Most support requests are already answered in the FAQ, yet they still pile up in the ticket system because nobody searches before filing a ticket. This workflow takes over exactly that step: it reads every new request, extracts the actual concern, and uses it to search your knowledge base in a targeted way.
\nThe core is the built-in confidence check. Instead of automatically answering every request across the board, a second step evaluates how well the articles found actually cover the concern. Only above a defined threshold does a personalized self-service reply go out. Below it, the request lands directly as a ticket with your team, including context and the articles found, rather than risking a mismatched answer.
\nA human stays in the loop at two points: setting and later adjusting the threshold, and every case the workflow itself classifies as too uncertain. This lowers ticket volume for standard questions without letting complex concerns get answered incorrectly by automation.
\nCopy the prompt below in full into your automation tool or agent builder. As a file: selfservice-staffel.en.json
\n" } ], "schritte": [ { "nr": 1, "titel": "Trigger: new customer request", "beschreibung": "The process starts as soon as a new request comes in by chat or email.", "rolle": "mensch" }, { "nr": 2, "titel": "Analyze the request", "beschreibung": "An AI step determines the main concern, search terms, category and urgency of the request.", "rolle": "automatisch" }, { "nr": 3, "titel": "Search the FAQ", "beschreibung": "The extracted search terms query the help center, and the most relevant matches are collected.", "rolle": "automatisch" }, { "nr": 4, "titel": "Score the confidence", "beschreibung": "A second AI step checks how well the matches found fit the concern and assigns a solution probability from 0 to 100 percent.", "rolle": "automatisch" }, { "nr": 5, "titel": "Send the self-service reply", "beschreibung": "From the set threshold upward, starting at 80 percent, the process sends a personalized email with 2 to 3 matching FAQ links.", "rolle": "automatisch" }, { "nr": 6, "titel": "Create a ticket", "beschreibung": "Below the threshold, the request goes to the support team as a ticket, including context and the articles found.", "rolle": "mensch" }, { "nr": 7, "titel": "Log it in the CRM", "beschreibung": "Category, chosen path and confidence value are logged in the CRM so FAQ gaps become visible.", "rolle": "ergebnis" } ], "herausgeber": "Voyage Digital", "version": "2.0", "stand": "2026-07-26", "nutzen": [ { "titel": "Fewer tickets in the backlog", "text": "Requests the FAQ can answer are resolved automatically instead of also landing in the ticket system." }, { "titel": "Faster feedback", "text": "The matching reply goes out as soon as the confidence threshold is reached, instead of waiting in the backlog for processing." }, { "titel": "Clean escalation", "text": "Requests below the threshold go to your team with full context and the articles found, instead of being answered incorrectly by automation." }, { "titel": "FAQ gaps become visible", "text": "Requests without a sufficient match show in the CRM where content in the knowledge base is missing." } ], "voraussetzungen": [ { "label": "Ticketing system", "text": "Zendesk, Freshdesk or a comparable tool for requests and tickets.", "icon": "support_agent" }, { "label": "Knowledge base", "text": "Notion, Confluence or Zendesk Guide, with API access.", "icon": "menu_book" }, { "label": "Email tool", "text": "Gmail, Outlook or a comparable tool for sending the self-service replies.", "icon": "mail" }, { "label": "LLM access and CRM", "text": "Access to OpenAI, Claude or Gemini plus a CRM integration, such as HubSpot or Salesforce, for logging.", "icon": "key" } ], "betrieb": { "testing": [ { "label": "Test request", "text": "Run through an FAQ-relevant question, for example \"Reset my password?