11 Min. Lesezeit · KI · Juni 2026

Support-Tickets automatisch einordnen & weiterleiten.

In vielen Unternehmen landen Support-Anfragen zunächst in einem gemeinsamen Postfach, das ein Mensch sichten, einordnen und an die richtige Stelle verteilen muss. Diese Verteilarbeit ist eintönig, fehleranfällig und kostet wertvolle Zeit, in der ein Ticket unbearbeitet wartet. KI kann diese erste Sortierung übernehmen — wenn man sie so aufsetzt, dass sie bei Unsicherheit lieber eskaliert, als ein dringendes Problem in der falschen Warteschlange verschwinden zu lassen.

Was Ticket-Routing eigentlich umfasst.

Hinter dem Begriff „Routing“ stecken mehrere Entscheidungen, die für jedes eingehende Ticket getroffen werden müssen: Worum geht es thematisch? Wie dringend ist es? In welcher Sprache ist es geschrieben? Welches Team oder welche Person ist zuständig? Handelt es sich überhaupt um ein Support-Anliegen oder um Spam, eine Rechnungsfrage, eine Beschwerde? Jede dieser Fragen ist für sich genommen einfach — in Summe und unter Last werden sie zur Belastung.

Genau diese Einordnung ist eine Paradedisziplin für Sprachmodelle. Sie verstehen den Inhalt eines Freitexts, erkennen das Thema unabhängig von der genauen Wortwahl und können mehrere Tickets in Sekunden einordnen. Das Ziel ist nicht, dass die KI Tickets beantwortet, sondern dass sie die richtige Stelle findet, bei der das Ticket landen soll — und dem zuständigen Team eine fertige Vorsortierung liefert.

Die Dimensionen einer guten Klassifikation.

Ein durchdachtes Routing klassifiziert ein Ticket entlang mehrerer unabhängiger Dimensionen, die getrennt betrachtet werden sollten:

Kategorie: Worum geht es — technisches Problem, Rechnungsfrage, Bestellstatus, Reklamation, allgemeine Frage? Das bestimmt das zuständige Team.
Priorität: Wie dringend ist es? Ein Totalausfall ist anders zu behandeln als eine allgemeine Nachfrage. Hier sind klare, definierte Stufen wichtig.
Sprache: In welcher Sprache schreibt der Kunde? Davon hängt ab, wer antworten kann.
Stimmung: Ist der Ton sachlich oder verärgert? Eine aufgebrachte Beschwerde verdient schnellere Aufmerksamkeit — vorsichtig eingesetzt, nicht als alleiniges Kriterium.
Konfidenz: Wie sicher ist die KI bei ihrer Einordnung? Diese Selbsteinschätzung ist die wichtigste Dimension überhaupt, weil sie über Automatik oder Eskalation entscheidet.

Die Trennung dieser Dimensionen ist wichtig, weil sie unterschiedlich zuverlässig sind. Die Kategorie lässt sich oft sehr treffsicher bestimmen, die Priorität ist schon heikler, und die Stimmungsanalyse ist mit Vorsicht zu genießen. Wer alles in einen einzigen Score wirft, verliert genau diese differenzierte Sicht.

Ein konkretes Klassifikations-Setup.

Technisch übergibt man dem Modell den Ticket-Text und eine feste Liste erlaubter Kategorien und Prioritätsstufen. Entscheidend ist, dass das Modell nur aus diesen vorgegebenen Werten wählen darf — keine frei erfundenen Kategorien. Ein vereinfachtes Beispiel mit der Anthropic-API in Python:

import anthropic, json

an = anthropic.Anthropic()

KATEGORIEN = ["technik", "rechnung", "bestellung",
              "reklamation", "allgemein", "spam"]
PRIORITAETEN = ["niedrig", "normal", "hoch", "kritisch"]

def klassifiziere(ticket_text: str) -> dict:
    msg = an.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=400,
        system=(
            "Du ordnest Support-Tickets ein. Waehle "
            "die Kategorie NUR aus dieser Liste: "
            + ", ".join(KATEGORIEN) + ". Waehle die "
            "Prioritaet NUR aus: "
            + ", ".join(PRIORITAETEN) + ". Gib JSON "
            "zurueck: kategorie, prioritaet, sprache "
            "(ISO-Code), konfidenz (0-100), "
            "begruendung (kurz). Bist du unsicher, "
            "setze die Konfidenz niedrig — rate nicht."),
        messages=[{"role": "user", "content": ticket_text}])
    return json.loads(msg.content[0].text)

def route(ticket_text: str):
    d = klassifiziere(ticket_text)
    if d["konfidenz"] < 70 or d["kategorie"] == "spam":
        return "manuelle_pruefung", d
    return f"team_{d['kategorie']}", d

Der Kern liegt in der route-Funktion: Bei niedriger Konfidenz wandert das Ticket nicht in eine geratene Kategorie, sondern in die manuelle Prüfung. Auch ein als „Spam“ eingeordnetes Ticket wird nicht still gelöscht, sondern zur Sichtung weitergeleitet — denn eine fälschlich als Spam abgetane Anfrage ist der teuerste Fehler im ganzen System. Diese Vorsicht ist kein Schwachpunkt, sondern das Qualitätsmerkmal.

Warum die Konfidenz wichtiger ist als die Genauigkeit.

Ein verbreitetes Missverständnis ist, ein Routing-System danach zu beurteilen, wie oft es richtig liegt. Viel wichtiger ist, wie zuverlässig es seine eigenen Fehler erkennt. Ein System, das in neun von zehn Fällen richtig liegt und beim zehnten ehrlich „unsicher“ meldet, ist weit wertvoller als eines, das ebenfalls neun von zehn trifft, aber beim zehnten selbstbewusst falsch entscheidet.

