Tier-1-Support per KI — Senior-Devs entwickeln wieder

Das echte Ausmaß des Problems

In einem typischen IT-Dienstleister oder MSP mit fünf bis zwanzig Technikerinnen und Technikern entfallen 50–70 Prozent aller eingehenden Tickets auf Tier-1-Anfragen: Passwort-Resets, Zugangsprobleme, Standard-Fehlermeldungen, Software-Installationen, VPN-Konfigurationen, Drucker-Einrichtungen. Das ist kein Qualitätsproblem des Teams — es ist ein strukturelles Merkmal des IT-Supports.

Das Problem ist doppelt teuer:

Erstens werden diese Aufgaben oft von den erfahrensten Mitarbeitenden erledigt, weil alle dasselbe Postfach beobachten und wer zuerst antwortet, das Ticket nimmt. Wer in der Nähe sitzt, wird gefragt. Wer schnell antwortet, gilt als hilfsbereit. Seniorkräfte mit Stundensätzen von 100–130 Euro erledigen Aufgaben, die mit gut dokumentierten Lösungsanleitungen in zwei Minuten automatisierbar wären.

Zweitens entstehen Kontextwechsel-Kosten, die in keiner Kalkulation auftauchen. Eine Studie der University of California Irvine zeigt: Nach einer Unterbrechung braucht eine Wissensarbeiterin durchschnittlich 23 Minuten, bis sie wieder vollständig konzentriert arbeitet. Ein Passwort-Reset dauert 6 Minuten — kostet aber 29 Minuten an Netto-Arbeitszeit.

Für einen IT-Dienstleister mit zehn Technikerinnen, von denen fünf täglich je zwei Stunden mit Tier-1-Support verbringen, bedeutet das:

• 10 verlorene Senior-Stunden täglich
• Bei 100 Euro Stundensatz: 1.000 Euro täglich, die nicht in abrechenbare Projekte fließen
• Bei 220 Arbeitstagen: über 220.000 Euro im Jahr an Opportunitätskosten — nur für Tier-1

Das lässt sich ändern.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Erstantwortzeit ist hier das sichtbarste Argument gegenüber Kunden: Ein Passwort-Reset-Ticket, das um 22 Uhr eingeht und um 22:00:47 Uhr automatisch beantwortet wird, ist eine andere Kundenerfahrung als die Antwort am nächsten Morgen.

Einschätzung auf einen Blick

Zeitersparnis — maximal (5/5) Kein anderer Anwendungsfall in dieser Kategorie gibt Senior-Entwicklerinnen so direkt messbare Zeit zurück. Wer täglich 1–3 Stunden Tier-1-Tickets bearbeitet und diese Aufgaben vollständig aus dem Kalender streicht, spürt das sofort — nicht nach einem Quartal. Der Effekt ist klar isolierbar: Ticket-Volumen vor und nach Einführung, gemessen im selben System.

Kosteneinsparung — maximal (5/5) Die Einsparung entsteht nicht durch günstigere Software, sondern durch Umverteilung teurer Arbeitszeit in wertschöpfende Tätigkeiten. Wenn eine Senior-Entwicklerin statt zwei Stunden Tier-1-Support zwei Stunden an einem abrechenbaren Kundenprojekt arbeitet, ändert sich der Deckungsbeitrag direkt — ohne Neueinstellungen, ohne Entlassungen. Hinzu kommt der Effekt auf Kundenseite: schnellere Reaktionszeiten ohne höhere Personalkosten.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Punkt dieser Einschätzung. Dieser Use Case hat die meisten notwendigen Integrationen unter den drei verglichenen IT-Dienstleister-Anwendungsfällen: Active Directory oder Azure AD für Nutzeridentitäten und Passwort-Resets, ein Ticket-System mit API-Anbindung, eine Wissensdatenbank mit dokumentierten Lösungsanleitungen und optionales Monitoring-Tool-Routing. Wer heute kein Ticket-System hat, braucht eines, bevor die KI arbeiten kann. Wer keine Lösungsdokumentation hat, muss sie zuerst schreiben. Die realistische Zeitspanne bis zum produktiven Betrieb liegt bei 6–10 Wochen — mehr als bei der Dokumentation, die sich selbst schreibt oder dem Incident-KI-Agenten, die auf bereits vorhandene Repositories und Monitoring-Stacks aufbauen.

