Schritt für Schritt: Welche Teile beim Schreiben von Wissensdatenbank-Artikeln KI übernehmen kann, was einfache Automatisierung ist, wo eine menschliche Prüfung nötig ist und wie ein Pilot aussieht.
7 SchritteTypische Mischung: Für KI geeignetIllustrative AnalyseAktualisiert
Ja, KI kann einen großen Teil beim Schreiben von Wissensdatenbank-Artikeln übernehmen, aber nicht alles. Sie kann die Fragen finden, die Kunden immer wieder stellen, den Artikel aus Tickets und Produktnotizen entwerfen und formatieren; ein Mensch muss die Schritte im Live-Produkt trotzdem testen und entscheiden, was die Wissensdatenbank zusagt. Wer mit Wissensdatenbank Software arbeitet, bekommt so eine Routine, in der KI die erste Fassung in Minuten schreibt und Menschen ihre Zeit für die Prüfung und für Artikel verwenden, die Urteilsvermögen verlangen. Teams, die KI-Entwürfe ungeprüft veröffentlichen, haben am Ende oft eine Wissensdatenbank, die flüssig klingt und stellenweise unbemerkt falsch ist, und das kostet mehr Tickets, als es spart. Die Aufteilung in diesem Leitfaden zeigt, welche Schritte sich sicher automatisieren lassen, welche einen Menschen brauchen und wie Sie den Aufbau zuerst im Kleinen testen.
Was jeder Schritt benötigt
01● Für KI geeignet
Fragen finden, die einen Artikel brauchen
Ein Sprachmodell kann einige Monate Support-Tickets und Chatverläufe lesen, sie nach Themen gruppieren und zeigen, welche Fragen immer wiederkehren, ohne dass es dazu einen Artikel gibt. Für Menschen ist das langsame, eintönige Arbeit, für ein Modell geht es schnell. Das Ergebnis ist eine nach Häufigkeit sortierte Liste mit Artikelideen und Beispieltickets. Gleichen Sie die Rangfolge mit dem Wissen Ihres Teams ab: Eine seltene Frage, die verärgerte Kunden erzeugt, kann wichtiger sein als eine häufige, die sich leicht lösen lässt.
⛨Funktioniert, wenn sich Tickets mit Text und einem Themen- oder Produkt-Tag exportieren lassen. Prüfen Sie, ob personenbezogene Daten entfernt sind oder ob Ihr Vertrag mit dem KI-Anbieter die Verarbeitung erlaubt.
02● Standardautomatisierung
Prüfen, ob es den Artikel schon gibt
Bevor jemand schreibt, zeigt eine einfache Suche in der bestehenden Wissensdatenbank mit festen Regeln für ähnliche Titel und Stichwörter, ob die Frage schon beantwortet ist. Wenn ja, wird aus dem Schreiben ein Aktualisieren. Dafür braucht es keine KI. So vermeiden Sie das häufigste Problem von Wissensdatenbanken: fünf Artikel, die dieselbe Frage jeweils leicht anders beantworten.
⛨Funktioniert, wenn die Wissensdatenbank eine Suche oder einen Export hat und Artikel klare Titel tragen. Ältere Artikel mit vagen Titeln rutschen durch, räumen Sie diese zuerst auf.
03● Für KI geeignet
Den Artikel aus Tickets, Produktnotizen und Agentenantworten entwerfen
Aus Beispieltickets, der Produktdokumentation und ein bis zwei Antworten von Mitarbeitenden kann KI einen ersten Entwurf erstellen: einen klaren Titel, eine kurze Antwort am Anfang, nummerierte Schritte und einen Hinweis, was zu tun ist, wenn es nicht klappt. Sie folgt Ihrer Vorlage und Ihrem Schreibleitfaden, wenn Sie beides mitgeben. Das erspart die leere Seite. Was das Produkt heute tatsächlich tut, weiß sie nicht, deshalb ist jede Aussage zum Verhalten eine Behauptung, die geprüft werden muss.
