Inkonsistente Support-Antworten mit Claude-gestützter KI beheben

Einen Claude-Systemprompt aufbauen, der Ihr Support-Playbook kodiert

Im Systemprompt verankern Sie Ihre Regeln für Antwortqualität: Tonalität, Compliance-Vorgaben, Eskalationsauslöser und Formatierungsstandards. Behandeln Sie ihn als Kern-Asset Ihres KI-Kundenservice-Setups – nicht als einen einmalig geschriebenen Absatz.

Beginnen Sie damit, Ihre Support-Guidelines in explizite Anweisungen zu übersetzen: wie begrüßt wird, wie Erklärungen aufgebaut sind, was offenzulegen ist und wann auf AGB oder Richtlinien zu verweisen ist. Fügen Sie Beispiele für „gute“ und „schlechte“ Antworten hinzu, damit Claude Ihre Best Practices spiegeln kann. Iterieren Sie auf Basis realer Tickets und QA-Feedback.

Beispiel Claude-Systemprompt (Auszug für Konsistenz im Kundenservice):

Sie sind ein Kundenservice-Assistent für <Unternehmen>.

Befolgen Sie immer diese Regeln:
- Stützen Sie Ihre Antworten NUR auf die bereitgestellte Wissensbasis und die Richtlinien.
- Wenn das Wissen keine Antwort enthält, sagen Sie, dass Sie es nicht wissen, und schlagen Sie vor, den Support zu kontaktieren.
- Machen Sie niemals kommerzielle Zusagen, die nicht ausdrücklich in den Richtlinien abgedeckt sind.
- Verwenden Sie einen klaren, ruhigen, professionellen Ton. Vermeiden Sie Umgangssprache.
- Fassen Sie Ihre Antwort am Ende immer in 2 Aufzählungspunkten zusammen.
- Bei Fragen zu Erstattung, Kündigung oder Vertrag zitieren Sie immer den relevanten Richtlinienabschnitt und nennen Sie ihn.

Wenn Richtlinien im Widerspruch stehen, wählen Sie die strengste anwendbare Regel und erklären Sie sie neutral.

Erwartetes Ergebnis: Claude-Antworten sind vom ersten Tag an mit Ihrem Support-Playbook abgestimmt, und QA-Kommentare konzentrieren sich auf Edge Cases statt auf grundlegende Tonalität und Struktur.

Claude per Retrieval an Ihre Wissensbasis anbinden

Um Antworten konsistent und aktuell zu halten, binden Sie Claude über Retrieval-Augmented Generation (RAG) an Ihre bestehenden Wissens- und Richtliniendokumente an. Statt Fine-Tuning ruft das Modell zur Laufzeit relevante Artikel, Passagen oder Richtlinienabschnitte ab und nutzt diese als einzige Wahrheitsquelle.

Implementierungsschritte: Indizieren Sie Ihre FAQs, SOPs, AGB und Produktdokumente in einem Vektor-Store; bauen Sie eine Retrieval-Schicht, die eine Kundenanfrage nimmt, die 3–5 relevantesten Textsegmente findet und sie gemeinsam mit dem Gespräch in den Prompt einbettet. Weisen Sie Claude explizit an, nur auf Basis dieses abgerufenen Kontexts zu antworten.

Beispiel-Retrieval + Claude-Prompt (vereinfacht):

System:
Befolgen Sie die Support-Richtlinien des Unternehmens exakt. Verwenden Sie nur den <KONTEXT> unten.
Wenn die Antwort nicht in <KONTEXT> enthalten ist, sagen Sie, dass Sie es nicht wissen.

<KONTEXT>
{{top_knowledge_snippets_here}}
</KONTEXT>

Nutzer:
{{customer_or_agent_question_here}}

Erwartetes Ergebnis: Antworten spiegeln durchgängig Ihre aktuellste Dokumentation wider, und Richtlinienänderungen werden automatisch wirksam, sobald die Wissensbasis aktualisiert wird.

Claude als Echtzeit-Antwortassistent für Agent:innen nutzen

Bevor Sie vollständig automatisieren, setzen Sie Claude in der Agentenoberfläche (CRM, Ticketing- oder Chat-Konsole) zum Verfassen von Antworten ein. Agent:innen tippen oder fügen die Kundenfrage ein; Claude generiert einen Antwortvorschlag basierend auf Richtlinien und Wissen; die Agent:innen prüfen, passen an und senden.

Halten Sie den Workflow schlank: ein Button „Antwort mit Claude erstellen“, der Ihren Backend-Service aufruft, der Retrieval durchführt und den Prompt sendet. Binden Sie Gesprächshistorie und zentrale Ticketfelder (Produkt, Tarif, Region) in den Prompt ein, damit Claude im Kontext antworten kann.

Beispiel-Prompt für Agent Assist:

System:
Sie helfen Support-Mitarbeitenden, konsistente, richtlinienkonforme Antworten zu verfassen.
Nutzen Sie den Kontext und die Richtlinien, um eine vollständige Antwort zu entwerfen, die der/die Agent:in versenden kann.

Kontext:
- Sprache der Kundin/des Kunden: Deutsch
- Kanal: E-Mail
- Produkt: Pro-Tarif

Richtlinien und Wissen:
{{retrieved_snippets}}

Gesprächsverlauf:
{{recent_messages}}

Aufgabe:
Formulieren Sie eine Antwort im Namen der/des Agent:in. Verwenden Sie einen ruhigen, professionellen Ton.
Wenn Informationen fehlen, listen Sie klar auf, was die/der Agent:in bei der Kundin/dem Kunden nachfragen sollte.