ROI-Sicherheit — maximal (5/5) Ticket-Volumen ist der am einfachsten messbare Wert in einem IT-Dienstleister. Tickets werden gezählt, kategorisiert und dem richtigen Team zugewiesen — in jedem System, das du ohnehin benutzt. Das bedeutet: Du siehst exakt, wie viele Tier-1-Tickets vor Einführung pro Tag eingingen, wie viele davon automatisch gelöst werden, und welche Rate an manuelle Bearbeitung weitergeht. Kein Schätzen, keine indirekten Indikatoren — direkte Messung ab Tag eins.

Skalierbarkeit — maximal (5/5) Das ist das entscheidende Argument für wachsende IT-Dienstleister. Wenn ihr heute 200 und in zwei Jahren 400 Endkunden betreut, verdoppelt sich das Ticket-Volumen — aber das KI-System kostet nicht das Doppelte. Ohne Automatisierung müsst ihr linear mit dem Kundenwachstum Personal aufbauen. Mit einem gut konfigurierten Ticket-Autopilot skaliert das Tier-1-Volumen auf die KI, nicht auf euer Team.

Richtwerte — stark abhängig von vorhandener IT-Infrastruktur, Qualität der Wissensdatenbank und Ticket-Volumen.

Was der Ticket-Autopilot konkret macht

Der Ticket-Autopilot besteht aus drei aufeinander aufbauenden Schichten:

Klassifizierung und Routing Jedes eingehende Ticket — per E-Mail, Self-Service-Portal oder Teams-Nachricht — wird sofort analysiert. Das System liest Betreff und Inhalt mit einem NLP-Modell und ordnet das Ticket einer Kategorie zu: Passwort-Reset, Zugangsproblem, Software-Installation, Hardware, Netzwerk, Sicherheit. Gleichzeitig bewertet es die Dringlichkeit (SLA-Klasse) und weist es dem richtigen Spezialisten oder Team zu. Dieser Schritt ersetzt das manuelle Triaging, das bisher entweder ein Dispatcher oder der erste verfügbare Techniker übernahm.

Automatische Lösung (Tier-1) Für eine definierte Menge an Standardfällen löst das System das Problem selbst. Das ist kein Ratespiel: Der KI-Agent führt echte Aktionen aus — er setzt Passwörter über die Active-Directory-API zurück, reaktiviert deaktivierte Accounts, startet hängende Druckerspooler per Remoteskript, oder leitet den Nutzer durch eine geführte Schritt-für-Schritt-Anleitung für eine VPN-Neukonfiguration. Die Anleitung kennt das System, weil sie in der Wissensdatenbank dokumentiert ist. Was dokumentiert ist, kann automatisiert werden.

Eskalation mit Kontext Wenn das System ein Ticket nicht lösen kann — entweder weil es außerhalb der Tier-1-Parameter liegt oder weil die automatische Lösung fehlgeschlagen ist — eskaliert es zu einem Techniker. Aber nicht als leeres Ticket: Der Agent liefert einen strukturierten Kontext-Bericht. Was wurde bereits versucht? Welche Fehlermeldungen sind aufgetreten? Welches System ist betroffen? Welche ähnlichen Fälle gibt es in der Lösungshistorie? Der Techniker beginnt nicht bei null.

Konkrete Werkzeuge — was wann passt

Die richtige Werkzeugwahl hängt davon ab, ob du ein reines IT-Ticketsystem oder eine All-in-One-ITSM-Plattform brauchst — und ob du bereits ein System im Einsatz hast.