\".", "icon": "outgoing_mail" }, { "label": "Analysis and search", "text": "Check whether the main concern and search terms are identified correctly and 2 to 3 relevant articles are found.", "icon": "search" }, { "label": "Confidence and path", "text": "Check whether the score is comprehensible and the threshold triggers correctly.", "icon": "percent" }, { "label": "Edge cases", "text": "Test a different language, an unclear request, multiple concerns in one message, and a borderline case near the threshold.", "icon": "rule" } ], "goLive": [ { "label": "Approval to start", "text": "Activate the process only once classification, reply and CRM entry work together cleanly.", "icon": "check_circle" }, { "label": "Start conservatively", "text": "Begin with a single request category and a threshold of 80 percent, and only lower it gradually afterward.", "icon": "tune" }, { "label": "Spot checks", "text": "Review reply quality with spot checks over several days.", "icon": "visibility" }, { "label": "Expand", "text": "Add a 24-hour follow-up, sentiment analysis, and multi-language support later.", "icon": "rocket_launch" } ], "haeufigeFehler": [ { "label": "No FAQ matches", "text": "Check the keyword extraction and the search parameters.", "icon": "search_off" }, { "label": "Confidence consistently low", "text": "Sharpen the scoring prompt or lower the threshold.", "icon": "trending_down" }, { "label": "Reply is not sent", "text": "Check the email integration and the SMTP settings.", "icon": "send" }, { "label": "Reply reads as robotic", "text": "Calibrate tone and length in the prompt using examples.", "icon": "smart_toy" } ] }, "arbeitsprompts": [ { "titel": "Prompt: Request Analysis", "beschreibung": "Extracts the main concern, search terms, category and urgency from the customer request.", "prompt": "You are a customer service assistant. Analyze the following customer request and extract the key information.\n\nCustomer request:\n[CUSTOMER_REQUEST]\n\nTasks:\n1. Name the main concern of the request in one sentence.\n2. Extract three to five relevant search terms for the FAQ search.\n3. Categorize the request (for example technical issue, billing, product question, account management).\n4. Assess the urgency (low, medium, high).\n\nRespond in the following JSON format:\n{\n \"main_concern\": \"...\",\n \"keywords\": [\"...\", \"...\", \"...\"],\n \"category\": \"...\",\n \"urgency\": \"...\"\n}" }, { "titel": "Prompt: Solution Probability", "beschreibung": "Assesses how well the FAQ articles found cover the concern and returns a solution probability.", "prompt": "You are a quality reviewer for customer service. Assess whether the FAQ articles found sufficiently answer the customer request.\n\nCustomer request:\n[CUSTOMER_REQUEST]\n\nMain concern:\n[MAIN_CONCERN]\n\nFAQ articles found:\n[FAQ_ARTICLES]\n\nTasks:\n1. Check whether the FAQ articles fully address the main concern.\n2. Assess the relevance and completeness of the information.\n3. Assign a solution probability from 0 to 100 percent.\n4. Justify your score in one to two sentences.\n\nScoring criteria:\n80 to 100 percent: the FAQ answers the question fully and precisely.\n50 to 79 percent: the FAQ contains relevant information but may not be complete.\n0 to 49 percent: the FAQ is insufficient or irrelevant.\n\nRespond in the following JSON format:\n{\n \"solution_probability\": 85,\n \"rationale\": \"...\",\n \"recommended_articles\": [\"Article link 1\", \"Article link 2\"],\n \"recommendation\": \"self-service\" or \"support-ticket\"\n}" }, { "titel": "Prompt: Self-Service Reply", "beschreibung": "Drafts a finished self-service reply from the recommended FAQ articles.", "prompt": "You are a friendly customer service representative. Draft a helpful self-service reply for the customer.\n\nCustomer request:\n[CUSTOMER_REQUEST]\n\nRecommended FAQ articles:\n[RECOMMENDED_ARTICLES]\n\nTasks:\n1. Greet the customer in a friendly manner and confirm their concern.\n2. Briefly explain how the FAQ articles help.\n3. List two to three relevant FAQ articles with links and a short description.\n4. Offer to open a support ticket if further help is needed.\n5. Use a [TONE] tone and keep the reply [LENGTH].