Erwartetes Ergebnis: Agent:innen verbringen weniger Zeit mit Suchen und Formulieren von Grund auf, während Antwortqualität und Konsistenz im gesamten Team steigen.

Automatische Richtlinien- und Tonalitätsprüfungen vor dem Versand hinzufügen

Selbst sehr gute Agent:innen machen unter Druck Fehler. Nutzen Sie Claude als zweites Paar Augen: Führen Sie eine schnelle, kostengünstige Prüfung ausgehender Nachrichten (insbesondere E-Mails und Tickets) durch, um Richtlinienverstöße, fehlende Pflichtangaben oder unpassende Tonalität zu erkennen, bevor sie die Kund:innen erreichen.

Technisch können Sie beim Klick auf „Senden“ einen „QA-Check“ auslösen: Ihr Backend ruft Claude mit der formulierten Antwort plus relevanten Richtlinien auf und bittet um eine strukturierte Bewertung. Wenn Probleme gefunden werden, zeigen Sie eine kurze Warnung und einen Verbesserungsvorschlag an, den die/der Agent:in mit einem Klick übernehmen kann.

Beispiel-Prompt für QA-Check:

System:
Sie sind ein QA-Assistent, der Kundenservice-Antworten auf Richtlinieneinhaltung und Tonalität prüft.

Input:
- Antwortentwurf: {{agent_reply}}
- Relevante Richtlinien: {{policy_snippets}}

Aufgabe:
1) Listen Sie alle Richtlinienverstöße oder fehlenden Pflichtangaben auf.
2) Bewerten Sie den Ton (1–5) im Hinblick auf: ruhig, professionell, klar.
3) Falls Änderungen nötig sind, geben Sie eine verbesserte Version aus.

Geben Sie JSON mit folgenden Feldern aus:
- issues: []
- tone_score: 1–5
- improved_reply: "..."

Erwartetes Ergebnis: Weniger Eskalationen und Compliance-Vorfälle bei minimaler zusätzlicher Reibung im Workflow der Agent:innen.

Umgang mit Sonderfällen mit Templates und Claude standardisieren

Viele Inkonsistenzen entstehen in Sonderfällen: Teil-Erstattungen, Ausnahmen, Altverträge oder gemischte Produkte. Dokumentieren Sie eine kleine Anzahl standardisierter Lösungsmuster und bringen Sie Claude bei, diese auszuwählen und anzupassen, statt jedes Mal neue Varianten zu erfinden.

Erstellen Sie Templates für häufige komplexe Szenarien (z. B. „Abonnementkündigung außerhalb der Widerrufsfrist“, „Garantieanspruch ohne Kaufbeleg“) und beschreiben Sie, wann welches Template anzuwenden ist. Stellen Sie Claude diese Informationen als strukturierte Daten zur Verfügung.

Beispiel-Ausschnitt für Anweisungen zu Sonderfällen:

System (Auszug):
Wir bearbeiten komplexe Fälle anhand der folgenden Muster:

Muster A: "Späte Kündigung, keine Erstattung"
- Bedingungen: Kündigungswunsch nach vertraglich festgelegter Frist; keine Sonderregelung.
- Lösung: Richtlinie erklären, Alternative anbieten (Pausierung, Downgrade), keine Erstattung.

Muster B: "Späte Kündigung, teilweise Kulanz-Erstattung"
- Bedingungen: Kund:in langjährig, hoher Customer-Lifetime-Value, erster Vorfall.
- Lösung: Richtlinie erklären, einmalige teilweise Erstattung als Kulanz anbieten.

Wählen Sie bei der Beantwortung das Muster, das zum Kontext passt, und passen Sie die Formulierung an.
Wenn kein Muster passt, empfehlen Sie eine Eskalation.

Erwartetes Ergebnis: Sonderfälle werden konsistent und fair behandelt, bei gleichzeitig kontrollierter Flexibilität für wertvolle Kund:innen.

Konsistenz mit Vorher/Nachher-QA-Metriken messen

Um Wirkung nachzuweisen und Verbesserungen zu steuern, sollten Sie konkrete KPIs verfolgen, die mit Antwortkonsistenz verknüpft sind. Kombinieren Sie qualitative QA-Bewertungen mit operativen Kennzahlen.

Beispiele: Streuung der QA-Scores über Agent:innen hinweg, Anteil der Tickets, die Compliance-Prüfungen nicht bestehen, Re-Kontakt-Rate innerhalb von 7 Tagen zum selben Thema und durchschnittliche Bearbeitungszeit für richtlinienlastige Anfragen. Vergleichen Sie diese Metriken vor und nach der Claude-Einführung und führen Sie A/B-Tests durch, bei denen einige Queues oder Teams die KI-Unterstützung nutzen und andere nicht.

Erwartete Ergebnisse: Kund:innen erhalten seltener widersprüchliche Antworten; QA-Scores werden über Agent:innen hinweg gleichmäßiger; Re-Kontakt- und Eskalationsraten sinken bei richtliniengetriebenen Fällen um 10–30 %; und erfahrene Mitarbeitende gewinnen Zeit zurück, die sie von wiederkehrenden Fragen auf hochwertige Interaktionen verlagern können.