Helpdesk-Skalierung mit KI-Vorqualifizierung bei Reifen24

Ausgangslage

Reifen24 ist eine Marke der Goodwheel GmbH — Online-Reifenhandel mit B2C- und B2B-Geschäft, klassisches Saison-Geschäft mit massiven Spitzen im Frühjahr und Herbst, wenn der ganze deutsche Markt gleichzeitig auf Sommer- bzw. Winterreifen umstellt. In diesen Wochen kann das Ticket-Volumen um den Faktor 5 bis 10 hochschießen.

Als wir bei Reifen24 angefangen haben, lief der Support über ein Sammel-Postfach — ein paar Mitarbeiter arbeiteten parallel an Anfragen, die Reihenfolge war pragmatisch („wer’s zuerst sieht”), und in Spitzenzeiten lagen Antwortzeiten teils im zweistelligen Stundenbereich. Eskalationen wurden mündlich geregelt, Statistik gab es keine. Der Geschäftsführer wusste, dass das nicht skaliert — aber neues Personal einzustellen, das nur in zwei Saison-Spitzen pro Jahr gebraucht wird, ist wirtschaftlich nicht sinnvoll.

Die Frage war also nicht „wie stocken wir das Team auf?”, sondern „wie schaffen wir es, dass das bestehende Team das Volumen meistern kann?”. Die Antwort ist KI — aber nicht als Ersatz für den Menschen, sondern als Vorbereitungs-Schicht.

Discovery & Architektur

Die Discovery hat schnell gezeigt, dass der größte Teil der Tickets in vier Kategorien fällt: Lieferstatus (wo ist meine Bestellung?), Reklamation (Reifen falsch geliefert / beschädigt), Beratung (welche Reifen passen auf mein Auto?) und Rechnungs-/Zahlungsfragen. Davon sind die ersten drei in über 70 % der Fälle Standard-Anfragen mit hochgradig wiederholter Antwort-Struktur.

Das ist das ideale Muster für KI-Vorqualifizierung: eingehendes Ticket → Klassifikation → Routing zur richtigen Person → KI schlägt Standard-Antwort vor → Mensch prüft + sendet. Das Team gewinnt Zeit nicht dadurch, dass die KI das Ticket beantwortet, sondern dadurch, dass es schon vorklassifiziert ankommt und ein Antwort-Entwurf bereitliegt.

Wir haben uns bewusst gegen Voll-Automation entschieden. Im Reifenhandel haftet man für falsche Beratung — wenn die KI einen Reifen empfiehlt, der nicht passt, ist das ein echtes Problem. Der Mensch bleibt im Loop und damit haftbar, aber er macht den ersten Anteil der Arbeit nicht mehr selbst.

Implementation

Phase 1 war der Helpdesk-Aufbau: Kategorien definieren, Routing-Regeln aufsetzen, SLAs pro Kategorie festlegen, Eskalations-Logik bauen. Wir haben das Team zwei Wochen intensiv geschult — jeder weiß heute, welche Tickets in seinen Bereich gehören und wann eskaliert wird. Statistik läuft seitdem automatisch: pro Kategorie, pro Mitarbeiter, pro Zeitraum.

Phase 2 war die KI-Klassifikation. Wir haben mit einem Modell auf EU-Daten-Residenz gestartet, das in den ersten zwei Wochen mit echten Tickets nachgeschärft wurde. Nach diesem Tuning lag die Klassifikations-Genauigkeit bei knapp über 90 % — gut genug, um produktiv zu gehen.

Phase 3 war die Antwort-Vorschläge. Für jede der vier Hauptkategorien haben wir mit dem Reifen24-Team Antwort-Templates erarbeitet, die typische Standard-Antworten abdecken — mit klaren Platzhaltern für die Variablen (Bestellnummer, Lieferdatum, Reifenmodell). Die KI füllt diese Templates aus den Ticket-Daten, der Mensch prüft die Variablen und sendet ab.

DSGVO-mäßig ist das Setup sauber: Personenbezogene Daten werden vor der Klassifikation pseudonymisiert, Auftragsverarbeitungsvertrag mit dem KI-Anbieter ist Teil des Pakets, EU-Daten-Residenz ist Pflicht. Der Datenschutzbeauftragte von Reifen24 hat den Aufbau abgesegnet, bevor wir live gegangen sind.

Ergebnis

Heute skaliert Reifen24 den Support, ohne das Team zu vergrößern. In der ersten Saison-Spitze nach dem Go-Live waren die Antwortzeiten um etwa 60 % kürzer als im Vorjahr — bei vergleichbarem Ticket-Volumen und unverändertem Personal. Standard-Anfragen werden vorqualifiziert beantwortet, das Team konzentriert sich auf die Beratungs- und Reklamations-Fälle, in denen Mensch-zu-Mensch wirklich gebraucht wird. Statistik liefert dem Geschäftsführer monatlich klare Daten — welche Kategorien wachsen, wo Antwortzeiten kippen, wo Schulungs-Bedarf entsteht.

Was uns an diesem Case wichtig war: KI ist hier kein Marketing-Begriff, sondern ein konkreter Hebel. Sie macht nicht den Job — sie macht den Job vorbereitbar. Das ist die Art Automation, die im Mittelstand wirklich funktioniert.