Der Schlüssel zur erfolgreichen Einführung von KI-Tools liegt nicht darin, „welches Modell“ man verwendet, sondern darin, „den optimalen Einstiegspunkt zu finden, der den höchsten Return on Investment (ROI) bietet“. Unsere erste Aufgabe ist es, Ihre Prozesse zu analysieren und herauszufinden, welche Aufgaben durch KI automatisiert oder unterstützt werden können. Anschließend entscheiden wir, ob wir eine eigene Lösung entwickeln oder eine bestehende SaaS-Lösung nutzen sollten – nicht jeder Prozess ist von KI zu profitieren, und eine unnötige Implementierung wäre verschwendete Zeit und Ressourcen.
Keine Bindung an einen einzelnen KI-Anbieter: Integration von GPT, Claude und Gemini, wobei das am besten geeignete Modell je nach Aufgabe ausgewählt wird.
Flexibilität: Möglichkeit zur Nutzung von Cloud-APIs oder zur Bereitstellung von Open-Source-Modellen auf eigenen Servern des Kunden (mit Daten, die innerhalb des Netzwerks verbleiben).
Vollständiger Quellcode wird geliefert, ohne Gebühren für langfristige Lizenzen.
Erfahrung mit der Integration in LINE, Slack und eigene Backend-Systeme.
Sind KI-basierte Kundenservice-Systeme zuverlässig? Der Schlüssel liegt in RAG (Retrieval-Augmented Generation): Integrieren Sie die Antworten in Ihre eigene Wissensdatenbank.
Die Aussage, die Kunden am meisten beunruhigt, lautet oft: „Wird die KI Unsinn reden?“ Das stimmt, denn die Natur von Sprachmodellen ist es, dass sie aufgrund ihrer Funktionsweise (was in der Branche als „Halluzination“ bezeichnet wird) dazu neigen, Informationen zu erfinden, um kohärente Antworten zu geben. Unser Ansatz ist es nicht, dieses Problem zu ignorieren, sondern es durch den Einsatz von RAG (Retrieval-Augmented Generation) in einen akzeptablen Rahmen zu bringen: Wir teilen Ihre Produktdokumente, FAQs und SOPs in kleinere Abschnitte auf, erstellen Vektorindizes, sodass das System bei einer Nutzeranfrage zunächst „recherchiert“ und dann die KI auf der Grundlage der „gefundenen Informationen“ antwortet, wobei die Quelle angegeben wird. Wenn die Antwort nicht möglich ist, sagen wir ehrlich: „Ich leite diese Frage an einen Experten weiter“, anstatt sie einfach zu erfinden. Wir sind offen: RAG reduziert die Fehlerquote und ermöglicht die Nachvollziehbarkeit der Antworten, aber es garantiert keine Fehlerfreiheit. Bei hochriskanten Fragen (z. B. zu Finanzfragen, Compliance oder medizinischen Themen) behalten wir die manuelle Überprüfung.
Was tun, wenn KI keine Antwort geben kann: Entwicklung eines Gesprächsflusses mit einem menschlichen Gesprächspartner
Ein guter KI-Kundenservice ist nicht nur darauf ausgelegt, Fragen zu beantworten, sondern auch darauf, wie er mit Situationen umgeht, in denen er keine Antwort geben kann. Bei der Entwicklung legen wir Wert auf klare Eskalationsregeln: Wenn der Kunde zweimal eine irrelevante Frage stellt, wenn er emotionale Ausdrücke verwendet oder Fragen zu sensiblen Themen wie Zahlungsabwicklung und Rückerstattungen stellt, wird die vollständige Gesprächsaufzeichnung automatisch an einen menschlichen Mitarbeiter weitergeleitet, sodass der Kunde nicht erneut die gleiche Frage beantworten muss. Der Gesprächsablauf ist hybrid – feste Abläufe (Bestellung prüfen, Termin vereinbaren, Reparatur melden) werden gemäß Regeln ausgeführt, um Genauigkeit zu gewährleisten, während offene Fragen an die KI weitergeleitet werden. Mithilfe von Intent-Erkennung und mehrstufigem Gedächtnis kann die KI den Kontext verstehen (z. B. wenn der Kunde zuerst fragt: "Kann ich das zurückgeben?", und dann fragt: "Wie lange dauert der Versand?", weiß das System, dass beide Fragen dasselbe bedeuten). Ein rein auf Entscheidungsbäume basierendes System ist zu starr, während eine vollständige Freigabe an die KI zu unkontrollierten Ergebnissen führen kann. Der Ansatz, der diese beiden Extreme ausgleicht, ist die praktikabelste Lösung.
