Von der reinen Funktion zur KI-Architektur Statt Chatbots: Multi-Agenten-Systeme für B2B-Service

Anbieter zum Thema

Hyland Software Germany GmbH

Flexera Software GmbH

Yorizon GmbH & Co. KG

Klassische Chatbots stoßen im B2B-Service schnell an ihre Grenzen. Entscheidend ist dabei eine Architektur, die Unternehmenswissen erschließt, multimodale Daten verarbeitet und operative Prozesse integriert. Denn B2B-Services stellen andere Anforderungen an Automatisierung.

Wenn Unternehmen künstliche Intelligenz (KI) im Kundenservice einsetzen, steht häufig der Chatbot im Mittelpunkt. Für standardisierte Anfragen wie Lieferstatus, Öffnungszeiten oder Passwort-Resets kann dieser Ansatz ausreichend sein.

Im B2B-Service zeigt sich jedoch ein ganz anderes Bild. Anfragen sind selten klar strukturiert und häufig technisch geprägt. Ein Techniker beschreibt ein Fehlerbild, ergänzt es um eine Seriennummer oder ein Foto und erwartet eine konkrete Einordnung. Damit verschiebt sich die Fragestellung. Es geht nicht mehr nur um die Automatisierung einzelner Interaktionen, sondern um die Abbildung vollständiger Serviceprozesse in gleichbleibender Qualität.

Warum Chatbots im B2B strukturell an Grenzen stoßen

Klassische Chatbots basieren auf Intent-Erkennung. Sie ordnen Anfragen definierten Kategorien zu und liefern darauf basierende Antworten. Dieses Prinzip funktioniert vor allem dann, wenn Anliegen klar formuliert und wiederkehrend sind. Im B2B-Kontext ist dies allerdings nur selten gegeben. Denn Anfragen spiegeln häufig mehrstufige Abläufe wider. Dazu gehören beispielsweise Fehleranalyse, Bauteilidentifikation, Verfügbarkeitsprüfung und die Ableitung geeigneter Maßnahmen. Solche Prozessketten lassen sich nur begrenzt über statische Klassifikationsmodelle abbilden.

Hinzu kommt, dass das notwendige Unternehmenswissen in der Regel verteilt ist. B2B-Serviceprozesse basieren auf einer Vielzahl unternehmensspezifischer Datenquellen, darunter Produktkataloge, technische Dokumentation, Wartungshistorien und Vertragsinformationen. Diese liegen meist in unterschiedlichen Systemen vor und sind nur teilweise strukturiert. Systeme, die primär auf Textindizes zugreifen, können diesen Kontext oft nicht vollständig erschließen. Das zeigt sich beispielsweise bei Ersatzteilanfragen, bei denen Bauteile im Freitext beschrieben werden. Unterschiedliche Bezeichnungen, Varianten oder Produktgenerationen erschweren eine eindeutige Zuordnung zusätzlich.

Ein weiterer entscheidender Punkt: Relevante Informationen liegen nicht ausschließlich in Textform vor. Ein erheblicher Teil der für die Bearbeitung notwendigen Inhalte existiert bereits in visueller Form – etwa als Screenshots, Fotos oder technische Zeichnung. Systeme, die ausschließlich Text verarbeiten, können diesen Kontext nicht berücksichtigen. In der Praxis zeigt sich, dass ein signifikanter Anteil der relevanten Informationen, häufig im Bereich von 40 bis 60 Prozent, über solche nicht textuellen Quellen transportiert wird.

Entsprechend verbessert die Einbeziehung visueller Daten die Qualität von Analysen und Zuordnungen deutlich. Multimodale Ansätze erreichen dabei in vielen Anwendungsfällen eine deutlich höhere Trefferquote bei der Identifikation von Komponenten oder Fehlerbildern als rein textbasierte Systeme, die diesen Kontext nicht einbeziehen.

Schließlich stellt auch die fehlende Integration in operative Prozesse eine klare Grenze dar. Denn viele Chatbots liefern Antworten, sind jedoch nicht in der Lage, nachgelagerte Prozesse auszuführen. Im B2B-Service umfasst eine vollständige Bearbeitung allerdings auch Schritte wie Ticket-Erstellung, Bestellprozesse oder Terminplanung. Ohne diese Integration bleibt Automatisierung auf einzelne Interaktionen beschränkt.