Freshservice — Die stärkste ITSM-Option für IT-Dienstleister und MSPs, die noch kein Tool haben oder migrieren wollen. Freshservice ist explizit für IT-Teams gebaut: ITIL-konforme Incident-, Change- und Problem-Management-Prozesse, integriertes Asset-Management und Freddy AI als KI-Schicht. Freddy klassifiziert Tickets automatisch, liefert Agenten Lösungsvorschläge aus der Wissensdatenbank und beantwortet Self-Service-Anfragen über Slack und Microsoft Teams ohne Techniker-Eingriff. Laut Freshworks-Angaben erreichen Kunden damit bis zu 66 Prozent Ticket-Deflection. Starter ab 19 USD/Agent/Monat, volle KI-Funktionalität erst ab Pro (99 USD/Agent/Monat). EU-Datenresidenz nur im Enterprise-Plan — für DSGVO-sensible Kundendaten ein wichtiger Vorbehalt.

Jira Service Management — Wenn das Team bereits im Atlassian-Ökosystem arbeitet (Jira für Entwicklung, Confluence für Dokumentation), ist Jira Service Management der naheliegende Einstieg. Die Atlassian-Rovo-KI klassifiziert Tickets, verbindet sie mit relevanten Confluence-Artikeln und kann über Automatisierungsregeln einfache Workflows auslösen. Vorteil: Tickets aus dem IT-Support landen im selben System wie Entwicklungs-Issues — sichtbar, verlinkbar, trackbar. Nachteil: Kein nativer KI-Agent für vollautomatische Lösung; die KI unterstützt die Agentin, löst nicht selbst. EU-Datenresidenz ab Premium-Plan (ca. 15 USD/Nutzer/Monat).

Zendesk — Wenn ihr neben IT-internem Support auch Kunden-Support betreibt und eine einheitliche Plattform wollt. Zendesk ist ursprünglich für Kundensupport gebaut und hat für ITSM weniger native Funktionalität (kein Asset-Management, kein Change-Management out-of-the-box), ist dafür bei der Multi-Channel-Automatisierung stark. Der Zendesk AI Copilot (Add-on, 35–50 USD/Agent/Monat extra) klassifiziert Tickets und schlägt Makro-Antworten vor. EU-Hosting verfügbar. Sinnvoll, wenn der IT-Support eine Abteilung eines breiteren Kundenservice-Systems ist.

ChatGPT oder Claude + Make.com/Zapier — Die pragmatische Option für IT-Dienstleister, die kein neues ITSM einführen wollen und bereits ein Ticket-System haben. Ein LLM per API klassifiziert eingehende E-Mails, ein Automatisierungs-Tool wie Make.com oder Zapier triggert die richtigen Folgeaktionen. Einstiegshürde gering, API-Kosten niedrig (unter 50 Euro/Monat bei mittlerem Volumen). Einschränkung: Du baust damit einen Workflow, kein ITSM-System — Reporting, SLA-Tracking und Asset-Management fehlen.

Wann welcher Ansatz:

• Kein ITSM vorhanden, sauber aufbauen → Freshservice
• Atlassian-Ökosystem vorhanden → Jira Service Management
• Kundensupport und IT-Support zusammen → Zendesk
• Schneller Einstieg ohne Plattformwechsel → ChatGPT/Claude + Make oder Zapier

Datenschutz und Datenhaltung

IT-Support-Tickets enthalten regelmäßig personenbezogene Daten: Nutzername und E-Mail des Anfragenden, Gerätedaten, Kontodaten, manchmal auch Fehlermeldungen mit Firmengeheimnissen oder Kundendaten. Sobald diese Daten an einen Cloud-Dienst übermittelt werden — egal ob Freshservice, Zendesk oder ein LLM-API — greift die DSGVO.

Konkret bedeutet das:

Auftragsverarbeitungsvertrag (AVV) abschließen. Alle genannten Anbieter stellen AVV-Vorlagen bereit. Bei Freshservice, Jira und Zendesk funktioniert das über Self-Service-Portale — es muss aber aktiv angefordert und unterzeichnet werden, bevor ihr produktiv geht. Für LLM-APIs (OpenAI, Anthropic) gibt es ebenfalls AVV-Dokumente, die du unter deinem API-Account abschließen kannst.

