Fachwissen auf Knopfdruck

Branche

Unternehmensgröße

Eingesetzte KI Fähigkeiten

Herausforderung

Wenn erfahrene Köpfe gehen, geht Wissen mit

RATIONAL ist Weltmarktführer für die thermische Speisenzubereitung in Profiküchen. Die Geräte des Unternehmens stehen in professionellen Küchen weltweit. Essenzieller Teil des Werteversprechens ist die ChefLine: Köche erhalten hier telefonische Beratung zu Geräten und Rezepten — praxisnah, kompetent, in Echtzeit.

Doch der Fachkräftemangel machte vor dem Kundenservice nicht halt. Langjährige Support-Mitarbeiter verfügten über umfangreiches Erfahrungswissen, das in keiner Datenbank stand. Es fehlte an qualifizierten Nachfolgern, an die sie es hätten weitergeben können. Gleichzeitig wuchs die installierte Gerätebasis — und damit das Anfragevolumen.

Das Wissen, das die ChefLine so wertvoll machte, war über tausende Quellen verstreut: Bedienungsanleitungen verschiedener Gerätegenerationen, Rezeptdatenbanken, Service-Handbücher, Videos, interne Dokumentationen. Kein einzelner Mitarbeiter konnte alles überblicken. Und kein klassisches FAQ-System konnte die Vielfalt und Tiefe der Anfragen abbilden.

RATIONAL erkannte: Digitale Technologien können den Kundenservice langfristig sichern. Aber wie genau? Bei der Suche nach konkreten Anwendungsfällen kam PLAN D ins Spiel. Der Auftrag: In 100 Tagen einen MVP entwickeln, der zeigt, wie KI das Fachwissen des Unternehmens für den Support zugänglich macht.

Herausforderung

Heading

Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.

Lösung

Vom impliziten Wissen zum KI-Assistenten — in 100 Tagen

Potenziale identifizieren

Bevor eine Zeile Code entstand, analysierten wir die Ausgangslage. Mit welchen Anliegen melden sich die Anrufer? Welche Sprachen werden genutzt? Wie werden Kunden und Geräte identifiziert? Welche Daten liegen vor, welche fehlen? In Workshops prüften wir mögliche Anwendungsfälle nach technischer Machbarkeit, Datenverfügbarkeit und Wirtschaftlichkeit.

Die Entscheidung fiel auf einen KI-Assistenten für den Kundenservice: Ein System, das wiederkehrende Anfragen eigenständig beantworten und das Service-Team gezielt entlasten kann.

Wissen strukturieren und erschließen

Die größte Herausforderung war nicht das Sprachmodell, sondern die Daten. Rezepte, Bedienungsanleitungen, technische Spezifikationen und Service-Dokumentationen lagen in unterschiedlichsten Formaten und Systemen vor. Unser Datenteam hat diese Quellen systematisch erschlossen, bereinigt und in einen einheitlichen Wissenspool überführt — die Grundlage für das gesamte System.

RAG-System auf unternehmenseigenen Daten

Das Herzstück der Lösung ist ein RAG-System (Retrieval Augmented Generation). Statt ein Sprachmodell auf die Daten von RATIONAL zu trainieren, nutzt RAG einen anderen Ansatz: Dokumente werden in semantische Einheiten zerlegt, als Vektoren in einer Datenbank gespeichert und bei jeder Anfrage gezielt durchsucht. Das Sprachmodell generiert seine Antwort ausschließlich auf Basis der gefundenen Textstellen — nicht aus seinem allgemeinen Trainingswissen.

Das Ergebnis: Der KI-Assistent antwortet fundiert und auf Basis verifizierter Unternehmensquellen. Ob „Wie kann ich die Displayhelligkeit verstellen?“ oder „Was ist der beste Garprozess für Brownies?“ — das System findet die relevanten Informationen in der Wissensbasis und formuliert eine verständliche Antwort.

Geräteerkennung per IoT

Über den RATIONAL-Login oder QR-Codes auf den Geräten erkennt das System automatisch Hardwareversion und Softwarestand. So kann der KI-Assistent gerätespezifisch antworten, ohne dass Nutzer ihre Gerätedaten manuell eingeben müssen.

"Der MVP macht das Potenzial künstlicher Intelligenz für Unternehmen sehr greifbar. Mit diesem beeindruckenden Ergebnis nach nur 100 Tagen konnten wir auch interne Stakeholder davon überzeugen, weiter in KI und Daten zu investieren. Ich bin gespannt auf die nächsten Schritte."