Multi-Agenten-Systeme: spezialisierte Komponenten für komplexe Prozesse

Vor diesem Hintergrund gewinnt zunehmend ein anderer Ansatz an Bedeutung: Multi-Agenten-Systemen. Statt eines monolithischen Systems arbeiten hier spezialisierte Komponenten zusammen, die jeweils klar definierte Aufgaben innerhalb eines Serviceprozesses übernehmen.

Dabei treffen einzelne Agenten fundierte Vorentscheidungen, die entweder direkt umgesetzt oder nahtlos an das Service-Team übergeben werden. Informationen aus verschiedenen Systemen werden strukturiert zusammengeführt, abgeglichen und nach Relevanz priorisiert. Ergänzend dazu identifiziert und bewertet das System automatisch die passenden Dokumente – etwa AGB, Produktbroschüren, Richtlinien oder interne Anweisungen –, sodass jede Entscheidung auf einer soliden Grundlage steht. Dieses Prinzip ist aus Microservice-Architekturen bekannt und lässt sich auch auf Serviceprozesse übertragen. Einzelne Funktionen können unabhängig voneinander entwickelt und angepasst werden.

Der zentrale Unterschied zu klassischen Ansätzen liegt im Umgang mit komplexem Wissen: Strukturierte Daten werden direkt über Schnittstellen abgefragt, unstrukturierte Inhalte kontextuell eingebunden und visuelle Informationen in die Analyse integriert. Durch die Anbindung an operative Systeme lassen sich daraus unmittelbar Aktionen ableiten – etwa das Anstoßen von Prozessen oder die Aktualisierung von Statusinformationen.

Praxisbeispiel: automatisierte Statusabfragen

Ein typisches Praxisbeispiel ist die automatisierte Bearbeitung von Statusabfragen. Eine Komponente identifiziert dabei die Bestellung, eine weitere greift auf ERP- und Logistiksysteme zu und ermittelt den aktuellen Status. Anschließend wird eine kontextbezogene Antwort generiert.

In der Praxis lassen sich solche Anfragetypen zu einem großen Teil automatisiert bearbeiten. Gerade bei standardisierten Prozessen wie Statusabfragen sind Automatisierungs-Quoten von deutlich über der Hälfte der Fälle realistisch, ohne die Qualität der Rückmeldung zu beeinträchtigen.

Suchmaschinenoptimierung 2.0

GEO – so werden Unternehmen in LLM-Chats sichtbar

Erfolg über Orchestrierung und Integration

Die Bewertung von KI-Lösungen erfolgt häufig anhand einzelner Funktionen. Diese Betrachtung berücksichtigt jedoch nicht, wie diese Funktionen im Gesamtsystem zusammenwirken. Entscheidend ist, ob sich daraus ein durchgängiger Prozess ergibt.

Eine belastbare Architektur muss daher in der Lage sein, komplexe Serviceprozesse zu orchestrieren, sodass einzelne Schritte von der Analyse bis zur Ausführung im Zusammenspiel verarbeitet werden. Gleichzeitig sollte die zugrunde liegende Logik unabhängig vom jeweiligen Kommunikationskanal funktionieren, sodass unterschiedliche Kanäle auf dieselbe Servicearchitektur zugreifen und der Kontext konsistent bleibt.

Ebenso erforderlich sind klare Entscheidungsregeln: Welche Vorgänge werden automatisiert, wann ist eine Eskalation notwendig? Ergänzend dazu ist die Messbarkeit auf Prozessebene entscheidend. Erst Kennzahlen wie Beratungszeiten, Automatisierungsgrad oder Eskalations-Quoten ermöglichen eine fundierte Bewertung der Leistungsfähigkeit.

Intelligente Qualitätssicherung und inklusive Produktentwicklung

Künstliche Intelligenz als Schlüssel zu digitaler Inklusion und Akzeptanz

Automatisierung ist eine Architekturfrage

Im B2B-Service lassen sich klassische Chatbot-Ansätze also nur begrenzt erweitern, um komplexe Anforderungen abzudecken. Die notwendige Kombination aus Kontextverständnis, Zugriff auf verteiltes komplexes Wissen und Integration in operative Prozesse erfordert vielmehr einen architektonischen Ansatz.

Multi-Agenten-Systeme bieten hierfür eine geeignete Grundlage. Sie ermöglichen es, unterschiedliche und komplexe Wissensquellen zusammenzuführen und Serviceprozesse durchgängig zu unterstützen. Für IT-Entscheider ergibt sich daraus eine klare Konsequenz: KI im Kundenservice ist weniger eine Frage einzelner Funktionen als eine Entscheidung über die zugrunde liegende Architektur.

(ID:50847880)