EU-Datenresidenz prüfen. Freshservice speichert im Starter-, Growth- und Pro-Plan Daten außerhalb der EU (primär USA). EU-Hosting gibt es erst im Enterprise-Plan. Wenn ihr IT-Support für Unternehmen betreibt, die in regulierten Branchen tätig sind (Gesundheit, Finanz, Recht), kann das ein K.O.-Kriterium sein. Jira Service Management bietet EU-Datenresidenz ab Premium. Zendesk hat EU-Hosting als buchbare Option in allen Plänen.

Kundendaten im Ticket. Wenn Endkunden eures IT-Dienstleisters personenbezogene Daten im Ticket-Text angeben — zum Beispiel Nutzerdaten anderer Personen — und das Ticket durch eine KI verarbeitet wird, ist das datenschutzrechtlich zu klären. Ein einfacher Weg: im Self-Service-Portal und im E-Mail-Footer darauf hinweisen, dass Tickets KI-gestützt verarbeitet werden, und die Datenschutzerklärung entsprechend aktualisieren.

Passwort-Reset via API. Wenn der KI-Agent Passwort-Resets in Active Directory oder Azure AD eigenständig ausführt, braucht er API-Zugangsdaten mit eingeschränkten Rechten. Ein Service-Account mit dem Prinzip der minimalen Rechte (Least Privilege) — nur Passwort-Reset, kein Admin — ist Pflicht. Diesen Account dokumentieren und regelmäßig auditieren.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Der größte Teil des Einrichtungsaufwands liegt nicht bei der Software, sondern bei der Vorbereitung:

• Ticket-Kategorien und Routing-Logik definieren: 1–2 Tage
• Wissensdatenbank aufbauen (50–100 Lösungsanleitungen für häufige Fälle): 3–8 Tage
• Active-Directory-Integration und API-Konfiguration: 1–2 Tage Entwickleraufwand
• Testen und Kalibrieren der KI-Klassifizierung: 1–2 Wochen Pilotbetrieb

Externe Einrichtungskosten bei Beauftragung einer Implementierungspartnerin: 3.000–8.000 Euro, je nach vorhandener Infrastruktur. Bei interner Umsetzung: vor allem interner Zeitaufwand.

Laufende Kosten (monatlich)

• Freshservice Pro: 99 USD/Agent/Monat × Anzahl Techniker
• Jira Service Management Premium: ca. 15 USD/Nutzer/Monat
• Zendesk Suite + AI Copilot Add-on: 90–165 USD/Agent/Monat
• ChatGPT/Claude API-Kosten für E-Mail-Klassifizierung: unter 50 Euro/Monat bei mittlerem Volumen
• Make.com/Zapier für Workflow-Automatisierung: 9–20 Euro/Monat

Was du dagegenrechnen kannst

Fünf Technikerinnen, die täglich je 2 Stunden Tier-1-Support weniger bearbeiten: 10 Stunden täglich. Bei einem internen Kostensatz von 60–80 Euro pro Stunde (Brutto inkl. Nebenkosten): 600 bis 800 Euro täglich. Das sind 12.000 bis 16.000 Euro im Monat an wiedergewonnener Projektkapazität.

Oder abrechenbar: Wenn nur drei dieser Stunden täglich in abrechenbare Kundenprojekte fließen, bei einem Kundenstundensatz von 100 Euro, sind das 1.500 Euro täglich, 30.000 Euro im Monat — zusätzlicher Umsatz ohne neue Einstellungen.

Konservatives Szenario: 40 Prozent Effizienzgewinn statt 60 Prozent, weil die Wissensdatenbank in den ersten Wochen lückenhaft ist und das System nachjustiert werden muss. Selbst dann amortisiert sich die Investition bei den meisten IT-Dienstleistern innerhalb von 2–3 Monaten.

Wie du den ROI tatsächlich misst: Vergleiche Ticket-Volumen und durchschnittliche Bearbeitungszeit nach Kategorie, vor und nach Einführung. Jedes ITSM-Tool liefert diese Auswertung nativ. Die Zahl, die zählt: Wie viele Tier-1-Tickets werden ohne Techniker-Eingriff gelöst? Das ist deine Automatisierungsrate.

