden alle Schritte im Agent-Loop sichtbar: Welche Tools wurden genutzt, welche Quellen gefunden, welche Entscheidungen getroffen? So lassen sich Fehlerursachen früh erkennen und gezielt beheben.

04 — Sicherheit

Red Teaming: Den Agenten gezielt herausfordern

Ergänzend zur Evaluation wird das System konsequent durch Red Teaming abgesichert. Der Agent wird systematisch mit kritischen und manipulativen Anfragen konfrontiert, um Schwachstellen aufzudecken, bevor sie im produktiven Einsatz spürbar werden. Ziel sind robuste Guardrails und sichere Eskalationsmechanismen, die sich auch unter feindseligen Bedingungen bewähren.

Automatisierte Angriffs-Szenarien

Über tausend Angriffs-Prompts werden automatisiert gegen die Testumgebung ausgeführt und durch ein zweites Sprachmodell als unabhängiger Grader bewertet. Die Szenarien reichen von schädlichen Inhalten, PII-Leaks und unzulässigen Zusagen über Empfehlungen von Wettbewerberprodukten bis zu klassischen Angriffen wie Prompt-Extraction, System-Prompt-Override oder Hijacking. Spezifisch für RAG wird zusätzlich geprüft, wie der Agent auf manipulative Anweisungen reagiert, die in Produktnamen oder Beschreibungen versteckt sind, verstärkt durch iterative Jailbreaks und Multi-Turn-Angriffe.

Kontinuierlicher Sicherheitsprozess

Die Ergebnisse fließen als Scores in die zentrale Observability-Plattform zurück. So wird jeder erfolgreiche Angriff zur Grundlage für weitere Härtungen, neue Guardrails oder feinere Eskalationsregeln – ein kontinuierlicher Sicherheitsprozess, der Hand in Hand mit der fachlichen Weiterentwicklung des Agenten geht.

05 — Praxisbeispiel

Praxisbeispiel Scheppach: Ein intelligenter Service-Assistent für Kunden und Mitarbeitende

Gemeinsam mit der Scheppach GmbH hat XITASO eine Agentic-RAG-Plattform entwickelt, die Produktberatung vor dem Kauf und technischen Support im Aftersales unterstützt. Scheppach ist ein wachstumsstarkes Produktions- und Handelsunternehmen mit einem umfangreichen Portfolio an Maschinen, Elektrowerkzeugen und Zubehör. Das Wachstum führte zu einer typischen Herausforderung: Produktwissen, Anfragevolumen und Serviceanspruch steigen schneller, als Beratung und Support rein personell skalieren können.

Zwei Varianten – ein System

Der Assistent wurde in zwei Varianten umgesetzt: als internes Tool für Service-Mitarbeitende und als kundenorientiertes Widget im Webshop. Der interne Assistent unterstützt das Serviceteam bei der schnellen Bearbeitung von Tickets und reduziert Rückfragen an den 2nd Level Support. Der externe Agent berät direkt im Webshop, beantwortet Produktfragen, unterstützt bei technischen Anliegen und empfiehlt bei Bedarf die Übergabe an den menschlichen Kundenservice.

Besondere Anforderungen im externen Einsatz

Für den externen Einsatz wurden besondere Anforderungen berücksichtigt: hohe erwartete Nutzungszahlen, da der Webshop täglich im fünfstelligen Bereich besucht wird. Auch bei der Konzeption der Security-Maßnahmen gelten im externen Einsatz umfangreichere Anforderungen als im internen Gebrauch. Was beim Webshop-Berater von Anfang an mitgedacht wurde, waren geeignete Fallback-Mechanismen. Der Agent erkennt, wenn eine Antwort qualitativ schwach wäre, wenn ein Thema außerhalb des vorgesehenen Rahmens liegt oder wenn es sich um ein besonders kritisches Thema mit hohem Gefahrenpotenzial handelt. In diesen Fällen empfiehlt er bewusst die Übergabe an den menschlichen Service.

06 — Anwendungsfall 1

Presales: Beratung wie durch einen erfahrenen Fachverkäufer

Im Presales unterstützt der Agent Kundinnen und Kunden bei der Produktauswahl. Statt sich durch Filter, Datenblätter und Produktbeschreibungen zu arbeiten, können sie ihre Anforderungen natürlich formulieren: etwa Gartengröße, Hanglage, Budget oder gewünschte Einsatzszenarien.

07 — Anwendungsfall 2

Aftersales: Technischer Support mit klarer Eskalation

Im Aftersales liegt der Fokus auf schneller, präziser Hilfe. Wenn eine Kundin oder ein Kunde eine Störung beschreibt, identifiziert der Agent zunächst das passende Produkt, sucht nach relevanten Troubleshooting-Einträgen und führt durch geeignete Diagnoseschritte.

08 — Ergebnisse

Business Impact: Entlastung, Geschwindigkeit und Skalierbarkeit

Bereits die ersten Wochen des Scheppach-Einsatzes zeigen, welches Potenzial in Agentic AI steckt.

Messbare Ergebnisse von Anfang an

Die ersten Wochen im Live-Betrieb liefern konkrete Zahlen:

• 50 % der Kundenfragen aus dem Webshop werden bereits vollautomatisch gelöst – das trägt direkt zur Entlastung des Kundenservices bei.
• Bis zu 75 % Self-Service-Rate sind durch Monitoring-Erkenntnisse und gezielte Weiterentwicklung realistisch erreichbar.
• Sekundenschnelle Bearbeitung interner Serviceanfragen: Passende Datenquellen werden automatisch zusammengetragen, ausgewertet und als Antwort vorformuliert.

Kontinuierliches Lernen durch Monitoring

Im Monitoring wird automatisiert erfasst, wie viele Fragen zu Themenfeldern gestellt werden, die bislang noch nicht im Wissensbereich des Agenten liegen. Diese Zahlen zeigen transparent auf, wo nächste Entwicklungsschritte den größten Hebel bieten – und machen den Agenten mit jeder Iteration wertvoller.

Autor

Bernd Schächterle