KI-Agent für die Automatisierung von Support-Tickets, von der Antwort bis zum Abschluss

Ein gut sortiertes Ticket, das unbeantwortet bleibt, nützt nichts. Sobald man weiß, worum es geht und wie dringend es ist, muss man noch die Antwort verfassen, sie posten, die Frist verfolgen, bevor sie platzt, und das Ticket sauber schließen. Genau diesen Teil der Arbeit, den repetitivsten und den volumenempfindlichsten, kann ein autonomer KI-Agent übernehmen.

Das Problem

Die Kosten einer schlechten Ticketbearbeitung zeigen sich schnell im Kundenverhalten. Laut den von Zendesk aufgegriffenen Zendesk-Benchmark-Daten wechseln 73 % der Verbraucher nach mehreren schlechten Serviceerfahrungen die Marke, und mehr als die Hälfte tut dies schon nach einer einzigen schlechten Erfahrung (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). Der CX-Trends-2026-Report von Zendesk, basierend auf mehr als 11.000 Befragten in 22 Ländern, geht in dieselbe Richtung: 85 % der befragten CX-Verantwortlichen glauben, dass Kunden nach einem ungelösten Problem gehen, selbst beim ersten Kontakt (https://cxtrends.zendesk.com/).

Die gute Nachricht: Dieselben Zendesk-Benchmark-Daten zeigen, dass KI genau in diesem Bereich bereits als nützlich wahrgenommen wird: Fast 8 von 10 Verbrauchern halten einen KI-Bot für einfache Probleme für hilfreich, und zwei Drittel der befragten Führungskräfte sagen, dass ihre KI-Investitionen im Kundenservice zu spürbaren Leistungsverbesserungen geführt haben. Ein konkretes Ergebnissignal kommt von einem Anbieter der Branche: Intercom, das seinen eigenen KI-Support-Agenten (Fin) verkauft, gab im Juni 2026 eine durchschnittliche Lösungsrate von 76 % über alle mehr als 7.000 Kundenteams hinweg an, ein Wert, der laut Hersteller monatlich gestiegen ist (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). Das ist eine vom Anbieter zu seinem eigenen Produkt genannte Zahl, keine unabhängige Messung, diese Einschränkung sollte man mitlesen, aber die Größenordnung vermittelt eine Vorstellung davon, was eine KI-gestützte Bearbeitung bei Tickets mit Wissensdatenbank abdecken kann.

Was diese Zahlen nicht zeigen, ist die vorgelagerte Arbeit, die eine hohe Lösungsrate überhaupt erst erreichbar macht: eine aktuelle Wissensdatenbank, passende Makros für wiederkehrende Fälle, eine SLA-Nachverfolgung, die vor statt nach der Frist alarmiert. Ohne diese Vorbereitung liefert eine automatisierte Bearbeitung vor allem generische oder themenfremde Antworten, was das Vertrauen eher untergräbt als stärkt. Genau diese Lücke soll dieser Agent schließen: auf Vorhandenem aufbauen, statt eine Antwort aus dem Nichts zu erfinden.

Was der Agent Schritt für Schritt tut

Bei Atako arbeitet dieser Agent an bereits eröffneten und kategorisierten Tickets, unabhängig davon, ob sie von einer Person oder einem dedizierten Triage-Agenten sortiert wurden. Er überwacht die Warteschlange fortlaufend, über alle verbundenen Ticketing-Kanäle hinweg, ohne von den Arbeitszeiten des Teams abhängig zu sein.

Für jedes Ticket sucht er in der Wissensdatenbank des Unternehmens den passendsten Artikel und verfasst dann eine Antwort, die an den genauen Kontext des Tickets und den vom Unternehmen definierten Ton angepasst ist. Erlaubt der am Ticketing-Konnektor erteilte Grant Schreibzugriff, postet er die Antwort direkt, andernfalls bereitet er sie als Entwurf zur menschlichen Freigabe vor. Parallel dazu berechnet und verfolgt er die verbleibende SLA-Frist jedes Tickets nach Priorität und alarmiert das Team auf Slack, wenn sich ein Ticket ohne ausreichende Antwort seiner Frist nähert. Entspricht der Grund eines Tickets einem bereits mehrfach gelösten Muster, wendet er ein Makro an oder schlägt es vor, statt eine Antwort aus dem Nichts zu verfassen. Sobald das Ticket gelöst ist, aktualisiert er die Kundenakte im CRM mit einer Zusammenfassung der Lösung.