Drei typische Einstiegsfehler

1. KI-Agent ohne Wissensdatenbank einführen. Der häufigste Fehler überhaupt. Eine KI kann nur automatisch lösen, was dokumentiert ist. Wer ein KI-Klassifizierungssystem aktiviert, aber keine strukturierten Lösungsanleitungen hinterlegt, bekommt einen Agenten, der höflich kategorisiert und dann eskaliert — ohne je zu lösen. Der eigentliche Wert entsteht nicht aus der Klassifizierung, sondern aus der automatischen Lösung. Das erfordert: für jeden Tier-1-Fall, der automatisiert werden soll, eine klare Schritt-für-Schritt-Anleitung. Diese Arbeit muss vor dem Launch stattfinden, nicht danach.

2. Zu breite Automatisierung von Anfang an. Der umgekehrte Reflex: alles sofort automatisieren. KI-Agent beantwortet Tickets vollautomatisch, resettet Passwörter, sendet Antwort-E-Mails — ohne menschliche Kontrolle in der Anfangsphase. Das führt zu Fehlklassifizierungen, die beim Kunden ankommen: Ein Ticket über einen ausgefallenen Server wird als “Drucker-Problem” kategorisiert und bekommt eine automatische Anleitung zum Neustart des Druckerspoolers. Das kostet Kundenvertrauen. Besser: In den ersten vier Wochen alle automatisierten Antworten in den Entwurfs-Status setzen — ein Techniker gibt sie frei, lernt dabei die Fehlerquote kennen, und öffnet die Automatisierung schrittweise.

3. Das System einrichten und vergessen. Das ist der Fehler, der still passiert und erst nach sechs bis zwölf Monaten sichtbar wird. Die Wissensdatenbank veraltet: neue Software-Version, neue VPN-Konfiguration, neues Password-Policy-Format — aber die alten Anleitungen sind noch im System. Die KI gibt weiterhin zuversichtliche Antworten — auf Basis veralteter Schritte. Die Fehlklassifizierungsrate steigt. Das Team vertraut dem System immer weniger und beginnt, es zu umgehen. Nach 18 Monaten ist die Automatisierungsrate von 65 auf 30 Prozent gefallen, weil niemand die Wissensbasis gepflegt hat. Lösung: Jede Lösung in der Datenbank bekommt eine Wiedervorlage, getriggert durch Ereignisse (neue Software-Version, Kunden-Onboarding, Policy-Änderung) oder Zeit (alle drei Monate Review aller High-Volume-Lösungen). Das ist keine IT-Aufgabe — es ist eine organisatorische.

Was mit der Einführung wirklich passiert — und was nicht

Was nicht passiert: Die Technikerinnen sitzen ab Tag eins entspannt an spannenden Projekten, während die KI alle Support-Tickets löst. In der ersten Woche wird das System oft mehr Arbeit erzeugen, nicht weniger. Fehlklassifizierungen müssen korrigiert werden. Kunden, die eine automatisierte Antwort bekommen, rufen zusätzlich an. Die Wissensdatenbank hat Lücken, die erst im Betrieb sichtbar werden.

Was stattdessen passiert: Nach vier bis acht Wochen Pilotbetrieb mit schrittweiser Öffnung der Automatisierung setzt ein messbarer Effekt ein. Die Automatisierungsrate steigt mit jeder neuen Lösungsanleitung, die hinzugefügt wird. Das Team spürt eine echte Entlastung — aber die kommt nicht über Nacht.

Typische Widerstands-Muster:

Die „Ich mach’s schnell selbst”-Gruppe. Technikerinnen, die lange im Unternehmen sind, kennen die Standardlösungen auswendig. Für sie ist eine automatisierte Lösung, die sechs Klicks dauert, langsamer als ihre eigene Routine in dreißig Sekunden. Sie umgehen das System — und die Automatisierungsrate bleibt niedrig, weil viele Tickets direkt bearbeitet werden, ohne in den Autopilot zu fließen. Lösung: Alle Ticket-Eingang-Kanäle konsequent auf das ITSM umleiten. Keine direkten E-Mails, keine Teams-Nachrichten außerhalb des Systems. Das ist eine Führungsentscheidung, kein technisches Feature.

