KI-Assistent im Arbeits-Chat: Technische Umsetzung

# KI-Assistent im Arbeits-Chat: Technische Umsetzung und praktische Anwendungsfälle für das IT-Team

Ein Unternehmen, das Geschäftsprozesse seiner Kunden automatisiert, stand vor einem Paradoxon: Die eigenen Prozesse blieben manuell. Der CEO verbrachte Stunden damit, repetitive Fragen zu beantworten, Aufgaben zu formulieren und Manager zu unterstützen. Die Lösung kam aus dem eigenen Haus – die Implementierung eines KI-Assistenten direkt im Arbeits-Telegram-Chat. Innerhalb von drei Monaten wurde er zu einem vollwertigen Teammitglied, das Anfragen bearbeitet, Aufgaben in GitHub erstellt und Bugs diagnostiziert. Dieser Artikel beschreibt die technischen Details der Architektur, reale Beispiele und eine ehrliche Bewertung der Einschränkungen.

KI-Assistent-Architektur: Kontext ist wichtiger als das Modell

Das System basiert nicht auf Fine-Tuning oder kundenspezifischen Modellen, sondern auf smarter Kontextbereitstellung über API an Claude. Die zentrale Komponente ist der Context Builder, der nicht nur die neueste Nachricht sammelt, sondern den gesamten Gesprächsfaden. So versteht die KI, worum es geht, auch bei vagen Fragen („funktioniert das?“).

Der Zugriff auf interne Systeme ist über die Knowledge Base organisiert:

• Codebase: Voller Zugriff auf den aktuellen Quellcode (PHP + Vue), um Funktionsimplementierungen zu finden und Validierungen zu prüfen.
• CRM-Datenbank: SQL-Abfragen zu Kundendaten – Pläne, Aktivitäten, Interaktionshistorie.
• GitHub: Lesen bestehender Issues und Erstellen neuer über API.
• Interne Dokumente: Technische Spezifikationen und Anleitungen.

Die Architektur sieht so aus:

Telegram Bot API
    |
Message Handler (Python)
    | filtering: mention / reply / keywords
    |
Context Builder
    | last N messages + thread topic
    |
Knowledge Base
    +-- Project code (indexed)
    +-- Client DB (SQL queries)
    +-- GitHub Issues
    +-- Internal documents
    |
LLM (Claude) + System Prompt
    |
Response -> Telegram / GitHub API

90 % der Wirksamkeit resultieren aus präzisem Kontext und einem gut durchdachten System-Prompt, nicht aus Modellkomplexität.

Praktische Anwendungsfälle: Vom Support bis zur Aufgabenvergabe

Echtzeit-Bug-Diagnose aus dem Code

Ein Manager bekommt einen Anruf: Der Kunde kann kein Template mit einem Link speichern. Statt auf eine Entwickler-Antwort zu warten, postet er im Chat:

„Leute, der Kunde fragt – könnt ihr ein Template mit einem Link erstellen? Es speichert nicht bei ihr.“

Der KI-Assistent antwortet in 30 Sekunden:

• Findet den TemplateController@store-Controller.
• Analysiert die Validierung – der strip_tags()-Aufruf entfernt HTML.
• Schließt: Klartext-URLs gehen, HTML nicht.

Antwort:

„Code geprüft. TemplateController@store leitet den Templatetext durch strip_tags() – HTML-Links werden entfernt. Aber Klartext-URLs (ohne <a href>) speichern problemlos. Bittet den Kunden, den Link als Klartext einzufügen, ohne Formatierung.“

Das spart bis zu 30 Personenstunden pro Woche, die zuvor für Routine-Support-Anfragen draufgingen.

Automatische GitHub-Aufgabenerstellung

Wenn der CEO schreibt „Rom, mach eine Aufgabe für Dima“, analysiert die KI:

• Den gesamten Gesprächsfaden.
• Den bestehenden Foto-Hashing-Code.
• Formuliert Spezifikationen mit technischen Details: Hamming-Distanz, Matching-Schwellenwerte, kombinierte Bewertung.
• Erstellt ein Issue mit korrekten Labels und weist den Bearbeiter zu.

Ergebnis – eine strukturierte Aufgabe, in die der Entwickler direkt einsteigen kann, ohne Klärungen durch den Tech Lead.

Wo KI glänzt und wo sie scheitert

Stärken

• Routinefragen beantworten: Pläne, Kundenaktivität, Objektzahlen in der Datenbank.
• Aufgabenformulierung: Umgangssprachliche Anfragen in technische Spezifikationen umwandeln.
• Erst-Diagnose: Verengung des Bug-Suchraums, Hinweise auf relevanten Code.
• Support außerhalb der Geschäftszeiten: Sofortige Antworten nachts oder am Wochenende.
• Kunden-Antwort-Generierung: Entwurfs-E-Mails basierend auf Kontext.

Einschränkungen und Risiken

• Komplexe intersystemische Bugs: Die KI sieht den Code jedes Services, versteht aber nicht immer Laufzeit-Interaktionen.
• Geschäftsentscheidungen: Datenbeschaffung möglich, Entscheidungen bleiben menschlich.
• Emotionale Unterstützung: Konfliktsituationen mit Kunden brauchen einen live Manager.
• Lange Kontexte: In Diskussionen über Tage kann die KI den Faden verlieren.
• Halluzinationen: Sichere Falschaussagen (z. B. zu einer nicht existierenden Excel-Import-Funktion) verursachten drei Vorfälle in drei Monaten.

Zur Risikominderung enthält der System-Prompt eine Regel: Bei Unsicherheit offen zugeben und Entwickler-Prüfung empfehlen.

Metriken und strategische Implikationen

Über drei Monate:

• ~2500 Nachrichten von der KI im Chat
• ~120 Aufgaben in GitHub erstellt
• 60 % der Managerfragen ohne CEO-Beteiligung gelöst
• Durchschnittliche Antwortzeit: 15–40 Sekunden
• 3 kritische Vorfälle durch Halluzinationen

Schlussfolgerung – der Wert liegt nicht nur in Kosteneinsparungen, sondern in Geschwindigkeit. Kunden bekommen nahezu sofortige Antworten, was die Abwanderung reduziert.

Wichtige Punkte

• 80 % der KI-Wirksamkeit hängen von der Kontextqualität ab, nicht von der Modellwahl.
• Vertrauen in KI wächst nicht-linear: Von formellen Anfragen bis zur Ansprache mit Namen.
• Ein Fehler, der beim Kunden ankommt, kann das Vertrauen in das ganze Unternehmen untergraben.
• KI ersetzt keine Menschen – sie verändert Rollen: CEO wechselt zu Strategie, Manager zu direkter Betreuung.
• CRM entwickelt sich vom menschlich gesteuerten Tool zu einem autonomen System, bei dem Menschen beobachten und korrigieren.

Nächste Schritte – KI-Integration für Anrufanalysen (STT → LLM → Berichte), personalisierte E-Mail-Generierung und automatische Kundenprofil-Erstellung.

— Editorial Team