Wie werten KI-Agenten Kundenfeedback aus?

Nach einem Produkt-Release kommen Rückmeldungen oft über mehrere Kanäle: per E-Mail, in Umfragen und beim Support. Jeder Bereich kennt einzelne Beschwerden. Der Geschäftsführung fehlt jedoch der Überblick: Handelt es sich um Einzelfälle oder um ein wiederkehrendes Problem?

Ein entsprechend eingerichteter KI-Agent für Kundenfeedback kann Rückmeldungen lesen, ähnliche Aussagen gruppieren, die Ergebnisse mit Originalstellen belegen und aus bestätigten Mustern konkrete Aufgaben ableiten. Dafür braucht er passenden Datenzugriff, festgelegte Auswertungsschritte sowie die nötigen Berechtigungen.

Von einzelnen Aussagen zu belegten Mustern

Kunden verwenden selten dieselben Worte für dasselbe Problem. „Die Anmeldung dauert zu lange“ und „Der Login bricht ständig ab“ können trotzdem zum Themenfeld Anmeldung gehören.

Ein KI-Agent kann solche inhaltlichen Zusammenhänge erkennen. Die Ergebnisse sollten geprüft werden, besonders bei Ironie, Verneinungen oder fehlendem Kontext. Die Sentiment-Analyse von IBM unterscheidet beispielsweise positive, negative und neutrale Stimmung sowie eine Betrachtung einzelner Aspekte.

Für die weitere Arbeit zählen mehrere Fragen:

• Thema: Worum geht es?
• Anliegen: Was bemängigt oder wünscht der Kunde?
• Dringlichkeit: Muss jemand kurzfristig handeln?
• Betroffene Gruppe: Welche Kunden oder Nutzer betrifft das?
• Stimmung: Ist die Rückmeldung positiv, kritisch oder gemischt?

Eine positive oder negative Bewertung allein erklärt noch kein Problem. Erst die Verbindung von Thema, Anliegen und betroffener Gruppe macht ein Muster handlungsfähig.

Jede Zusammenfassung braucht Fundstellen

Zu jedem erkannten Muster sollte der Agent die ursprüngliche Rückmeldung, den Kanal und möglichst den Zeitpunkt nennen. So kann ein Verantwortlicher prüfen, ob die Zusammenfassung den Aussagen entspricht.

Auch Gegenbeispiele gehören in die Auswertung. Lob für eine kritisierte Funktion oder widersprüchliche Rückmeldungen kann zeigen, dass ein Problem nur bestimmte Nutzer betrifft. Ein Agent sollte solche Abweichungen sichtbar machen, statt sie in einer glatten Zusammenfassung verschwinden zu lassen.

Aus Mustern werden Arbeitsaufträge

Aus dem Muster „Probleme bei der Anmeldung“ kann ein klarer Auftrag entstehen:

• betroffene Nutzer und konkrete Beobachtung
• belegende Originalaussagen
• vermutete Ursache oder offene Ursachenhypothese
• nächster Prüfschritt
• zuständiger Bereich

Daraus könnte das Produktteam den Anmeldevorgang prüfen. Für den Service könnte ein separater Auftrag entstehen, wiederkehrende Fragen zum Lieferstatus auszuwerten und eine Antwortvorlage vorzubereiten.

Ob der Agent daraus automatisch eine Aufgabe oder Nachricht erstellt, hängt von seinen Fähigkeiten, Berechtigungen und festgelegten Grenzen ab. Anthropic unterscheidet zwischen festen Abläufen und Agenten, die ihre nächsten Schritte und die Nutzung von Werkzeugen dynamisch steuern.

Was Needs damit zu tun hat

Needs beschreibt sich als Agent OS für Unternehmen, in dem Menschen und KI-Agenten zusammenarbeiten und gemeinsames Firmenwissen nutzen. Die konkrete Ausgestaltung von Datenzugriffen, Aufgaben und Freigaben entscheidet darüber, wie ein solcher Kundenfeedback-Prozess umgesetzt wird.

Wenn ihr Kundenfeedback systematischer in prüfbare Muster und konkrete Arbeit übersetzen wollt, erfahrt ihr mehr über Needs.