Die Skeptiker bei Kunden. Einige Endkunden reagieren verärgert auf automatisierte Antworten — besonders wenn die erste Reaktion generisch klingt und das eigentliche Problem nicht löst. Das lässt sich durch Personalisierung mildern: Die Antwort soll den Namen des Kunden enthalten, das spezifische Problem aus dem Ticket benennen und explizit erklären, was als nächstes passiert. Eine schlecht formulierte automatisierte Antwort ist schlechter als gar keine Automatisierung.

Der technische Flaschenhals bei der AD-Integration. Active-Directory-Anbindungen sind in der Praxis oft komplizierter als erwartet — unterschiedliche AD-Strukturen bei verschiedenen Kunden, fehlende API-Berechtigungen, Sonderkonfigurationen. Das ist der Teil, der in der Projektplanung unterschätzt wird und den Zeitplan streckt.

Was konkret hilft:

• In den ersten zwei Wochen täglich die Fehlklassifizierungsrate prüfen und das Routing nachsteuern
• Einen “KI-Optimierer” im Team benennen — eine Person, die wöchentlich die KI-Performance auswertet und neue Lösungsanleitungen anlegt
• Kunden proaktiv über die Einführung informieren: “Wir haben ein neues Support-System — Standard-Anfragen werden jetzt schneller und automatisch beantwortet”
• Frühzeitig einen Pilotmandanten identifizieren, der das System zuerst nutzt — seine Tickets als Testdatensatz, sein Feedback als erste Kalibrierung

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben gar kein Ticket-System — das ist ein riesiger Aufwand.” Das ist der häufigste Einwand aus kleinen IT-Dienstleistern, die Support noch hauptsächlich über E-Mail oder Telefon abwickeln. Die gute Nachricht: Du brauchst ein Ticket-System ohnehin, sobald du mehr als fünf Kunden und mehr als drei Technikerinnen hast. Die schlechte: Du kannst die KI-Automatisierung nicht umgehen, indem du das Ticket-System überspringst. Aber der Aufwand für Einrichtung und Einführung zahlt sich schnell zurück — auch ohne KI hat ein ITSM mit SLA-Tracking und strukturiertem Routing einen erheblichen Eigenwert.

„Was, wenn die KI eine falsche Antwort gibt und damit beim Kunden Schaden anrichtet?” Dieser Einwand ist berechtigt — und die Antwort ist: Konfiguriere die KI so, dass sie nur Aktionen ausführt, die reversibel sind. Ein Passwort-Reset ist reversibel. Eine automatisierte Neukonfiguration von Firewall-Regeln ist es nicht. Alles, was nicht reversibel ist, gehört in die Eskalations-Queue. Für Passwort-Resets und ähnliche Standardfälle ist das Risiko einer Fehlaktion minimal — und kleiner als das Risiko, dass ein erschöpfter Techniker um 22 Uhr den falschen Account zurücksetzt.

„Unsere Kunden wollen mit einem echten Menschen sprechen, nicht mit einem Bot.” Das stimmt — für komplexe Probleme. Für Passwort-Resets wollen Kunden hauptsächlich schnell wieder arbeiten können. Wenn die automatisierte Lösung in zwei Minuten kommt und tatsächlich funktioniert, ist das kein Bot-Problem, das ist guter Service. Der Ton der automatisierten Nachrichten macht den Unterschied: klar, hilfreich, nicht generisch — und mit einer expliziten Eskalationsoption für den Fall, dass die Lösung nicht greift.