Sascha Barby

VP Live Customer Experience

RATIONAL

Ergebnis

Von der Idee zum digitalen Kollegen

Nach 100 Tagen stand ein funktionsfähiger MVP: Ein KI-Assistent, der sowohl vordefinierte Service-Szenarien als auch frei formulierte Fragen beantworten kann. Das System kombiniert das gebündelte Fachwissen von RATIONAL mit der sprachlichen Kompetenz eines Large Language Models — präzise im Inhalt und natürlich im Dialog.

Der strategische Mehrwert reicht über den MVP hinaus. Das bislang implizite Wissen der Organisation wurde in eine digitale, durchsuchbare Wissensbasis überführt. Wenn erfahrene Mitarbeiter ausscheiden, bleibt ihr Wissen erhalten. Gleichzeitig ermöglicht die Lösung eine Skalierung des Kundenservice, die mit rein telefonischem Support nicht erreichbar wäre.

RATIONAL nutzte den MVP als Proof of Concept, um interne Stakeholder zu überzeugen und die Entscheidung für eine Weiterentwicklung zu fundieren. In einer Roadmap haben wir weitere Ausbaustufen, Potenzialanalysen und Kostenschätzungen aufgezeigt.

Zahlen & Fakten

100

Tage Idee bis MVP

2.402

Rezepte digitalisiert und indexiert

3.660

Anweisungsschritte strukturiert erfasst

2.692

Zutaten in der Wissensdatenbank

Techologie

So haben wir es umgesetzt

Retrieval Augmented Generation (RAG)

Kombiniert semantische Suche mit Sprachmodellen — für präzise Antworten auf Basis unternehmenseigener Datenquellen.

Large Language Models

Sprachmodelle, die menschliche Sprache verstehen und generieren — die Basis für intelligente Dialoge und Textverarbeitung.

Vektordatenbank

Speichert Dokumente als semantische Vektoren und ermöglicht eine Ähnlichkeitssuche jenseits exakter Treffer.

Data Pipelines

Prompt Engineering

Gezielte Steuerung von Sprachmodellen durch strukturierte Anweisungen für konsistente und relevante Antworten.

Containerization

Berichterstattung

Stimmen zum Projekt

Silicon

June 6, 2023

Chatbot für den Einsatz im Kundenservice

Wie RATIONAL die ChatGPT-API nutzt, um seine telefonische Beratung für Profiköche zu entlasten und Erfahrungswissen digital verfügbar zu machen.

BL Gastro

June 6, 2023

Von der Idee zum KI-Kollegen

Die Gastronomie-Fachzeitschrift berichtet, wie RATIONAL gemeinsam mit PLAN D in 100 Tagen einen digitalen Assistenten für die ChefLine entwickelt hat.

Software Journal

June 6, 2023

Ein Praxisbeispiel: Von der Idee zum digitalen Kollegen

Das Branchenportal beleuchtet, wie ein Küchenequipment-Hersteller KI-Potenziale identifiziert und innerhalb eines Sprints ein funktionsfähiges MVP realisiert.

Initiative Mittelstand

June 6, 2023

KI-Anwendung in 100 Tagen: RATIONAL und PLAN D zeigen, wie es geht

Die Mittelstandsplattform stellt das gemeinsame Sprintformat vor, mit dem Unternehmen die Wirtschaftlichkeit von KI konkret evaluieren können.

Im Mittelstand

June 6, 2023

Digitaler Kollege für die ChefLine: Wie KI den Kundenservice stärkt

Das Portal zeigt, wie RATIONAL dem Fachkräftemangel im Support begegnet und mit einem KI-gestützten Chatbot Fachwissen rund um die Uhr zugänglich macht.

Fragen & Antworten

Wie kann ein RAG-System den Kundenservice entlasten?

Bei RATIONAL beantwortete die ChefLine telefonisch Fragen zu Profiküchengeräten und Rezepten. Ein Service, der stark vom Erfahrungswissen einzelner Mitarbeiter abhängig war.

Das RAG-System übernimmt jetzt einen Teil dieser Aufgaben: Es durchsucht die gesamte Wissensdatenbank von RATIONAL, darunter Bedienungsanleitungen, Rezepte und Service-Dokumentationen, und formuliert fundierte Antworten in natürlicher Sprache.

Wiederkehrende Standardanfragen werden direkt vom KI-Assistenten beantwortet. Komplexere Fälle gehen weiterhin an das Service-Team. So werden qualifizierte Mitarbeiter gezielt entlastet und können sich auf anspruchsvolle Anliegen konzentrieren.

Wie wird Erfahrungswissen aus dem technischen Support digital verfügbar gemacht?

Im RATIONAL-Projekt stand eine zentrale Herausforderung im Mittelpunkt: Das Fachwissen der ChefLine-Mitarbeiter existierte überwiegend in deren Köpfen, nicht in einer Datenbank.