⛨Funktioniert, wenn Sie Vorlage, Schreibleitfaden und Quellenmaterial liefern. Ohne Quellen füllt ein Modell Lücken mit selbstsicheren Vermutungen über Produktfunktionen.
04● Menschliche Prüfung
Die Schritte im echten Produkt prüfen
Jemand muss den Artikel im Live-Produkt nachvollziehen, jede genannte Schaltfläche anklicken und das Ergebnis bestätigen. Das ist meist eine Support-Fachkraft oder ein Product Owner. Diese Person macht auch die Screenshots und entscheidet, ob ein Schritt zu riskant ist, um ihn öffentlich zu beschreiben, etwa bei Abrechnung, Berechtigungen oder dem Löschen von Daten. Ein Artikel mit einem falschen Schritt erzeugt mehr Tickets als gar kein Artikel.
⛨Gilt immer vor der Veröffentlichung. Planen Sie ein kurzes Zeitfenster für die Prüfung ein, sonst wird sie zum Engpass und Entwürfe stauen sich.
05● Standardautomatisierung
Formatieren, taggen, veröffentlichen und verwandte Artikel verlinken
Nach der Freigabe ist der Rest mechanisch: Vorlage anwenden, Kategorie und Tags setzen, Meta-Titel und Beschreibung ergänzen, auf verwandte Artikel verlinken und veröffentlichen. Ein Workflow in Ihrer Wissensdatenbank-Software kann das übernehmen und den Artikel auch in die Quelle aufnehmen, aus der Support-Bot und Mitarbeitende schöpfen. Feste Regeln halten die Struktur über Hunderte Artikel hinweg einheitlich.
⛨Funktioniert, wenn die Software Vorlagen, Tags und eine API oder Automatisierungsregeln unterstützt. Freitextfelder muss weiterhin einmal jemand ausfüllen.
06● Menschliche Prüfung
Artikel aktuell halten, wenn sich das Produkt ändert
Produktreleases machen Artikel falsch, ohne dass es jemand merkt. Eine Person, die die Roadmap kennt, sollte entscheiden, welche Artikel ein Release betrifft, und die Änderungen freigeben. KI kann helfen, indem sie Release Notes mit dem Artikeltext vergleicht und wahrscheinliche Widersprüche meldet, doch die Entscheidung, was jetzt stimmt, liegt bei jemandem, der für das Produkt verantwortlich ist. Ein Prüfdatum und eine verantwortliche Person je Artikel machen das zur Routine statt zur Aufräumaktion.
⛨Funktioniert, wenn jeder Artikel eine verantwortliche Person und ein Prüfdatum hat und der Support von Releases erfährt, bevor sie live gehen.
07● Beim Menschen belassen
Festlegen, was die Wissensdatenbank abdeckt und wie sie klingt
Umfang und Tonfall sind Entscheidungen über das Unternehmen. Welche Themen erklären Sie offen, welche gehen an einen Menschen, wie förmlich sind Sie und was versprechen Sie schriftlich? Diese Entscheidungen steuern jeden Artikel und jeden Entwurf, deshalb bleiben sie bei Menschen. KI arbeitet innerhalb des Leitfadens, den Sie schreiben, und legt ihn nicht fest.
⛨Gilt von Anfang an. Schreiben Sie Umfang und Tonleitfaden, bevor Sie irgendetwas anderes automatisieren.
Ein sinnvolles erstes Experiment
Wählen Sie einen Produktbereich mit mindestens zwanzig Tickets im letzten Quartal. Lassen Sie die KI diese Tickets gruppieren und fünf Artikel vorschlagen. Entwerfen Sie alle fünf mit KI aus Ihrer Vorlage und Ihren Quellen und lassen Sie eine prüfende Person die Schritte im Live-Produkt testen, mit Notiz zu jedem Fehler. Schreiben Sie zwei weitere Artikel von Hand als Vergleichswert. Vergleichen Sie die Minuten je Artikel, den Anteil der Entwürfe mit großem Überarbeitungsbedarf und die Zahl der sachlichen Fehler, die gefunden wurden. Prüfen Sie nach vier Wochen, ob die Tickets zu diesen fünf Themen zurückgegangen sind. Ist die Fehlerzahl hoch, verbessern Sie zuerst Quellen und Vorlage, bevor Sie ausweiten. Ist die Zeitersparnis klein, beschränken Sie KI auf Gruppierung und Formatierung.