\n\nStructure: personal greeting, short summary of the concern, two to three FAQ articles with link and short description, note on further help, friendly closing.\n\nRespond directly with the finished email, no JSON." } ], "prompt": "GOAL\nBuild a process that automatically analyzes new customer requests, searches for matching FAQ articles, scores a solution probability, and depending on the result either sends a self-service reply or creates a support ticket with full context.\n\nAdapt the structure to the concepts of your automation tool (for example nodes, steps, zaps or agent actions). While doing so, preserve the trigger logic, the sequence, the branching and the data flow.\n\nTRIGGER\nType: new customer request by chat or email.\n\nSTEPS\n1. AI step: request analysis. Use exactly the \"Request Analysis\" working prompt (see the Working Prompts section). Output: JSON with main_concern, keywords, category, urgency.\n2. Search the FAQ: query your help center or knowledge base with the keywords and collect the top matches with links.\n3. AI step: confidence scoring. Use exactly the \"Solution Probability\" working prompt (see the Working Prompts section). Output: JSON with solution_probability, rationale, recommended_articles, recommendation.\n4. Branch: if the recommendation is \"self-service\" and the solution_probability is at or above the threshold (starting value 80 percent), run the Self-Service Reply AI step. Use exactly the \"Self-Service Reply\" working prompt (see the Working Prompts section) and send the resulting email to the customer.\n5. Otherwise: create a support ticket, with the original request, the analysis JSON, the articles found and the rationale from the confidence score as context.\n6. Both branches: log category, chosen path (self-service or ticket) and confidence value in the CRM.\n\nPROMPTS\nTake over the three working prompts from the section of the same name unchanged and in full.\n\nDATA FLOW\nTrigger to steps 1, 3 and 5: the original request.\nStep 1 to step 2: keywords, for the FAQ search. Main concern additionally for step 3.\nStep 2 to step 3: matches found.\nStep 3 to step 4: recommended articles; solution probability and recommendation drive the branch.\nSteps 1 and 3 to step 6: category, chosen path, confidence value.\n\nERROR HANDLING\nNo FAQ matches: create a support ticket directly (branch 5) and check keyword extraction and search parameters.\nNo valid JSON from an AI step: retry once, then create a support ticket as a safe default.\nUnclear request or multiple concerns: create a support ticket instead of a self-service reply.\nRequest in another language: draft the self-service reply in the language of the request, and create a ticket if in doubt.\nSending the reply fails: check the email integration and additionally create the case as a ticket.\n\nPLACEHOLDER CONVENTION\nMap all placeholders in square brackets inside the working prompts dynamically from request, analysis and FAQ data, as described in the data flow. Not dynamic are the tone and length of the self-service reply, and the confidence threshold: set these yourself before activation, starting conservatively at 80 percent. List all placeholders that require manual configuration separately at the end.\n\nSELF CHECK BEFORE COMPLETION\nCheck, before you report the process as finished:\n1. Are all steps connected correctly, in particular the self-service or ticket branch and the CRM logging in both branches?\n2. Are all three working prompts inserted in full and unchanged, and are all dynamic placeholders mapped?\n3. Does the confidence threshold trigger correctly, and are the JSON outputs parsed cleanly?