Wie sich Kundenfragen in eine Wissensdatenbank verwandeln lassen: Die KI gruppiert Anfragen, erstellt Entwürfe für Artikel und Übersetzungen, während ein Experte die Fakten prüft.
Jeden Tag beantwortet der Support dieselben Fragen. „Wie ändere ich meinen Tarif?“, „Warum kommt die E-Mail nicht an?“, „Kann ich die Daten exportieren?“ — diese Dialoge landen in Tickets und Chats, und nach einem halben Jahr erinnert sich niemand mehr genau daran, was dem Kunden gesagt wurde. Dabei stellen Menschen genau diese Fragen Suchmaschinen und KI-Assistenten, bevor sie etwas kaufen.
Eine Wissensdatenbank, die aus echten Kundenanfragen zusammengestellt wird, löst gleich zwei Aufgaben: Sie entlastet den Support und bringt Traffic von Menschen, die noch keine Kunden sind. Das Problem: Für die manuelle Erstellung fehlt den meisten die Zeit. Genau hier kommt Automatisierung ins Spiel.
Ein Redaktionsplan, der im Meeting erdacht wurde, läuft immer Gefahr, an der Realität vorbeizugehen. Themen aus Tickets bergen dieses Risiko nicht: Sie entsprechen genau dem, was Menschen bereits gefragt haben — in ihren eigenen Worten und Formulierungen.
Diese Quelle hat drei starke Eigenschaften. Sie ist ehrlich – die Frage wird nicht pro forma gestellt, sondern weil jemand nicht weiterkommt. Sie ist häufig – wenn eine Frage im Support wiederholt auftaucht, wird sie auch in der Suche wiederholt. Und sie ist konkret: Kunden fragen selten „Erzählen Sie mir etwas über Integrationen“, sondern „Wie verbinde ich ein Formular mit einem CRM?“.
So entsteht eine nach der tatsächlichen Nachfrage sortierte Themenliste – und nicht nach der Intuition des Redakteurs.
Der erste Schritt der Automatisierung ist nicht das Schreiben von Texten, sondern die Analyse der Anfragen. Die KI liest den Export der Tickets und gruppiert sie nach ihrer Bedeutung: Dutzende Formulierungen derselben Frage werden zu einem Cluster zusammengefasst.
Anschließend werden die Cluster priorisiert. Dabei helfen Kennzahlen, die im Support ohnehin vorhanden sind: Wie oft wurde die Frage gestellt, wie viel Zeit nahm die Antwort durchschnittlich in Anspruch, und wie oft endete der Dialog mit einer Eskalation? Ein Cluster mit hoher Häufigkeit und aufwendiger Bearbeitung ist der erste Kandidat für einen Artikel.
Am Ende entsteht keine Themenliste, sondern ein Briefing: die Frage in der Formulierung des Kunden, typische Rückfragen, falsche Erwartungen, die ausgeräumt werden müssen, sowie eine fertige Expertenantwort, die bereits im Austausch formuliert wurde.
Die Versuchung ist groß, den gesamten Prozess der Generierung zu überlassen. Gerade bei einer Wissensdatenbank ist das jedoch besonders riskant. Ein Fehler in einem Blogartikel kostet Reputation, ein Fehler in einer Produktanleitung verursacht eine Welle neuer Tickets – und kostet Vertrauen.
Eine funktionierende Aufgabenteilung sieht so aus: Die KI ist für die Form zuständig, der Mensch für die Fakten. Das Modell strukturiert die Antwort, sorgt für einen einheitlichen Ton, übersetzt bürokratische Formulierungen in eine verständliche Sprache und erstellt Varianten für die Überschrift. Ein Support-Spezialist oder Product Manager prüft, ob das beschriebene Szenario in der aktuellen Produktversion tatsächlich funktioniert.
Das macht den Prozess nicht wieder vollständig manuell. Die Prüfung eines fertigen Entwurfs dauert Minuten, das Schreiben von Grund auf Stunden.
Eine aufbereitete Frage wird selten nur in einer Form benötigt. Ein und dasselbe Material kommt mindestens an vier Stellen zum Einsatz: als Artikel im Help Center, als kurze Antwort im FAQ-Bereich der Website, als Vorlage für Support-Mitarbeiter und als Grundlage für einen Chatbot.
Automatisierung bringt hier spürbare Einsparungen: Der Ausgangstext ist einmal vorhanden, die Anpassungen an die jeweiligen Formate werden daraus generiert. Ändert sich das Produkt, wird die Quelle korrigiert, und die Aktualisierungen werden an alle abgeleiteten Inhalte weitergegeben. Ohne diese Verknüpfung zerfällt die Wissensdatenbank bereits nach einigen Releases in inkompatible Versionen.
Ein weiterer Vorteil ist die Mehrsprachigkeit. Unternehmen, die in mehreren Märkten verkaufen, übersetzen ihre Hilfedokumentation meist zuletzt. Eine automatische Übersetzung mit anschließender redaktioneller Prüfung beseitigt diesen Engpass.
Eine Wissensdatenbank kann sich leicht in ein Archiv verwandeln, das niemand liest. Um das zu verhindern, sollte man auf mehrere Signale achten.
Das erste ist der Anteil der Anfragen zu Themen, die bereits durch einen Artikel abgedeckt sind. Wenn ein Artikel vorhanden ist, die Frage aber weiterhin gestellt wird, wird er entweder nicht gefunden oder beantwortet die Frage nicht.
Das zweite ist das Verhalten auf der Seite: Lesen die Nutzer den Artikel bis zum Ende, klicken sie weiter, drücken sie auf „Hat nicht geholfen“? Explizites Feedback am Ende eines Artikels ist kostengünstig und aussagekräftiger als die Verweildauer auf der Seite.
Das dritte ist der Suchtraffic zu Fragesuchanfragen. Hilfematerialien bringen häufig Menschen auf die Website, die noch verschiedene Lösungen vergleichen – und damit die wärmste Zielgruppe im gesamten organischen Traffic.
Man muss nicht sofort die gesamte Wissensdatenbank abdecken. Es reicht, den Export der Anfragen aus dem letzten Quartal zu nehmen, die zwanzig häufigsten Cluster zusammenzustellen und sie durch den vollständigen Prozess zu führen: Analyse, Entwurf, Expertenprüfung, Veröffentlichung und Übersetzung.
Nach einem Monat wird sichtbar, welche Themen die Support-Belastung tatsächlich reduzieren und welche ungelesen geblieben sind. Danach wird der Prozess regelmäßig: Der Support sammelt Fragen, die Automatisierung macht daraus Themen, der Redakteur gibt sie frei, und das System veröffentlicht und übersetzt sie.
Der wichtigste Wandel ist dabei nicht technologischer, sondern organisatorischer Natur. Der Support ist nicht länger ein Ort, an dem Wissen in Korrespondenz verloren geht, sondern wird zu einer Content-Quelle, die für das Marketing arbeitet.
Marken-Prompt-Bibliothek: Wie man aufhört, KI-Anfragen jedes Mal neu zu erfinden
Themencluster: Wie Sie einen Blog aufbauen, in dem die Artikel voneinander profitieren