Unsere Perspektive: Zuerst den ROI berechnen, nicht AI nur wegen AI
Die häufigste Situation der letzten Jahre ist, dass Geschäftsführer aufgrund von Nachrichten lesen, die "wir sollten auch KI einführen" sagen, aber nicht genau sagen, welches Problem sie lösen wollen. Unser Ansatz ist jedoch genau andersherum: Wir konzentrieren uns zunächst auf den Bereich, der "wiederholend, arbeitsintensiv und klar reglementiert" ist, da hier die Rendite am einfachsten zu berechnen ist. Nehmen wir als Beispiel unser eigenes Projekt: Die Taxifirma in Hualien erhält täglich eine große Anzahl von Anrufen, und die Bearbeitung dieser Anrufe ist eine hochgradig repetitive, arbeitsintensive Aufgabe. Wir haben eine KI-basierte Sprachsteuerung implementiert (d.h. eine Echtzeit-Sprachinteraktion, automatische Erkennung von Markierungen und direkte Auftragsvergabe), was in diesem Fall sinnvoll ist. Umgekehrt, wenn man lediglich eine "beeindruckende" KI haben möchte, würden wir ehrlich sagen, dass man dieses Geld besser anderweitig einsetzen sollte.
Konkrete Beispiele für KI-Projekte, an denen ich gearbeitet habe
Zu unseren ausgelieferten KI-Anwendungen gehören die KI-Anrufannahme und das intelligente SmartDispatcherV2-Dispatching-Backend von GoGoCha Hualien Taxi, die Orchestrierung mehrerer Modelle (Claude/Gemini/OpenAI) und das 7-dimensionale Emotionssystem des interaktiven Dating-Spiels Alive, das auf iOS/Android veröffentlicht wurde, sowie das LINE-Buchungssystem einer Praxis für traditionelle chinesische Medizin mit Nebenläufigkeitskontrolle und umfangreichen E2E-Tests. Dies sind reale Systeme im Betrieb, keine Demos.
Prozess zur Einführung der Falcon AI-Tools
Wir beschreiben die konkreten Schritte, die wir bei der Einführung von KI-Tools für Unternehmen durchführen, von der ersten Bewertung bis zur tatsächlichen Implementierung.
1
Prozessüberprüfung zur Identifizierung von Schwachstellen
Analysieren Sie Ihren Arbeitsablauf, um Bereiche zu identifizieren, in denen es zu Wiederholungen, hoher Arbeitsbelastung, klaren Regeln und einem hohen Return on Investment (ROI) kommt. Diese Bereiche können als Ausgangspunkt für die Einführung von neuen Prozessen dienen.
2
Eigenentwicklung vs. SaaS-Auswahl
Basierend auf der Sensibilität der Daten, den Integrationsanforderungen und den Kosten, sollte entschieden werden, ob eine Cloud-API, eine Open-Source-Lösung oder eine vorgefertigte SaaS-Lösung verwendet werden soll.
3
MVP-Entwicklung
Erstellen Sie zunächst eine minimal funktionierende Version, die getestet werden kann. In der Regel kann man bereits in der zweiten Woche eine erste Prototyp sehen und frühzeitig die Richtung überprüfen.
4
Feedback und Anpassungen basierend auf Testphasen
Lassen Sie echte Nutzer die Software testen und geben Sie Feedback, um die Prompts, die Wissensdatenbank und den interaktiven Ablauf entsprechend anzupassen.
5
Integration und Inbetriebnahme
Integration mit bestehenden Systemen, Inbetriebnahme, Lieferung des Quellcodes sowie Bereitstellung von Wartungsanleitungen.
Entwicklung von KI-Tools – Transparente Preisgestaltung
Alle Pakete beinhalten umfassende Leistungen, ohne versteckte Kosten
MVP (Minimum Viable Product) für KI-Kundenservice
30.000 TWD /Projektstart
Geeignet für:Validierungsprozesse und Anwendungsfälle
Grundlegende Dialogschnittstelle
Kleine Wissensdatenbank
Ein Anlaufpunkt für Website oder LINE
Testen und Lieferung des Quellcodes
Individueller KI-Assistent
75.000 TWD /Projektstart
Geeignet für:Unternehmen mit klaren Anforderungen an Prozesse und Datenintegration
Anpassung von Prozessen
Integration in Unternehmenssysteme
Berechtigungen und Auditing
Manuelle Übernahme
Übergabe der Betriebsführung
Häufig gestellte Fragen
Wie hoch sind die Kosten für die Entwicklung eines KI-basierten Kundendienstes?
Die MVP-Version kostet einmalig etwa 30.000 TWD + monatlich 10.000–30.000 TWD für die API-Nutzung (die API-Gebühren basieren auf dem tatsächlichen Nutzungsaufwand des Drittanbieters und beinhalten keine Rabatte). Für komplexere, angepasste Versionen werden 75.000–125.000 TWD verlangt. Die genauen Preise hängen von den spezifischen Anforderungen und der Komplexität der Integration ab.
Wie lange sollte ich KI-Tools verwenden?