\n4. Are all points listed that require manual configuration: the request channel, access to the knowledge base and help center, email sending, the ticketing system, CRM access, tone, length and the threshold?", "einrichtung": { "intro": "Two routes lead to the same result. Pick the one that fits your setup.", "varianten": [ { "variante": "Builder-Prompt", "einleitung": "Suitable when you want to build the workflow in your own automation tool.", "schritte": [ "Open your workflow tool, for example n8n, Make, Zapier or Langdock.", "Create a new workflow and give it a name.", "Choose the AI-assisted build option if your tool offers one.", "Paste the builder prompt from above in full.", "Check the result against the step sequence in this document, then add your access credentials and channels." ] }, { "variante": "JSON-Import", "einleitung": "Suitable when you want to take the workflow over unchanged.", "schritte": [ "Download the JSON file from the JSON export section.", "Open the workflow area of your tool and create a new workflow.", "Give it a name and confirm.", "Open the menu on the workflow name and choose to import a JSON file.", "Upload the file, then add your own access credentials.", "Run a test before you activate the workflow." ] } ] }, "exportMeta": { "datei": "w11_selfservice-staffel__workflow.json", "format": "voyage-workflow/1" }, "download": { "schema": "voyage-workflow/1", "name": "Die Selfservice-Staffel", "beschreibung": "Analysiert eingehende Kundenanfragen per KI, durchsucht die FAQ nach passenden Artikeln, bewertet eine Lösungswahrscheinlichkeit und sendet je nach Ergebnis eine Self-Service-Antwort an den Kunden oder legt ein Support-Ticket mit vollem Kontext an. Beide Zweige dokumentieren Kategorie, Pfad und Confidence-Wert im CRM.", "trigger": { "typ": "Manueller Trigger (Testkonfiguration im Referenzexport)", "bedingung": "Der Ablauf ist im Referenzexport als manueller Trigger angelegt, gedacht zum Testen der Logik. Für den Produktivbetrieb ersetzen Sie ihn durch einen Integrations-Trigger für eine neue Kundenanfrage: eingehende E-Mail, zum Beispiel über Gmail oder Outlook, ein neues Ticket im Ticket-System, zum Beispiel Zendesk, einen Webhook oder ein Formular." }, "schritte": [ { "nr": 1, "titel": "Trigger: neue Kundenanfrage", "rolle": "mensch", "aktion": "Eine neue Kundenanfrage geht per Chat oder E-Mail ein und startet den Ablauf. Im Referenzexport ist der Startknoten als manueller Trigger für Testzwecke angelegt. Für den Produktivbetrieb wird er durch einen Integrations-Trigger ersetzt, etwa einen E-Mail-Eingang, ein neues Support-Ticket, einen Webhook oder ein Formular.", "prompt_ref": null, "eingang": [], "ausgang": [ "Original-Anfrage (Freitext)" ] }, { "nr": 2, "titel": "Anfrage analysieren", "rolle": "automatisch", "aktion": "Ein KI-Schritt liest die Anfrage mit dem Arbeitsprompt Anfrage-Analyse und erzeugt eine strukturierte Ausgabe mit den Pflichtfeldern main_concern (Hauptanliegen), search_keywords (Suchbegriffe), category (Kategorie) und urgency (Dringlichkeit). Der Arbeitsprompt selbst fragt nach einem JSON mit den deutschen Feldnamen hauptanliegen, keywords, kategorie und dringlichkeit. Die zugrunde liegende strukturierte Ausgabe des Knotens führt dieselben Werte unter den vier oben genannten technischen Feldnamen, die von den folgenden Schritten direkt referenziert werden.", "prompt_ref": "arbeitsprompt-1", "eingang": [ "Original-Anfrage" ], "ausgang": [ "Feld main_concern", "Feld search_keywords", "Feld category", "Feld urgency" ] }, { "nr": 3, "titel": "FAQ durchsuchen", "rolle": "automatisch", "aktion": "Ein Suchknoten fragt eine hinterlegte Wissensdatenbank mit dem Feld search_keywords ab und liefert die relevantesten Treffer mit Links. Im Referenzexport sind standardmäßig bis zu zehn Ergebnisse vorgesehen, einstellbar zwischen einem und fünfzig. Die Wissensdatenbank muss vor der Aktivierung tatsächlich als Quelle hinterlegt sein, sonst liefert der Schritt grundsätzlich keine Treffer.", "prompt_ref": null, "eingang": [ "Feld search_keywords aus der Analyse" ], "ausgang": [ "Gefundene FAQ-Treffer mit Links" ] }, { "nr": 4, "titel": "Confidence bewerten", "rolle": "automatisch", "aktion": "Ein zweiter KI-Schritt prüft mit dem Arbeitsprompt Lösungswahrscheinlichkeit, wie gut die gefundenen Treffer das Anliegen abdecken. Die strukturierte Ausgabe enthält die Pflichtfelder solution_probability (Zahl von 0 bis 100) und assessment (Begründung) sowie die optionalen Felder customer_response, das bei hoher Wahrscheinlichkeit bereits den fertigen Antworttext an den Kunden enthält, und