Transparenz in der Serviceanalyse

Welche konkrete Herausforderung oder Problemstellung wollten Sie mit Ihrem Projekt lösen? 

V‑ZUG erhält jährlich tausende Serviceberichte mit wertvollen Informationen für die Qualitätssicherung. Bisher konnten nur rund 40–60 % der Fälle über vordefinierte Fehlerklassen bestehenden Jira‑Tickets zugeordnet werden. Der verbleibende Anteil musste manuell aus unstrukturierten Kunden‑ und Servicetexten interpretiert werden – ein zeitaufwendiger und subjektiver Prozess.

Mit Hilfe von KI automatisieren wir diese Interpretation direkt aus den Freitexten. Das System ist seit September 2025 produktiv im Einsatz, nahtlos integriert und erreicht über 90 % Übereinstimmung mit menschlichen Experten.

Zusätzlicher Benefit: Heute lassen sich rund 90 % aller Servicefälle einem bekannten Thema zuordnen. Dadurch sind aufwendige Detailanalysen weitgehend nicht mehr erforderlich, und relevante Fälle können nahezu in Echtzeit verfolgt werden – mit deutlicher Zeitersparnis in der Felddatenanalyse.

Warum haben Sie sich für genau diese Technologie oder Anwendung entschieden – und welche Rolle spielte Ihr Dienstleistungspartner dabei?

Wir setzen auf Large Language Models, die sowohl ohne Beispieldaten (Zero-Shot) als auch mit validierten Beispielen via Retrieval-Augmented Generation (Few-Shot) klassifizieren können. Das ist entscheidend, da neue Problemklassen laufend hinzukommen. Substring hat als Dienstleister die technische Umsetzung realisiert: die LLM-basierte Klassifikation, das Portal für Validierung und Problemklassen-Management sowie die Integration in die bestehende BI-Landschaft von V-ZUG.

Welche Erfolgsfaktoren sind aus Ihrer Sicht entscheidend für eine gelungene Zusammenarbeit?

Drei Faktoren waren entscheidend: Erstens eine enge Einbindung der Endnutzer von Anfang an. Zweitens ein Human-in-the-Loop-Ansatz, der Vertrauen schafft und gleichzeitig die KI kontinuierlich verbessert. Drittens eine pragmatische Integration in bestehende Prozesse und Systeme, statt eine Insellösung zu bauen.

Gab es im Projektverlauf Entwicklungen oder Erkenntnisse, die Sie so nicht erwartet hätten?

Was uns überrascht hat: Das Portal. Ursprünglich als schlankes Hilfsmittel zur Validierung geplant, ist es heute weit mehr. Performance-Überwachung, Verwaltung der automatisierten Kategorisierung und Quality-of-Life-Features wie Bookmarks und Instruktionen machen es zum täglichen Arbeitswerkzeug. Das Learning: Ein gutes AI-Projekt braucht nicht nur ein gutes Modell, sondern die richtigen, anwenderfreundlichen Werkzeuge rundherum.

Sie stellen das Projekt am Use Cases-Event vor: Was können die Teilnehmenden mitnehmen? 

• Human-in-the-Loop ist kein Kompromiss, sondern ein Qualitätsmerkmal. Validierte Daten verbessern das System und messen gleichzeitig seine Leistung.
• Zero-Shot-Fähigkeit ist entscheidend für die Skalierbarkeit, da neue Kategorien sofort nutzbar sein müssen.
• Der grösste Hebel liegt nicht im Modell selbst, sondern in der Integration in bestehende Prozesse und der Akzeptanz bei den Nutzern.

Informationen zu den Unternehmen:

V-ZUG
Substring