Woran du merkst, dass das zu dir passt

• Deine Technikerinnen verbringen täglich mehr als eine Stunde mit Passwort-Resets, Zugangsproblemen und Standardfragen — und alle sind sich einig, dass das keine gute Nutzung ihrer Zeit ist
• Dein Team wächst mit den Kunden — für jeden neuen Mandanten stellst du eine neue Technikerin ein, weil das Ticket-Volumen sonst nicht bewältigbar ist
• Kunden beschweren sich über Reaktionszeiten — besonders außerhalb der Geschäftszeiten oder in Stoßzeiten, wenn das Team ausgelastet ist
• Du hast mehr als 20 Tickets täglich — darunter lohnt sich der Automatisierungsaufwand kaum
• Du hast oder willst ein ITSM-Tool — wer dauerhaft per E-Mail-Postfach ticketet, muss zuerst eine Grundstruktur aufbauen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 20 Tickets täglich oder unter fünf aktiven Kunden. Der Einrichtungsaufwand für Wissensdatenbank, AD-Integration und ITSM-Konfiguration amortisiert sich bei geringem Volumen nicht. Ein geteiltes E-Mail-Postfach mit klaren SLA-Regeln ist effizienter.

2. Keine Bereitschaft, eine Wissensdatenbank aufzubauen und zu pflegen. Ein Ticket-Autopilot ohne dokumentierte Lösungen ist ein Klassifizierungs-Tool — nützlich, aber nicht transformativ. Wer nicht in das Schreiben von Lösungsanleitungen investieren will, bekommt nie die 60–70-Prozent-Automatisierungsrate. Das ist eine Personalressourcen-Entscheidung, keine technische.

3. Kunden mit sehr heterogenen IT-Umgebungen ohne standardisierte Konfiguration. Wenn jeder eurer Kunden eine eigene AD-Struktur, eigene Softwareversionen und eigene Policies hat, wird die Automatisierungslogik pro Mandant so individuell, dass der Verwaltungsaufwand den Nutzen aufzehrt. Automatisierung funktioniert am besten bei Standardisierung.

Das kannst du heute noch tun

Fang nicht mit dem Tool an — fang mit den Daten an. Öffne euer aktuelles Ticket-System oder euer E-Mail-Postfach und analysiere die letzten 100 Tickets: Wie viele davon fallen in dieselbe Kategorie? Wie viele hätten mit einer gespeicherten Standardanleitung gelöst werden können?

Diese Analyse dauert 30–60 Minuten und gibt dir die Grundlage für alles Weitere. Wenn mehr als 40 Prozent der Tickets Tier-1-Fälle sind, ist der Business Case klar. Wenn weniger, lohnt sich die Investition möglicherweise woanders mehr.

Für den nächsten Schritt — den ersten Prompt für die KI-Klassifizierung — kannst du diesen hier direkt nutzen:

Quellen & Methodik

• Anteil Tier-1-Tickets im MSP-Betrieb (35–45 %): MSPbots, „AI Ticket Triage for MSPs” (2024/2025), verfügbar unter mspbots.ai/ai-ticket-triage/; konsistent mit eigenen Beobachtungen in IT-Dienstleisterbetrieben.
• Automatisierungsrate 60–70 % Tier-1: Mizo.tech, „AI Ticket Management for MSPs” (2025); Freshworks, Freshservice AI-Produktdaten (Stand April 2026); MSPbots Customer Reports (2025). Werte beziehen sich auf konfigurierte Systeme mit gepflegter Wissensdatenbank — nicht auf bare Installationen.
• 23-Minuten-Wiederanlaufzeit nach Unterbrechung: University of California Irvine, Gloria Mark et al., „The Cost of Interrupted Work” (2008) — nach wie vor relevanter Referenzwert, bestätigt durch neuere Studien zur Wissensarbeit.
• Stundensatz IT-Techniker Deutschland: IT-Business.de, „IT-Technikerstunde knackt die 100-Euro-Marke” (2024): Durchschnitt 100,44 Euro netto. Senior-Dev-Stundensätze intern: Metanoia IT Solutions, Bytefront.de (2024/2025): 85–130 Euro intern, 120–180 Euro Dienstleister-Außenpreis.
• Freshservice-Produktdaten: Freshworks offizielle Preisseite (Stand April 2026); KDnuggets Freshservice Review (2025).
• DSGVO Art. 28 (AVV-Pflicht): Datenschutz-Grundverordnung, aktuelle Fassung.

Du willst wissen, wie hoch euer Automatisierungspotenzial konkret ist und welche Integrationen mit eurer vorhandenen Infrastruktur funktionieren? Meld dich — das klären wir in einem kurzen Gespräch.