relevant_articles mit den passendsten FAQ-Titeln oder Links. Ein eigener Routing-Schritt prüft anschließend ausschließlich den Zahlenwert solution_probability gegen eine Schwelle, im Referenzexport standardmäßig auf 70 Prozent gesetzt, mit den Zweigen hohe Wahrscheinlichkeit oberhalb und niedrige Wahrscheinlichkeit bei oder unterhalb der Schwelle. Der Arbeitsprompt selbst fragt zusätzlich nach einem Feld empfehlung mit dem Wert self-service oder support-ticket, dieses Feld steuert die Verzweigung im Referenzexport jedoch nicht, dort entscheidet allein der Zahlenwert. Legen Sie die Schwelle vor der Aktivierung selbst fest, konservativ mit 80 Prozent beginnend, und senken Sie sie erst nach Stichproben.", "prompt_ref": "arbeitsprompt-2", "eingang": [ "Original-Anfrage", "Feld main_concern aus der Analyse", "Gefundene FAQ-Treffer" ], "ausgang": [ "Feld solution_probability", "Feld assessment", "Feld customer_response (bei hoher Wahrscheinlichkeit)", "Feld relevant_articles", "Routing-Ergebnis hohe oder niedrige Wahrscheinlichkeit" ] }, { "nr": 5, "titel": "Self-Service-Antwort senden", "rolle": "automatisch", "aktion": "Liegt das Routing-Ergebnis bei hoher Wahrscheinlichkeit, versendet ein Aktions-Schritt die E-Mail mit den Feldern to, subject und body. Im Referenzexport wird das Feld body direkt aus dem in Schritt 4 erzeugten Feld customer_response übernommen, ein eigener dritter KI-Aufruf für die Antwort findet dort nicht statt. Der Betreff wird vom Modell zur Laufzeit aus dem Anfragekontext erzeugt, der Empfänger automatisch aus dem Kontext ermittelt, im Referenzexport über eine bereits verbundene Gmail-Integration, austauschbar gegen Outlook oder ein anderes Postfach. Wer Bewertung und Antworttext bewusst trennen möchte, setzt an dieser Stelle stattdessen einen eigenen KI-Schritt mit dem Arbeitsprompt Self-Service-Antwort ein und übergibt dessen Ergebnis in das Feld body.", "prompt_ref": "arbeitsprompt-3", "eingang": [ "Feld customer_response aus der Bewertung", "Original-Anfrage und Kontext für Empfänger und Betreff" ], "ausgang": [ "Versendete Self-Service-E-Mail (Felder to, subject, body)" ] }, { "nr": 6, "titel": "Ticket anlegen", "rolle": "mensch", "aktion": "Liegt das Routing-Ergebnis bei niedriger Wahrscheinlichkeit, legt ein Aktions-Schritt ein Ticket mit den Feldern subject, priority und description an. Das Feld subject wird aus dem Feld main_concern der Analyse übernommen, das Feld priority aus dem Feld urgency. Das Feld description erzeugt das Modell zur Laufzeit aus Original-Anfrage, Analyse-Ergebnis und der Begründung der Bewertung, damit das Support-Team den vollen Kontext hat. Die Verbindung zum Ticket-System, im Referenzexport Zendesk, muss vor der Aktivierung hinterlegt werden.", "prompt_ref": null, "eingang": [ "Feld main_concern aus der Analyse", "Feld urgency aus der Analyse", "Original-Anfrage, Analyse- und Bewertungsergebnis für die Beschreibung" ], "ausgang": [ "Angelegtes Support-Ticket (Felder subject, priority, description)" ] }, { "nr": 7, "titel": "Im CRM dokumentieren", "rolle": "ergebnis", "aktion": "Beide Zweige laufen an einem Zusammenführungspunkt wieder zusammen, im Referenzexport ein eigener Knoten ohne weitere Konfiguration, bevor ein Aktions-Schritt den CRM-Kontakt aktualisiert. Die Felder sind contactId, automatisch aus dem Kontext ermittelt, und properties als Freitext, der unter anderem das Feld category aus der Analyse und das Feld solution_probability aus der Bewertung festhält sowie, ob der Fall über Self-Service oder als Ticket gelaufen ist. Als mögliche weitere CRM-Felder nennt der Referenzexport unter anderem das Datum der letzten Support-Interaktion, den Interaktionstyp, die Anfragekategorie und einen Zufriedenheitswert, das sind Vorschläge und keine Pflichtfelder. Die Verbindung zum CRM, im Referenzexport HubSpot, muss vor der Aktivierung hinterlegt werden.", "prompt_ref": null, "eingang": [ "Ergebnis aus dem Self-Service- oder Ticket-Zweig", "Feld category aus der Analyse", "Feld solution_probability aus der Bewertung" ], "ausgang": [ "Aktualisierter CRM-Kontakt (Felder contactId, properties)" ] } ], "prompts": { "arbeitsprompt-1": { "titel": "Anfrage-Analyse", "text": "Sie sind ein Kundenservice-Assistent. Analysieren Sie die folgende Kundenanfrage und extrahieren Sie die wichtigsten Informationen.