Die eingesetzten Integrationen

Zendesk und Freshdesk erhalten die verfasste Antwort über update_ticket, sofern der Grant Schreibzugriff erlaubt, und ermöglichen dem Agenten, den Ticketstatus bis zur Schließung zu verfolgen. Notion dient als Wissensdatenbank: Der Agent sucht dort mit search oder query_database den passenden Artikel, bevor er überhaupt etwas verfasst, was verhindert, dass er eine Antwort ohne Quelle erfindet.

HubSpot aktualisiert die Kundenakte, sobald das Ticket gelöst ist, mit einer beim betreffenden Kontakt oder Deal hinterlegten Zusammenfassung der Lösung. Slack erhält schließlich den Alarm, wenn sich ein Ticket ohne ausreichende Antwort seiner SLA-Frist nähert, damit ein Mensch eingreift, bevor die Frist platzt.

Was beim Menschen bleibt

Der Agent verfasst niemals eine Antwort aus dem Nichts: Er stützt sich auf die vorhandene Wissensdatenbank, und deckt sie das Ticketthema nicht ab, hat er nichts Verlässliches anzubieten. Jede von ihm genutzte Integration hängt von einem präzisen Grant ab: Ein Nur-Lese-Grant auf Zendesk zum Beispiel zwingt den Agenten, seine Antworten als Entwurf vorzubereiten, statt sie direkt zu versenden, was einen systematischen menschlichen Kontrollpunkt erhält, solange das Team ihn wünscht.

Drei Verantwortlichkeiten bleiben klar menschlich. Erstens, generierte Antworten vor dem Versand validieren oder korrigieren, bei allem, was keinem vom Team bereits freigegebenen Makro entspricht. Zweitens, komplexe oder eskalierte Tickets bearbeiten, die die Wissensdatenbank nicht abdeckt, was echtes Urteilsvermögen zum Fall des Kunden erfordert und manchmal eine geschäftliche Entscheidung, die der Agent nicht allein treffen darf. Drittens, die Wissensdatenbank aktuell halten: Ein noch so gut konzipierter Agent kann nicht korrekt antworten, wenn die Dokumentation veraltet oder unvollständig ist.

Dieses Vorgehen folgt dem Prinzip des Human-in-the-Loop: Der Agent übernimmt das repetitive Verfassen und die Fristnachverfolgung, der Mensch behält die Kontrolle darüber, was tatsächlich an den Kunden geht, sobald ein Fall den bekannten Rahmen verlässt. Jede Aktion des Agenten, gepostete Antwort, angewendetes Makro, CRM-Aktualisierung, wird mit ihrem Status protokolliert und ist in der Aktivitäts-Timeline des Agenten einsehbar sowie, für einen Administrator, im unternehmensweiten Integrationsprotokoll.

Messbares Ergebnis

Über die Zeit verändert diese Regelmäßigkeit auch, wie das Support-Team seine Arbeitslast erlebt: weniger Stressspitzen durch still eskalierende SLA-Fristen und mehr Zeit für Tickets, die wirklich menschliches Urteilsvermögen erfordern, statt für eine Antwort, die anderswo schon geschrieben wurde.

Der Hauptnutzen bemisst sich an zwei Achsen: die Einhaltung der SLA-Fristen, weil der Agent jedes Ticket fortlaufend überwacht und vor statt nach der Frist alarmiert, und die Gleichmäßigkeit der Antwortqualität, weil sie stets aus derselben Wissensdatenbank stammen statt jedes Mal unterschiedlich von unterschiedlichen Personen umformuliert zu werden. Das entbindet nicht davon, die Wissensdatenbank aktuell zu halten, das ist sogar eine Voraussetzung dafür, dass das Ergebnis dauerhaft trägt: Ein noch so gut konzipierter Agent bleibt von der Qualität dessen abhängig, was man ihm zu lesen gibt, was die Dokumentation zu einer fortlaufenden Investition macht statt zu einer einmaligen Aufgabe, die zu Projektbeginn erledigt und dann bis zum nächsten Vorfall vergessen wird.

Der Standard-Plan von Atako berechnet 20 Euro pro Monat und Agenten-Slot, mit 1.000 inkludierten Credits pro Monat für die Modellaufrufe, die für Artikelsuche, Verfassen und SLA-Nachverfolgung genutzt werden. Diese Kosten bleiben unabhängig vom im Monat bearbeiteten Ticketvolumen gleich, nur die Zahl gleichzeitig aktiver Agenten zählt. Die Details finden Sie auf der Seite Preise.