Jedes Support-Team häuft dasselbe stille Problem an: Tickets stapeln sich, Agenten beantworten dieselben Fragen immer wieder, und niemand hat Zeit, dieses Signal in Dokumentation umzuwandeln. Das Team hinter Bolusso.nl , Eroticon.nl und Shop-toppers.nl löste dieses Problem mit einem einzigen FlowHunt KI-Agenten, der das Lesen, Gruppieren und Lückensuchen automatisch übernimmt — jede Woche, ohne dass jemand darum bitten muss.
Von Support-Tickets zur Wissensdatenbank: Kundenfrust in Dokumentation verwandeln
Support-Tickets sind eine der reichhaltigsten Quellen für Produkt- und Dokumentations-Feedback, die ein Team hat. Kunden teilen Ihnen genau mit, was sie nicht finden können, was sie verwirrt, und was Ihre Wissensdatenbank nicht beantwortet. Dieses Signal jedoch manuell zu extrahieren — Hunderte von Tickets zu lesen, ähnliche Fragen zu gruppieren, zu prüfen ob die KB diese bereits abdeckt — ist genau die Art von repetitiver analytischer Arbeit, die es nie auf die Prioritätenliste schafft.
Das Shop-toppers-Team wollte ein System, das Ticket-Daten automatisch in KB-Aktionspunkte umwandelt. Das Ergebnis ist eine wöchentliche automatisierte Pipeline, die vollständig innerhalb von FlowHunt AI Projects läuft.
KI-gestützter E-Commerce-Chatbot: Eine Wissensdatenbank für drei niederländische Storefronts
Bevor wir uns in die wöchentliche Analysepipeline vertiefen, ist es hilfreich zu verstehen, wie die Support-Infrastruktur aufgebaut ist. Das Team betreibt Bolusso.nl , Eroticon.nl und Shop-toppers.nl aus einer einzigen gemeinsamen FlowHunt-Wissensdatenbank — einem Satz von Produktbeschreibungen, Rückgaberichtlinien, FAQs und Versandregeln, von dem alle drei Websites schöpfen.
Jeder Storefront hat seinen eigenen Chatbot, der von dieser gemeinsamen Wissensdatenbank angetrieben wird. Wenn ein Kunde auf Bolusso die Website besucht und den Chat öffnet, wird er von “Chatbot Bob” begrüßt — einem KI-Assistenten, der den vollständigen Produktkatalog kennt, bei der Auftragsverfolgung helfen kann und Rückfragen sofort, rund um die Uhr, beantwortet.
Die Willkommensnachricht des Chatbots — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — und seine Schnellantwort-Schaltflächen (“Volg je bestelling”, “Product retourneren”) werden alle von denselben Flows angetrieben, die über alle drei Marken hinweg verwendet werden.
Wenn sich eine Richtlinie ändert oder eine neue Produktkategorie eingeführt wird, aktualisiert das Team die Wissensdatenbank einmal. Alle drei Chatbots spiegeln die Änderung sofort wider. Dieselbe Logik gilt für Flows: einmal erstellen, überall einsetzen.
Automatisierte Support-Ticket-Analyse: Wie FlowHunt AI Projects jede Woche Wissenslücken findet
Der Chatbot übernimmt die erste Linie. Aber er erzeugt eine andere Art von Signal: die Fragen, die er nicht lösen kann, und die Tickets, die trotzdem an menschliche Agenten weitergeleitet werden. Die wöchentliche Lückenanalysepipeline schließt diese Rückkopplungsschleife.
Innerhalb von FlowHunt AI Projects betreibt das Team ein einziges Projekt: LiveAgent FAQ knowledge base checker. Seine Aufgabe ist es, alle Tickets der letzten 7 Tage zu lesen und dem Team genau mitzuteilen, welche Dokumentation fehlt.
Dem Agenten wird eine präzise Persona und strenge Leitplanken gegeben. Er arbeitet nur lesend gegenüber LiveAgent — er ruft Ticket-Daten ab, kann aber nichts ändern, löschen oder schließen. Diese Leitplanke ist explizit im System-Prompt und wird auf Tool-Ebene durchgesetzt.
Die zweiphasige Pipeline: LiveAgent-Ticket-Clustering und Wissensdatenbank-Abgleich
Der Agent führt bei jedem Durchlauf eine zweiphasige Untersuchung durch.
Phase 1 — Ticket-Clustering & Themenextraktion
Der Agent zieht alle Tickets der letzten 7 Tage über die LiveAgent-Integration. Er filtert sofort Rauschen heraus: automatisierte Plattformbenachrichtigungen, Amazon-Bestellbenachrichtigungen und alle systemgenerierten Nachrichten werden verworfen. Nur echte menschliche Kundenanfragen werden verarbeitet.