Die Falle, die es zu vermeiden gilt
Die größte Falle ist, flüssige Entwürfe ungetestet zu veröffentlichen. Ein Modell schreibt einen selbstsicheren Schritt, etwa einen Menüpfad, den es nicht mehr gibt, Kunden folgen ihm, kommen nicht weiter und eröffnen ein schwierigeres Ticket als das ursprüngliche. Die zweite Falle ist die Menge: Hunderte dünne Artikel zu erzeugen, weil es billig ist, macht die Wissensdatenbank schwerer durchsuchbar und weniger vertrauenswürdig. Halten Sie sich an eine Frage pro Artikel, räumen Sie Dubletten ab und geben Sie jedem Artikel eine verantwortliche Person und ein Prüfdatum, damit die Wissensdatenbank klein genug zum Pflegen bleibt.
Fragen, die Teams stellen
Kann KI Artikel für die Wissensdatenbank allein schreiben?
Sie kann aus Tickets, Produktnotizen und einer Vorlage einen brauchbaren ersten Entwurf schreiben, und das spart den größten Teil des Tippens. Sie sollte nicht selbstständig veröffentlichen. Das Modell kann nicht wissen, was Ihr Produkt heute tut, deshalb muss ein Mensch die Schritte im Live-Produkt nachvollziehen, bevor der Artikel erscheint. Sicher ist diese Aufteilung: KI für Entwürfe und Gruppierung, Regeln für Formatierung und Veröffentlichung, ein Mensch für die Prüfung.
Wie verhindere ich, dass KI Produktfunktionen erfindet?
Geben Sie Quellenmaterial mit und legen Sie fest, dass nur dieses verwendet werden darf. Fügen Sie Produktdokumentation, Release Notes und eine echte Ticketantwort hinzu und verlangen Sie, dass der Entwurf zu jedem Schritt die Quelle nennt. Was keine Quelle hat, wird zur Prüfung markiert, statt als Tatsache zu erscheinen. Lassen Sie danach jemanden die Schritte im Produkt testen. Beides ist nötig, denn keines von beiden fängt alles ab.
Was messe ich in einem Pilotprojekt?
Messen Sie die Zeit vom Ticketmuster bis zum veröffentlichten Artikel, den Anteil der Entwürfe, die grundlegend überarbeitet werden mussten, und ob die Tickets zu diesem Thema in den Wochen nach der Veröffentlichung sinken. Notieren Sie auch, wie viele Fehler die prüfende Person gefunden hat. Vergleichen Sie mit einigen Artikeln, die auf die alte Art entstanden sind. Kleine Zahlen reichen, denn das Ziel ist zu sehen, wo der Prozess Zeit spart und wo nicht.
Brauche ich eine neue Wissensdatenbank-Software, um KI zu nutzen?
Nicht unbedingt. Viele Wissensdatenbank-Tools haben inzwischen KI für Entwürfe, aber Sie können auch außerhalb des Tools ein Sprachmodell nutzen und das Ergebnis einfügen. Wichtiger als das Tool ist der Prozess: Vorlage, Quellenmaterial, prüfende Person und Verantwortliche je Artikel. Wählen Sie Software nach Suche, Vorlagen und Automatisierungsregeln und testen Sie eingebaute KI als Zusatz. Wenn Tickets personenbezogene Daten enthalten, prüfen Sie nach DSGVO, wie der Anbieter sie verarbeitet, und schließen Sie bei Bedarf einen Auftragsverarbeitungsvertrag ab.
Beispielhafte Workflow-Anleitung von Arcgent. Jedes Unternehmen braucht eine eigene Bewertung. Angaben zu Integrationen oder Einsparungen wurden für deine Systeme nicht überprüft.