\n\nKundenanfrage:\n[KUNDENANFRAGE]\n\nAufgaben:\n1. Benennen Sie das Hauptanliegen der Anfrage in einem Satz.\n2. Extrahieren Sie drei bis fünf relevante Suchbegriffe für die FAQ-Suche.\n3. Kategorisieren Sie die Anfrage (zum Beispiel technisches Problem, Abrechnung, Produktfrage, Account-Verwaltung).\n4. Schätzen Sie die Dringlichkeit ein (niedrig, mittel, hoch).\n\nAntworten Sie im folgenden JSON-Format:\n{\n \"hauptanliegen\": \"...\",\n \"keywords\": [\"...\", \"...\", \"...\"],\n \"kategorie\": \"...\",\n \"dringlichkeit\": \"...\"\n}" }, "arbeitsprompt-2": { "titel": "Lösungswahrscheinlichkeit", "text": "Sie sind ein Qualitätsprüfer für Kundenservice. Bewerten Sie, ob die gefundenen FAQ-Artikel die Kundenanfrage ausreichend beantworten.\n\nKundenanfrage:\n[KUNDENANFRAGE]\n\nHauptanliegen:\n[HAUPTANLIEGEN]\n\nGefundene FAQ-Artikel:\n[FAQ_ARTIKEL]\n\nAufgaben:\n1. Prüfen Sie, ob die FAQ-Artikel das Hauptanliegen vollständig adressieren.\n2. Bewerten Sie Relevanz und Vollständigkeit der Informationen.\n3. Vergeben Sie eine Lösungswahrscheinlichkeit von 0 bis 100 Prozent.\n4. Begründen Sie Ihre Bewertung in ein bis zwei Sätzen.\n\nBewertungskriterien:\n80 bis 100 Prozent: Die FAQ beantwortet die Frage vollständig und präzise.\n50 bis 79 Prozent: Die FAQ enthält relevante Informationen, aber möglicherweise nicht vollständig.\n0 bis 49 Prozent: Die FAQ ist nicht ausreichend oder irrelevant.\n\nAntworten Sie im folgenden JSON-Format:\n{\n \"lösungswahrscheinlichkeit\": 85,\n \"begründung\": \"...\",\n \"empfohlene_artikel\": [\"Artikel-Link 1\", \"Artikel-Link 2\"],\n \"empfehlung\": \"self-service\" oder \"support-ticket\"\n}" }, "arbeitsprompt-3": { "titel": "Self-Service-Antwort", "text": "Sie sind ein freundlicher Kundenservice-Mitarbeiter. Erstellen Sie eine hilfreiche Self-Service-Antwort für die Kundin oder den Kunden.\n\nKundenanfrage:\n[KUNDENANFRAGE]\n\nEmpfohlene FAQ-Artikel:\n[EMPFOHLENE_ARTIKEL]\n\nAufgaben:\n1. Begrüßen Sie die Kundin oder den Kunden freundlich und bestätigen Sie das Anliegen.\n2. Erklären Sie kurz, wie die FAQ-Artikel weiterhelfen.\n3. Listen Sie zwei bis drei relevante FAQ-Artikel mit Links und kurzer Beschreibung auf.\n4. Bieten Sie an, bei weiterem Bedarf ein Support-Ticket zu eröffnen.\n5. Verwenden Sie einen [TONALITÄT]-Ton und halten Sie die Antwort [LÄNGE].\n\nStruktur: persönliche Begrüßung, kurze Zusammenfassung des Anliegens, zwei bis drei FAQ-Artikel mit Link und Kurzbeschreibung, Hinweis auf weitere Hilfe, freundliche Grußformel.\n\nAntworten Sie direkt mit der fertigen E-Mail, kein JSON." } }, "datenfluss": [ { "von": 1, "nach": 2, "nutzlast": "Original-Anfrage als Eingabe für die Analyse" }, { "von": 2, "nach": 3, "nutzlast": "Feld search_keywords aus der Analyse als Suchbegriffe für die FAQ-Suche" }, { "von": 3, "nach": 4, "nutzlast": "Gefundene FAQ-Treffer als Eingabe für die Bewertung" }, { "von": 4, "nach": 5, "nutzlast": "Bei Routing-Ergebnis hohe Wahrscheinlichkeit: Feld customer_response aus der Bewertung wird unverändert in das Feld body der Self-Service-Mail übernommen" }, { "von": 4, "nach": 6, "nutzlast": "Bei Routing-Ergebnis niedrige Wahrscheinlichkeit: Feld main_concern in das Feld subject des Tickets, Feld urgency in das Feld priority, Original-Anfrage und Bewertungsbegründung in die Feldbeschreibung" }, { "von": 5, "nach": 7, "nutzlast": "Ergebnis des Self-Service-Zweigs läuft am Zusammenführungspunkt mit dem Ticket-Zweig zusammen, bevor der CRM-Kontakt aktualisiert wird" }, { "von": 6, "nach": 7, "nutzlast": "Ergebnis des Ticket-Zweigs läuft am Zusammenführungspunkt mit dem Self-Service-Zweig zusammen, bevor der CRM-Kontakt aktualisiert wird" }, { "von": 2, "nach": 7, "nutzlast": "Feld category aus der Analyse fließt in die CRM-Aktualisierung ein" }, { "von": 4, "nach": 7, "nutzlast": "Feld solution_probability aus der Bewertung fließt in die