Die verbleibenden Tickets werden nach der spezifischen gestellten Frage gruppiert — nicht nach vager Kategorie, sondern nach präziser Absicht (z. B. “Wie kann ich einen defekten Artikel zurückgeben?” statt nur “Rückgaben”). Die 5 häufigsten Themen werden identifiziert, klar benannt und mit Häufigkeitszahlen und repräsentativen Beispielen dokumentiert.
Phase 2 — KB-Verifizierung & Lückenanalyse
Für jedes der fünf häufigsten Themen durchsucht der Agent die gemeinsame Wissensdatenbank:
- Wenn Artikel existieren: Der Agent analysiert, warum Kunden trotz der Abdeckung weiterhin Tickets öffnen. Er sucht nach Veralterung, fehlenden Randfällen, unklarer Sprache oder unvollständigem Umfang. Der Artikel wird als KB-Fehler markiert — der Inhalt existiert, löst das Problem jedoch nicht.
- Wenn keine Artikel existieren: Das Thema wird sofort als kritische Lücke klassifiziert — undokumentiertes Terrain, das das KB-Content-Team angehen muss.
Diese Unterscheidung ist wichtig. Eine kritische Lücke und ein KB-Fehler erfordern unterschiedliche Reaktionen: eine braucht einen neuen Artikel, die andere eine Überarbeitung.
Von Rohdaten-Tickets zu umsetzbaren Briefings: Automatisierte wöchentliche KB-Lückenberichte
Am Ende jedes Durchlaufs sendet der Agent dem Team per E-Mail einen strukturierten Bericht. Niemand muss sich in die Plattform einloggen, um die Ergebnisse zu sehen.
Die E-Mail folgt einer festen Struktur:
Tabelle der wichtigsten Fragen — jede Zeile enthält die spezifische Kundenfrage, wie oft sie in der vergangenen Woche aufgetaucht ist, zwei oder drei Beispiel-Ticket-Betreffzeilen, die relevanten Ticket-IDs und einen Lösungsentwurf, den das Content-Team als Ausgangspunkt verwenden kann.
Strategische KB-Empfehlungen — übergeordnete Themen, Ideen für neue Artikel und Portal-Verbesserungen, die auf den Ticket-Daten der Woche basieren. Jede Empfehlung enthält die Begründung: warum dies wichtig ist, basierend auf dem, was Kunden tatsächlich fragen.
Die Betreffzeile lautet immer Weekly KB Gap Analysis - [Date], was die E-Mails leicht ablegbar und über die Zeit referenzierbar macht.
Persistentes KI-Gedächtnis: Wie wöchentliche Erkenntnisse zu langfristiger Support-Intelligenz werden
Ein Detail, das dies von einem Einmalbericht unterscheidet: Der Agent schreibt seine Erkenntnisse in das Projekt-Memory — ein persistentes Wiki innerhalb des KI-Projekts, das nach jedem Durchlauf aktualisiert wird.
Das Team baut automatisch eine Längsschnittaufzeichnung auf. Themen, die Woche für Woche auftauchen, obwohl sie zuvor markiert wurden, fallen sofort auf. KB-Lücken, die behoben wurden, können als gelöst markiert werden. Das akkumulierte Wissen des Agenten wird umso nützlicher, je länger er läuft.
E-Commerce-Support-Automatisierung, die sich selbst betreibt: Geplante KI-Agenten ohne manuellen Aufwand
Die gesamte Pipeline wird durch ein Periodic Issue ausgelöst — eine geplante Aufgabe in AI Projects, die automatisch in einem festgelegten Rhythmus ausgelöst wird, ohne manuelle Eingriffe. Das Team hat es einmal eingerichtet; es ist seitdem 16 Mal gelaufen.
Jeder Durchlauf dauert je nach Ticket-Volumen in dieser Woche zwischen 1 und 10 Minuten. Die Kosten pro Durchlauf sind ein Bruchteil dessen, was ein menschlicher Analyst für gleichwertige manuelle Arbeit aufwenden würde. Das Team erhält jede Woche ein sofort handlungsfähiges Briefing, ohne dass sich jemand in LiveAgent einloggen, Tickets durchlesen oder einen Bericht zusammenstellen müsste.
“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”
Einmal erstellen. Überall einsetzen. Den Agenten mitteilen lassen, was fehlt.
Unternehmen: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Branche: E-Commerce Standort: Niederlande Verwendete FlowHunt-Funktionen: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Agentenmodell: claude-4.5-haiku (Supervisor)