Denn nur die gemeldete Unsicherheit lässt sich abfangen. Ein selbstbewusst falsch geroutetes Ticket landet im falschen Team, wird dort vielleicht erst nach Stunden bemerkt und weitergereicht — der Kunde wartet die ganze Zeit. Ein als unsicher markiertes Ticket geht direkt an einen Menschen und ist in Sekunden richtig einsortiert. Deshalb sollte die Konfidenz-Schwelle eher konservativ gesetzt sein: Lieber ein paar Tickets zu viel an den Menschen geben als eines zu wenig.

Was die KI nicht entscheiden sollte.

So nützlich die automatische Einordnung ist — bestimmte Entscheidungen gehören nicht in die Hand eines Modells. Eine grobe Orientierung:

Aufgabe	Empfehlung
Thematische Kategorie zuweisen	Gut für KI geeignet, mit Konfidenz-Schwelle
Sprache erkennen	Sehr zuverlässig, gut automatisierbar
Priorität grob einstufen	Als Vorschlag geeignet, kritische Fälle prüfen
Ticket endgültig schließen	Nein — gehört zum bearbeitenden Menschen
Rechtlich oder vertraglich heikle Fälle	Nein — immer an einen Menschen eskalieren
Spam endgültig löschen	Nein — nur markieren, Sichtung bleibt

Die Grenze verläuft zwischen Vorsortieren und Handeln. Die KI darf einordnen, vorschlagen und weiterleiten. Sobald eine Entscheidung Konsequenzen für den Kunden hat — etwas schließen, löschen, ablehnen — gehört ein Mensch dazwischen. Dieses Prinzip schützt zuverlässig vor den peinlichsten Fehlern.

Datenschutz im Support ernst nehmen.

Support-Tickets enthalten fast immer personenbezogene Daten und oft sensible Inhalte — Namen, Kontaktdaten, Vertragsdetails, manchmal Gesundheits- oder Zahlungsinformationen. Wer diese Texte über eine Cloud-API klassifizieren lässt, braucht eine Rechtsgrundlage nach DSGVO, einen Auftragsverarbeitungsvertrag mit dem Anbieter und sollte den Datenstandort kennen. Bei besonders sensiblen Inhalten kann ein lokal betriebenes Modell die sauberere Wahl sein.

Wichtig ist auch, nur die wirklich nötigen Daten an das Modell zu geben. Für die Klassifikation braucht es den Ticket-Text — nicht zwingend die komplette Kundenhistorie. Datensparsamkeit reduziert das Risiko und ist ohnehin gute Praxis. Dies ist keine Rechtsberatung; die konkrete Ausgestaltung gehört mit Datenschutzbeauftragten abgestimmt.

Schrittweise einführen.

Auch beim Ticket-Routing ist der schrittweise Weg der bewährte. Wer von Tag eins an alle Tickets vollautomatisch verteilen lässt, riskiert beim ersten falsch gerouteten dringenden Fall den Unmut des Support-Teams. Besser:

Schattenbetrieb: Das System klassifiziert mit, ohne dass etwas darauf folgt. Die Vorschläge werden mit der manuellen Verteilung verglichen, um die Treffsicherheit zu messen.
Vorschlag statt Automatik: Die KI schlägt eine Kategorie vor, der Mensch bestätigt per Klick. Das beschleunigt die Arbeit, ohne Kontrolle abzugeben.
Teilautomatik für sichere Fälle: Erst wenn die Quote stabil ist, werden eindeutige Fälle mit hoher Konfidenz automatisch geroutet — unsichere weiterhin an den Menschen.
Laufende Kontrolle: Stichproben falsch gerouteter Tickets zeigen, wo das System nachjustiert werden muss. Das ist ein Dauerprozess, kein Projektende.

Erfolg ehrlich messen.

Ob das Routing taugt, zeigt sich an konkreten Zahlen, die man über die Zeit erhebt: Wie oft muss ein Ticket nach der automatischen Einordnung noch umgeleitet werden? Wie viele dringende Fälle wurden zu niedrig priorisiert? Wie schnell erreicht ein Ticket im Durchschnitt das richtige Team? Diese Kennzahlen sagen mehr als jede Demo.

Besonders wichtig ist, die Fehler in eine Richtung zu beobachten: Ein zu vorsichtiges System, das viele Tickets an den Menschen gibt, ist ärgerlich, aber harmlos. Ein zu forsches System, das dringende Tickets falsch einsortiert, kann Kunden verlieren. Diese Asymmetrie sollte sich in der Bewertung widerspiegeln — nicht jede Fehlentscheidung wiegt gleich schwer.

Was ich aus der Praxis mitgebe.

Konfidenz schlägt Genauigkeit. Ein System, das seine Unsicherheit ehrlich meldet, ist wertvoller als eines, das selbstbewusst danebenliegt.
Feste Kategorienliste. Das Modell wählt nur aus vorgegebenen Werten, erfindet keine eigenen. Das hält das Ergebnis verwertbar.
Vorsortieren, nicht handeln. Schließen, löschen, ablehnen bleibt beim Menschen. Die KI leitet weiter, sie entscheidet nicht endgültig.
Fehler asymmetrisch bewerten. Ein zu vorsichtiges System ist harmlos, ein zu forsches verliert Kunden. Das gehört in jede Erfolgsmessung.

Sie wollen eingehende Support-Anfragen automatisch einordnen und ans richtige Team leiten — mit Eskalation bei Unsicherheit? Unverbindlich anfragen — wir schauen uns Ihr Ticket-Aufkommen, Ihre Kategorien und einen sinnvollen Pilot-Bereich an.