CRM-Aktualisierung ein" } ], "voraussetzungen": [ "Ticket-System mit API-Zugriff für Anfragen und Tickets, zum Beispiel Zendesk oder Freshdesk", "Knowledge Base beziehungsweise Knowledge Folder mit API-Zugriff und tatsächlich hinterlegten FAQ-Inhalten, zum Beispiel Notion, Confluence oder Zendesk Guide", "E-Mail-Tool für den Versand der Self-Service-Antworten, zum Beispiel Gmail oder Outlook", "LLM-Zugang, zum Beispiel OpenAI, Claude oder Gemini", "CRM-Anbindung für die Dokumentation, zum Beispiel HubSpot oder Salesforce", "Vor der Aktivierung festgelegte Confidence-Schwelle: Der Referenzexport liefert einen technischen Standardwert von 70 Prozent, empfohlen wird ein konservativerer Start bei 80 Prozent", "Vor der Aktivierung ein Integrations-Trigger anstelle des testweise manuellen Starts, etwa E-Mail-Eingang, neues Ticket, Webhook oder Formular" ], "fehlerbehandlung": [ { "fall": "Ein einzelner Schritt schlägt technisch fehl, etwa durch einen API-Timeout", "massnahme": "Im Referenzexport sind sämtliche Schritte mit der Fehlerstrategie Abbruch konfiguriert, der gesamte Lauf hält dann an. Ergänzen Sie in Ihrem Automations-Tool projektspezifisch Wiederholungen oder einen Fallback-Pfad, bevor Sie den Ablauf produktiv schalten." }, { "fall": "Keine FAQ-Treffer gefunden", "massnahme": "Direkt ein Support-Ticket anlegen (Schritt 6) und Keyword-Extraktion sowie Suchparameter prüfen." }, { "fall": "Knowledge Base beziehungsweise Knowledge Folder ist nicht als Quelle hinterlegt", "massnahme": "Vor der Aktivierung die FAQ- und Help-Center-Inhalte in die hinterlegte Wissensquelle laden, sonst liefert die Suche grundsätzlich keine Treffer." }, { "fall": "Kein valides strukturiertes Ergebnis aus einem KI-Schritt", "massnahme": "Den Schritt einmal wiederholen, danach als sicheren Default ein Support-Ticket anlegen." }, { "fall": "Unklare Anfrage oder mehrere Anliegen in einer Nachricht", "massnahme": "Support-Ticket statt Self-Service-Antwort anlegen." }, { "fall": "Anfrage in anderer Sprache", "massnahme": "Self-Service-Antwort in der Sprache der Anfrage verfassen, im Zweifel ein Ticket anlegen." }, { "fall": "Versand der Self-Service-Antwort schlägt fehl", "massnahme": "E-Mail-Integration prüfen und den Fall zusätzlich als Ticket anlegen." }, { "fall": "Verbindung zum Ticket-System ist nicht konfiguriert", "massnahme": "Vor der Aktivierung die Verbindung zum Ticket-System, im Referenzexport Zendesk, im entsprechenden Schritt hinterlegen." }, { "fall": "Verbindung zum CRM ist nicht konfiguriert", "massnahme": "Vor der Aktivierung die Verbindung zum CRM, im Referenzexport HubSpot, im entsprechenden Schritt hinterlegen." }, { "fall": "Confidence dauerhaft niedrig über viele Anfragen hinweg", "massnahme": "Bewertungs-Prompt schärfen oder Schwelle absenken, dabei nicht ohne geprüfte Stichproben unter den empfohlenen Startwert von 80 Prozent gehen." }, { "fall": "Antwort wirkt roboterhaft", "massnahme": "Ton und Länge im Prompt anhand von Beispielen kalibrieren." } ], "platzhalter": [ { "name": "KUNDENANFRAGE", "quelle": "Original-Anfrage aus Schritt 1, dynamisch gemappt" }, { "name": "HAUPTANLIEGEN", "quelle": "Entspricht dem Feld main_concern aus der Analyse in Schritt 2, dynamisch gemappt" }, { "name": "FAQ_ARTIKEL", "quelle": "Gefundene Treffer aus Schritt 3, dynamisch gemappt" }, { "name": "EMPFOHLENE_ARTIKEL", "quelle": "Entspricht dem Feld relevant_articles aus der Bewertung in Schritt 4, dynamisch gemappt" }, { "name": "TONALITÄT", "quelle": "Vorgegebener Ton für die Self-Service-Antwort, vor der Aktivierung manuell festgelegt" }, { "name": "LÄNGE", "quelle": "Vorgegebene Antwortlänge, vor der Aktivierung manuell festgelegt" }, { "name": "main_concern", "quelle": "Strukturiertes Pflichtfeld des Analyse-Schritts, fließt automatisch in das Feld subject des Tickets" }, { "name": "search_keywords", "quelle": "Strukturiertes Pflichtfeld des Analyse-Schritts, steuert die FAQ-Suche" }, { "name": "category", "quelle": "Strukturiertes Pflichtfeld des Analyse-Schritts, fließt in die CRM-Aktualisierung" }, { "name": "urgency", "quelle": "Strukturiertes