Unser Ansatz: Alle verfügbaren Quellen, darunter Rezepte, Bedienungsanleitungen verschiedener Gerätegenerationen, Service-Handbücher und Videos, wurden systematisch erschlossen, bereinigt und in eine einheitliche Wissensdatenbank überführt. Das RAG-System macht dieses Wissen jetzt über natürlichsprachliche Anfragen zugänglich.

Der entscheidende Effekt: Wenn erfahrene Mitarbeiter das Unternehmen verlassen, bleibt ihr Wissen im System erhalten und verfügbar.

Was bringt ein RAG-System im Vergleich zu einem allgemeinen KI-Chatbot?

Ein generisches Large Language Model (LLM) generiert Antworten auf Basis statistischer Wahrscheinlichkeiten aus seinem Trainingswissen. Das klingt überzeugend, kann aber im Detail falsch sein, weil das Modell keine Kenntnis der konkreten RATIONAL-Produkte, Rezepte oder Service-Prozesse hat.

Ein RAG-System löst genau dieses Problem: Es zieht bei jeder Anfrage die tatsächlichen Unternehmensdaten heran, darunter Bedienungsanleitungen, Rezepte und Service-Dokumentationen. Das Sprachmodell formuliert seine Antwort ausschließlich auf Basis dieser verifizierten Quellen. Das Ergebnis sind fachlich korrekte Antworten statt plausibel klingender Vermutungen.

Konkret heißt das: Fragt ein Koch nach der richtigen Garstufe für ein Steak oder ein Techniker nach dem passenden Reinigungstab, liefert der KI-Assistent eine Antwort auf Basis echter RATIONAL-Produktdaten.

Gleichzeitig adressiert das System den Fachkräftemangel im technischen Service. Erfahrungswissen, das bisher nur in den Köpfen einzelner Mitarbeiter existierte, wird digital zugänglich: für Kunden direkt und für neue Service-Mitarbeiter als Wissensressource. Weniger Abhängigkeit von einzelnen Wissensträgern, schnellere Einarbeitung und ein Kundenservice, der auch mit kleinerem Team Qualität liefert.

Wie funktioniert ein KI-Assistent auf Basis unternehmenseigener Daten?

Der KI-Assistent für RATIONAL basiert auf dem RAG-Prinzip (Retrieval Augmented Generation). Im ersten Schritt werden alle relevanten Dokumente (Rezepte, Bedienungsanleitungen, Service-Dokumentationen) in semantische Einheiten zerlegt und als Vektoren in einer Datenbank gespeichert.

Wenn ein Nutzer eine Frage stellt, sucht das System die inhaltlich passendsten Textabschnitte und übergibt sie an ein Large Language Model. Das Sprachmodell generiert seine Antwort ausschließlich auf Basis dieser gefundenen Quellen, nicht aus allgemeinem Trainingswissen. So bleiben die Antworten fachlich korrekt und nachvollziehbar.

Warum eignet sich das 100-Tage-MVP-Format für KI im Kundenservice?

KI-Projekte im Kundenservice scheitern oft an langen Planungsphasen und überdimensionierten Anforderungskatalogen. Bei RATIONAL haben wir bewusst den umgekehrten Weg gewählt: In 100 Tagen einen MVP entwickeln, der konkret zeigt, was KI leisten kann.

Der Vorteil: Statt monatelang in Meetings über Konzepte zu sprechen, hatten die Verantwortlichen nach 100 Tagen ein funktionierendes System in der Hand. Inklusive konkreter Nutzererfahrung, messbarer Ergebnisse und einer belastbaren Grundlage für die Entscheidung über den weiteren Ausbau.

Genau das hat bei RATIONAL den Ausschlag gegeben, um interne Stakeholder zu überzeugen.

Welche Datenquellen können für ein RAG-basiertes Support-System genutzt werden?

Im RATIONAL-Projekt haben wir Daten aus sehr unterschiedlichen Quellen erschlossen: Kochrezepte, Bedienungsanleitungen verschiedener Gerätegenerationen und Betriebssysteme, Service-Handbücher, Videodokumentationen und interne Datenbanken.

Die Herausforderung lag weniger in der Menge als in der Heterogenität — unterschiedliche Formate, Sprachen und Strukturen. Unser Datenteam hat diese Quellen systematisch bereinigt, standardisiert und in einen einheitlichen Wissenspool überführt.

Grundsätzlich eignen sich für RAG-Systeme alle textbasierten Datenquellen: PDFs, Wikis, Ticketsysteme, E-Mail-Archive, Produktdatenblätter oder FAQ-Sammlungen.

Cases