MVP (Minimum Viable Product) dauert etwa 3–4 Wochen; eine vollständige, maßgeschneiderte Lösung benötigt 6–12 Wochen. Durch den Einsatz agiler Entwicklungsmethoden kann in der Regel bereits in der zweiten Woche ein funktionsfähiges Prototyp zur Verfügung gestellt werden.
Ich könnte ChatGPT selbst nutzen. Warum sollte ich stattdessen Ihre Dienste in Anspruch nehmen?
Wenn es sich um eine Einzelperson handelt, kann diese die Software selbst nutzen. Eine kundenspezifische Entwicklung ist geeignet für: gemeinsame Nutzung durch Mitarbeiter und Kunden, Verbindung mit internen Daten, Integration bestehender Systeme, Einhaltung von Datenschutzbestimmungen. Es wird empfohlen, zunächst zu prüfen, welche Art von Anforderungen vorliegen.
Gibt es das Risiko, dass Kundendaten preisgegeben werden?
Basierend auf der Sensitivität der Daten: Für Daten mit geringer Sensitivität können die OpenAI/Anthropic APIs verwendet werden (mit entsprechenden Datenschutzrichtlinien). Für Daten mit hoher Sensitivität können Open-Source-Modelle auf den eigenen Servern des Kunden bereitgestellt werden, wodurch die Daten vollständig im Unternehmen verbleiben. Wir haben ein medizinisches Buchungssystem mit Funktionen zur gleichzeitigen Kontrolle und zum Testen entwickelt und verstehen die Anforderungen an die Verarbeitung sensibler Daten.
Können KI-basierte Kundendienstsysteme falsche oder ungenaue Antworten geben?
Sprachmodelle neigen inhärent dazu, "Halluzinationen" zu erzeugen – d.h. Informationen zu erfinden. Mit RAG können wir die Antworten auf die von Ihnen bereitgestellte Wissensbasis beschränken und Quellenangaben hinzufügen. Wenn wir eine Frage nicht beantworten können, leiten wir sie an einen menschlichen Experten weiter, um die Fehlerquote auf ein akzeptables Niveau zu senken. Wir behaupten jedoch nicht, "fehlerfrei" zu sein – Fragen zu Themen wie Finanzen, Recht und Medizin, die ein hohes Risiko bergen, erfordern weiterhin menschliche Überprüfung.
Wie kann man feststellen, ob ein KI-basierter Kundenservice tatsächlich funktioniert?
Konkrete, messbare Kennzahlen, anstatt nur von einer "gefühlten Intelligenz". Häufig verwendete Kennzahlen sind: Automatisierungsgrad (Anzahl der Gespräche, die ohne Weiterleitung an einen menschlichen Mitarbeiter abgeschlossen werden); Ersteinfragungszeit; Kundenzufriedenheit (CSAT); Änderungen der Personalkosten Die tatsächlichen Zahlen variieren stark je nach Branche und dem Reifegrad der Wissensdatenbank. Wir besprechen vor der Implementierung klar, welche Kennzahlen verwendet werden sollen und wie sie gemessen werden, und geben keine unrealistischen Versprechungen.
Sind KI-basierte Kundenservice-Lösungen wirklich eine dauerhafte Lösung?
KI-basierte Kundenservice-Lösungen sind ein fortlaufendes Projekt, nicht eine einmalige Anschaffung. Nach der Implementierung ist eine regelmäßige Überprüfung der fehlerhaften Dialoge, die Ergänzung fehlender Informationen in der Wissensdatenbank sowie die Anpassung an neue Produktfunktionen erforderlich. Wir liefern den Quellcode und eine Wartungsanleitung, sodass Sie die Lösung selbst warten können oder uns die monatliche Wartung überlassen.
Wie wählt man das richtige KI-Kundenservice-System oder den passenden Anbieter?
Zuerst müssen Sie entscheiden, ob Sie eine „fertige SaaS“-Lösung oder eine „maßgeschneiderte Entwicklung“ benötigen – je nach Ihren Anforderungen, der Größe des Projekts, dem Wunsch nach einer schnellen Implementierung ist eine SaaS-Lösung einfacher. Wenn Sie interne Systeme integrieren, die Daten selbst verwalten oder spezielle Prozesse benötigen, ist eine maßgeschneiderte Lösung möglicherweise besser geeignet. Bei der Auswahl eines Anbieters sollten Sie folgende Punkte berücksichtigen: Kann die Lösung mithilfe von RAG (Retrieval-Augmented Generation) Ihre Wissensbasis einschränken? Gibt es eine Möglichkeit, den Designprozess in eine menschliche Interaktion umzuwandeln? Wem gehören der Quellcode und die Daten? Und wie wird die Lösung nach der Implementierung gewartet? Lassen Sie sich nicht nur von der „Intelligenz“ der Lösung beeindrucken, sondern fragen Sie, was passiert, wenn sie keine Antwort geben kann.
Möchten Sie wissen, ob diese Dienstleistung für Sie geeignet ist?
