KI‑Support-Agent spart einer D2C-Marke 217.200 $ pro Jahr
Ein KI-Support-Agent mit Konfidenzschwellen löst 64 % der Tickets selbstständig und senkt die Supportkosten um 62 %: 217.200 $ Einsparung im ersten Jahr.
Bei 12 Mio. $ Jahresumsatz und 40 % Wachstum gegenüber dem Vorjahr überzeugte die Marke mit Produkt und Marketing, während der Support darunter nachgab. Sechs Mitarbeitende bearbeiteten über Gorgias rund 4.800 Tickets im Monat. Die durchschnittliche Zeit bis zur ersten Antwort war auf 4,2 Stunden gestiegen, bei Produkteinführungen auf über 12 Stunden, und der CSAT war innerhalb von sechs Monaten von 4,6 auf 3,9 gefallen.
Die Ticket-Analyse machte die Ursache deutlich. Etwa 70 % des Volumens entfielen auf vorhersehbare Kategorien: Bestellstatus (23 %), Größen und Kompatibilität (18 %), Retouren und Umtausch (16 %), Rabattcodes (8 %) und Versandbedingungen (5 %). Jede dieser regelbasierten Anfragen kostete trotzdem 6–8 Minuten Arbeitszeit, während die 1.500 Tickets im Monat, die wirklich einen Menschen brauchten, in der Warteschlange lagen.
Von Gründerseite hieß es unverblümt: Sechs Personen zu je 58.000 $ beantworteten 3.000-mal im Monat dieselben 15 Fragen. Ein regelbasierter Gorgias-Chatbot war bereits ausprobiert worden. Er bearbeitete etwa 8 % der Tickets, bevor die Kunden ihn umgingen.
Zuerst kam eine KI-Analyse (AI Readiness Assessment) für 8.000 $: die Klassifizierung von 28.400 Tickets aus 6 Monaten Gorgias-Historie, eine Prüfung aller Wissensquellen (Shopify-Katalog mit 420 SKUs, Richtlinien, Größentabellen, Tracking-Daten aus ShipStation) und eine Bewertung der Architektur. Fine-Tuning wurde verworfen, weil es die Widersprüche in den früheren Antworten der Mitarbeitenden festgeschrieben hätte. Die Wahl fiel auf eine RAG-Pipeline mit GPT-4o und Tool-Nutzung: Der Agent stützt jede Antwort auf aktuelle Produkt-, Richtlinien- und Bestelldaten. Die Analyse prognostizierte, dass sich 60–70 % der Tickets automatisieren lassen, bei einer jährlichen Einsparung von 180.000–240.000 $.
In der Entwicklung wurde das Wissen zu Produkten, Richtlinien und Bestellungen über eine semantische Suche erschlossen (Pinecone, mit nächtlicher Synchronisation aus Shopify) und ein abgesicherter API-Zugriff auf Shopify und ShipStation für Bestellabfragen in Echtzeit eingerichtet. Der Agent arbeitet mit Konfidenzschwellen: Er antwortet nur dann selbstständig, wenn die Konfidenz der Intent-Klassifizierung über 0,85 und die Relevanz der gefundenen Quellen über 0,80 liegt. Wird eine der beiden Schwellen unterschritten, geht das Ticket an einen Menschen, zusammen mit dem Entwurf der KI und dem Kontext. Der Agent kann außerdem handeln: Retouren anstoßen, Etiketten erzeugen, Rabattcodes anwenden und Adressen ändern, jeweils nach Bestätigung durch den Kunden.
Der Test an 2.000 historischen Tickets mit bekannter Lösung ergab 94,2 % Genauigkeit bei der Intent-Klassifizierung, 91,7 % Antwortgenauigkeit, 99,1 % Richtlinientreue und 4,3 von 5,0 Punkten bei der Tonalität, gemessen an der besten Kraft des Teams. Die Einführung lief gestaffelt über zwei Wochen: erst 10 % der Tickets mit vollständiger Prüfung durch Menschen, dann 30 % mit Prüfung nur der markierten Fälle, dann 100 % der geeigneten Tickets autonom.
In den ersten 90 Tagen des Vollbetriebs im Vergleich zu den 90 Tagen davor: Die KI löste 3.149 Tickets im Monat (64 %) ohne menschliche Beteiligung, die Zahl der Tickets, die einen Menschen brauchten, sank um 63 % auf 1.771 pro Monat, und die Zeit bis zur ersten Antwort fiel von 4,2 Stunden auf 6 Minuten bei KI-Antworten und auf 1,8 Stunden bei Antworten von Menschen. Der CSAT erholte sich von 3,9 auf 4,5.
Die monatlichen Betriebskosten des Supports sanken von 29.200 $ auf 11.100 $. Das ist ein Rückgang um 62 % und entspricht aufs Jahr gerechnet 217.200 $. Bei 92.000 $ Investition im ersten Jahr (8.000 $ Analyse, 42.000 $ Entwicklung, 3.500 $ pro Monat Betrieb) lag der Netto-ROI im ersten Jahr bei 125.200 $ (136 %), die Amortisationszeit bei 5,1 Monaten.
Drei Mitarbeitende übernahmen neue Aufgaben: proaktive Kundenansprache, VIP-Betreuung und das Erlebnis nach dem Kauf. Das trug im folgenden Quartal zu einem Anstieg der Wiederkaufrate um 14 % bei. Während einer Rabattaktion mit doppeltem Ticketvolumen hielt die KI eine durchschnittliche Antwortzeit von 4 Minuten. Das rein menschliche Team hatte bei vergleichbaren Aktionen im Schnitt 14 Stunden gebraucht.
Ich war skeptisch. Wir hatten schon einmal einen Chatbot ausprobiert, und das war peinlich: Die Kunden haben ihn gehasst. Der Ansatz von Gigabit war völlig anders. Sie haben zwei Wochen damit verbracht, unser Geschäft zu verstehen, bevor sie eine Zeile Code geschrieben haben. Der KI-Agent bearbeitet jetzt zwei Drittel unserer Tickets besser, als es unsere durchschnittlichen Mitarbeitenden getan haben. Und unsere besten Leute haben endlich Zeit für Arbeit, die Kundenbeziehungen wirklich stärkt.
Unsere veröffentlichten Fallstudien stammen überwiegend aus Nordamerika. Alle Beträge in US-Dollar. Der Kunde ist anonymisiert.