Pflichtfeld des Analyse-Schritts, fließt automatisch in das Feld priority des Tickets" }, { "name": "solution_probability", "quelle": "Strukturiertes Pflichtfeld des Bewertungs-Schritts, steuert den Routing-Schritt und fließt in die CRM-Aktualisierung" }, { "name": "assessment", "quelle": "Strukturiertes Pflichtfeld des Bewertungs-Schritts, Begründung der Wahrscheinlichkeit" }, { "name": "customer_response", "quelle": "Optionales Feld des Bewertungs-Schritts, nur bei hoher Wahrscheinlichkeit gesetzt, fließt automatisch in das Feld body der Self-Service-Mail" }, { "name": "relevant_articles", "quelle": "Optionales Feld des Bewertungs-Schritts, Liste der passendsten FAQ-Titel oder Links" } ], "herausgeber": "Voyage Digital", "version": "2.0", "stand": "2026-07-26" }, "itemIcon": "life-buoy", "recommended": [ { "slug": "ticket-schiene", "category": "workflow", "name": "The Ticket Pipeline", "teaser": "The Ticket Pipeline automatically categorizes new IT support tickets, searches the knowledge base for matching solutions, and routes them to the responsible team for a final human check before a reply goes out.", "domaene": "Kundensupport & Service", "itemIcon": "ticket" }, { "slug": "feedback-route", "category": "workflow", "name": "The Feedback Route", "teaser": "A daily automated report that sorts incoming customer feedback by sentiment and topic and immediately flags critical cases to the team.", "domaene": "Kundensupport & Service", "itemIcon": "message-square-quote" }, { "slug": "antwort-schleife", "category": "workflow", "name": "The Reply Loop", "teaser": "Searches the FAQ knowledge base for every new support ticket, drafts a personalized reply, and hands it to a human for review before it goes out.", "domaene": "Kundensupport & Service", "itemIcon": "reply" }, { "slug": "ticket-route", "category": "workflow", "name": "The Ticket Router", "teaser": "A workflow that automatically sorts incoming support tickets by category and urgency, assigns them to the right team, and prepares a personalized first reply.", "domaene": "Kundensupport & Service", "itemIcon": "route" }, { "slug": "cognigy-ai", "category": "tool", "name": "Cognigy AI", "teaser": "Düsseldorf based enterprise platform for conversational AI, with multilingual voice and chat agents for customer service in regulated industries.", "domaene": "Kundensupport & Service", "logoFile": "cognigy-ai.svg", "logoEinzug": 1 }, { "slug": "octonomy", "category": "tool", "name": "Octonomy", "teaser": "Octonomy is a platform for autonomous support agents that handles customer inquiries in e-commerce and SaaS independently and escalates complex cases to a human team.", "domaene": "Kundensupport & Service", "logoFile": "octonomy.png", "logoEinzug": 0.78 }, { "slug": "parloa", "category": "tool", "name": "Parloa", "teaser": "Parloa is a German voice AI platform that gives enterprise customer service teams in regulated industries phone and chat agents with deep CRM and ERP integration.", "domaene": "Kundensupport & Service", "logoFile": "parloa.png", "logoEinzug": 0.78 }, { "slug": "zendesk-ai-agents", "category": "tool", "name": "Zendesk AI Agents", "teaser": "Zendesk AI Agents are Zendesk's native AI agents for customer service, resolving tickets across email, chat, voice and social directly within Zendesk's existing tickets, workflows and knowledge base.", "domaene": "Kundensupport & Service", "logoFile": "zendesk-ai-agents.svg", "logoEinzug": 1 }, { "slug": "faq-kurator", "category": "assistent", "name": "The FAQ Curator", "teaser": "Answers recurring HR, IT, and customer service questions from your stored FAQ documents, cites the source for every answer, and escalates cleanly to a human whenever the answer is not covered there.", "domaene": "Kundensupport & Service", "itemIcon": "help-circle" }, { "slug": "aufgaben-raster", "category": "skill", "name": "The Task Grid", "teaser": "Reads meeting minutes, emails or other texts and extracts all open tasks, both explicit and implicit, with owners and deadlines.", "domaene": "Betrieb & Projektmanagement", "itemIcon": "list-checks" } ] }