Wir hatten vorher drei Monate lang versucht, ein Prognosemodell selbst zu bauen. Das Team von Ai Credible Network hat in sechs Wochen ein Modell geliefert, das unsere Lagerbestände um 22 % reduziert hat. Die wöchentlichen Stand-ups waren straff organisiert, ohne unnötige Meetings.
Stimmen unserer Kunden
Wir bitten jeden Kunden nach Projektabschluss um ein ehrliches Feedback. Hier eine Auswahl der Rückmeldungen aus den letzten zwei Jahren.
Unser Chatbot beantwortet jetzt 1 200 Anfragen pro Woche, ohne dass ein Mitarbeiter eingreifen muss. Was mich besonders überzeugt hat: Das Modell gibt offen zu, wenn es etwas nicht weiss, und leitet den Kunden an einen Menschen weiter. Kein frustrierendes Endlos-Schleifen.
Die Dokumentenverarbeitung spart unserem Backoffice rund 15 Stunden pro Woche. Einziger Kritikpunkt: Die initiale Datenaufbereitung hat länger gedauert als geschätzt, weil unsere PDF-Scans in schlechter Qualität vorlagen. Das Team hat das offen kommuniziert und die Timeline angepasst.
Wir wollten wissen, welche Kunden abwanderungsgefährdet sind. Das Churn-Modell trifft in 78 % der Fälle korrekt vorher, ob ein Kunde innerhalb von 90 Tagen kündigt. Seitdem sprechen wir diese Kunden proaktiv an. Die Kündigungsrate ist um 11 Prozentpunkte gesunken.
Fallstudie: Anomalie-Erkennung für einen Pharma-Hersteller
Ausgangslage
Ein mittelgrosser Pharma-Hersteller in der Westschweiz produziert täglich 120 000 Tabletten auf drei Produktionslinien. Qualitätsprüfungen liefen manuell: Stichproben alle 30 Minuten, visuell kontrolliert durch Laborpersonal. Fehlerhafte Chargen wurden im Schnitt erst nach vier Stunden erkannt.
Unser Ansatz
Wir haben Vibrationssensoren und Temperaturdaten der Maschinen mit einem Autoencoder-Modell verknüpft. Das Modell lernt das normale Betriebsmuster und meldet Abweichungen in Echtzeit. Die Trainingsdaten umfassten 14 Monate Maschinenprotokolle.
Der gesamte Aufbau dauerte acht Wochen: zwei Wochen Datenaufbereitung, drei Wochen Modellentwicklung, zwei Wochen Integration in das bestehende SCADA-System, eine Woche Testbetrieb.
Ergebnis
Fehlerhafte Chargen werden jetzt durchschnittlich 47 Minuten nach Auftreten erkannt statt vier Stunden. Der Ausschuss ist um 18 % gesunken. Das Laborpersonal führt weiterhin Stichproben durch, aber gezielter und seltener.
Fallstudie: Chatbot für den Versicherungskundendienst
Die Herausforderung
Lacustre Assurances SA erhielt wöchentlich 2 000 Kundenanfragen per E-Mail und Chat. 65 % davon betrafen Standardfragen: Policennummern, Deckungsumfang, Schadensmeldungsformulare. Fünf Mitarbeitende verbrachten den Grossteil ihrer Arbeitszeit mit repetitiven Antworten.
Was wir gebaut haben
Einen deutschsprachigen und französischsprachigen Chatbot, der auf den 1 400 häufigsten Frage-Antwort-Paaren trainiert wurde. Das Modell basiert auf einem fine-getunten Sprachmodell mit Retrieval-Augmented Generation: Es durchsucht die interne Wissensdatenbank und formuliert eine Antwort.
Entscheidend war die Eskalationslogik. Wenn das Modell eine Konfidenz unter 0,7 hat, übergibt es den Chat an einen Menschen und liefert dem Mitarbeitenden eine Zusammenfassung des bisherigen Gesprächs. So muss der Kunde nichts wiederholen.
Resultate nach sechs Monaten
60 % der Anfragen werden vollständig automatisch beantwortet. Die durchschnittliche Antwortzeit sank von 4,2 Stunden auf 12 Sekunden für automatisierte Fälle. Zwei der fünf Mitarbeitenden wurden in die Schadenbearbeitung versetzt, wo sie dringend gebraucht wurden.
Die Kundenzufriedenheit (gemessen per Post-Chat-Umfrage) stieg von 3,4 auf 4,1 von 5 Punkten. Die häufigste positive Rückmeldung: die schnelle Reaktionszeit ausserhalb der Bürozeiten.